本文介绍了一种扩展进化方法的敌人生成系统，它将敌人的难度作为目标，不断地生成多样化的敌人，并让玩家在游戏中感受到易、中、难不同的敌人对挑战的提升。

Feb, 2022

本文介绍了一种通过将 MAP-Elites population 纳入演化式地下城生成器的扩展版本来生成具有安全任务和敌人的离散化房间的地下城的方法，并通过计算和用户反馈实验来评估其 Procedural Dungeon Generation 的方法。结果表明该方法能准确地收敛，反馈也表明玩家们喜欢这些生成的关卡，并且不能判断算法是否为级别生成器。

Feb, 2022

提出了使用质量多样性算法进行混合和互动游戏内容生成的想法，并通过进化地宫设计师系统实现。该功能使用 MAP-Elites 算法将人口分成多个单元格，使其在几个行为维度上的值相对。用户可以灵活地选择相关的变化维度，并将算法生成的建议合并到其地图设计中。同时，任何人类所做的修改都将反馈到 MAP-Elites 中，并用于生成更多的建议。

Jun, 2019

本文提出了一种将进化搜索和强化学习相结合的框架，通过行为克隆将演化的关卡序列提炼为策略，以生成更快速的关卡，我们将其应用于迷宫游戏和超级马里奥兄弟中，结果表明该方法能够显著缩短关卡生成的时间。

Jul, 2022

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

该研究提出了一种适应性水平生成算法，用于 Angry Birds 物理解谜游戏。该算法基于先前的水平生成器，但难度可以根据玩家的表现进行调整，从而创造特定于玩家自身能力的个性化水平。我们使用多个具有不同策略和 AI 技术的智能体来评估所提出的方法的有效性，并将它们作为真实玩家特征的模型 / 代表，以便在大量生成中高效地优化水平属性。作为次要研究，我们还证明了通过将多个智能体的表现结合起来，可以生成对某些玩家特别具有挑战性但对其他玩家不具有挑战性的水平。

Feb, 2019

本文介绍了一种基于机器学习的迭代式关卡生成器 - 变异模型。采用带训练模型的辅助演化过程，可以生成出符合规定约束和目标条件的关卡，而且生成速度比基于演化过程的关卡生成器快得多，实现了在游戏中进行实时生成。

Jun, 2022

本文介绍了一种名为 MESB 的新型 MAP-Elites 算法变体，将其应用于 Hearthstone 的设计和重新平衡，并展示了其在游戏中表现出的多样的表现形式和公共模式。

Apr, 2019

本研究提出两种基于模拟的评估指标来测量生成游戏关卡的多样性和难度，并证明了该多样性指标比当前方法更稳健，并且能够直接影响可玩性因素，而难度指标则具有一定的相关性，为了推动可再生性，我们公开发布了我们的评估框架。

Jan, 2022

本文提出了一种基于 PCGRL 框架的自动平衡的方法，其架构包括三个部分：关卡生成器，平衡代理以及奖励模型仿真，并且使用新颖的基于交换的表示法，该方法能够比普通的 PCGRL 更好更快地教授代理修改关卡以进行平衡。

Jun, 2023