Feb, 2018

通过演化的启发式搜索和 MCTS 实现基于过程人物的自动化游戏测试

PDF
TL;DR本文提出了一种通过生成 player 模型，利用叫做 procedual personas 的原型 player 模型实现自动游戏内容测试的方法，该模型基于心理决策理论，通过使用进化计算开发的节点选择标准来替换 MCTS 的标准 UCB1 标准。我们在多种游戏水平中演示了这些人物的应用，并展示了不同的玩法风格如何在每个水平中表现。总之，我们使用人工智能人物来构建合成游戏测试人员。该方法可用作自动游戏测试工具，在人类反馈不可用或需要快速可视化潜在互动时使用。可能的应用包括游戏开发期间的交互式工具或需在短时间内进行许多评估的程序性内容生成系统。
generative player modelingprocedural personasmonte carlo tree searchevolutionary computationautomatic play testing
发现论文，激发创造
  • 表现和体验像人类的生成角色

    本研究考虑将行为规则、奖励和人类示范化为生成 AI 代理即程序化人物角色，以模拟人类玩家的游戏体验，通过 Go-Explore 强化学习方法来训练人类化的代理，其结果显示生成的代理呈现出人类玩家的不同游戏风格和体验响应，同时对玩家体验的考虑，能够更好地推动行为探索。

    Aug, 2022

  • 基于模拟的策略分析的蒙特卡罗树搜索

    本文提出使用自动规划代理来模拟不同技能水平的人来生成游戏过程，并从中收集指标以评估当前的游戏设计并确定其潜在缺陷。本文以 Scrabble 和 Cardonomicon 为案例，展示了使用模拟代理来模拟人类玩家如何从游戏中提取度量（在 Scrabble 的情况下）以及突出设计缺陷（在 Cardonomicon 的情况下）。

    Aug, 2019

  • 使用机械频率和游戏状态轨迹预测人物角色

    本研究探讨如何通过玩家游玩记录高效预测玩家人设，使用监督学习和序列学习两种方法实现预测，强调计算科学在定义玩家人设方面的重要性。

    Mar, 2022

  • 为教程生成基于人物角色的主导 / 从属地图（PDSM）

    该研究提出了一种基于自动化角色驱动的方法来生成视频游戏教程级别的系统，使用 ' 约束 MAP-Elites' 算法和程序员确定行为特征来创造出一个带有不同行为倾向的级别，并证明了其可行性。

    Apr, 2022

  • 不同游戏中蒙特卡罗树搜索性能的表征

    我们描述了一个初步的数据集，该数据集包括了 268,386 个不同游戏中的 61 个不同代理的对局，旨在研究 Monte-Carlo Tree Search 在各种游戏中的表现和改进方法，以及对数据集的预测模型训练和未来计划。

    Jun, 2024

  • 零样本推理：个性化内容生成无起步问题

    通过使用大型语言模型，本研究提出了一种新颖的方法来通过连续收集个体玩家的游戏数据，实现个性化的程式化内容生成，与传统方法相比，我们的方法在减少玩家在游戏关卡中中途退出的概率方面表现出更好的性能。

    Feb, 2024

  • 蒙特卡洛树搜索：近期修改和应用综述

    本文调查了 Monte Carlo Tree Search (MCTS) 在领域特定修改和混合方法方面的应用，这种方法依赖于智能树搜索并平衡探索和利用。

    Mar, 2021

  • 使用基于搜索的生成算法和蒙特卡洛树搜索生成即时战略游戏单位

    本研究提出了一种基于搜索的自适应卡中心树方法的实时策略游戏单位生成算法，生成的单位能保证平衡性和独特性。

    Dec, 2022

  • 利用人工智能探索游戏玩法

    本文提出了一种使用自动代理进行游戏测试的方法，该方法可以以分钟级的速度完成测试者需要数天才能完成的有机游戏。该测试方法的应用在《模拟人生移动版》中取得了积极的效果，对游戏的平衡性，奖励设置以及选项效果进行了评估和优化，从而提升了玩家体验。

    Nov, 2018

  • 对手模型区分度的游戏生成

    保护不受敌对攻击是一个常见的多智能体问题，本研究使用心理学家收集的数据，建立了一个新颖的模型，通过优化参数化游戏，能够创建表现明显不同的游戏，这对于自动生成游戏以及发现模型不一致的情况辅助有所帮助。

    Nov, 2023