塔防游戏中基于强化学习的高级战略控制
机器学习
2024-06-13 v1
摘要
在策略游戏中，维持玩家挑战感是游戏设计最重要的方面之一。许多移动游戏都具有快速的游戏循环，允许玩家稳健地进度，需要大量关卡和谜题以防止玩家过早到达终点。就内容创建而言，测试和验证是确保游戏机制有趣、游戏资产可玩以及关卡可玩性的关键。本文提出了一种自动化方法，可用于游戏测试和验证，将传统脚本方法与强化学习结合，既能获得两者的优势，又能像人类玩家一样适应新情况。我们在流行的塔防游戏《植物大战僵尸》上测试了该解决方案。结果表明，将学习方法（如强化学习）与脚本 AI 组合比仅使用启发式 AI 更高效、更稳健，达到了 40 个关卡中 57.12% 的成功率，而仅用启发式 AI 的成功率为 47.95%。此外，结果还表明了训练针对此类类似谜题的通用智能体的难度。
引用
@article{arxiv.2406.07980,
title = {Reinforcement Learning for High-Level Strategic Control in Tower Defense Games},
author = {Joakim Bergdahl and Alessandro Sestini and Linus Gisslén},
journal= {arXiv preprint arXiv:2406.07980},
year = {2024}
}
备注
Published at CoG 2024