NTRL：基于强化学习的探险生成，用于龙与地下城中的动态难度调整
人工智能
2025-07-18 v2
摘要
在龙与地下城（D&D）中平衡战斗遭遇是一项复杂任务，需要地下城主持人（Dungeon Master, DM）手动评估兴趣小组的力量、敌人构成以及动态玩家互动，同时避免中断叙事流程。在本文中，我们提出了一种基于强化学习的遭遇生成方法（NTRL），用于自动化龙与地下城中的动态难度调整（Dynamic Difficulty Adjustment, DDA）。通过将问题建模为情境式臂栏（contextual bandit），NTRL 根据兴趣小组成员的实时属性生成遭遇。与经典 DM 启发式方法相比，NTRL 不断迭代优化遭遇，使战斗持续时间延长（+200%），提高了对兴趣小组成员的伤害，降低了战后剩余生命值（-16.67%），增加了玩家死亡次数，同时保持较低的总体小组死亡（Total Party Kill, TPK）率。战斗的强化迫使玩家慎重行动并采取战术措施，尽管生成的遭遇确保了较高的胜率（70%）。即使与由人类地下城主持人设计的遭遇相比，NTRL 也展现出优越性能，通过增强战斗的战略深度，同时以保持整体公平性的方式提高了难度。
引用
@article{arxiv.2506.19530,
title = {NTRL: Encounter Generation via Reinforcement Learning for Dynamic Difficulty Adjustment in Dungeons and Dragons},
author = {Carlo Romeo and Andrew D. Bagdanov},
journal= {arXiv preprint arXiv:2506.19530},
year = {2025}
}