Feb, 2022

透过 MAP-Elites 照亮地牢地图、锁门任务和敌人位置空间

PDF
TL;DR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。
procedural content generationevolutionary dungeon generatormap-elites populationuser feedback experimentsprocedural dungeon generation
发现论文，激发创造
  • 互动约束 MAP-Elites 在地下城设计中的优质多样性增强

    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

  • 通过 MAP-Elites 照亮敌人的空间

    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

  • 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

  • 变异模型：通过模仿进化学习生成关卡

    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

  • 用于游戏程序内容生成优化问题的景观分析工具

    本文介绍了 Procedural Content Generation (PCG) 及其方法，其中 search-based PCG 将给定的任务作为优化问题，通过进化算法解决。我们提出和讨论了三种高效的分析工具：对角线行走、高层次属性的估计以及问题相似度测量。这些分析方法有助于 PCG 方法的比较和生成内容的质量提升。

    Feb, 2023

  • Talakat: 基于约束 Map-Elites 的弹幕生成

    利用基于搜索的方法生成弹幕游戏的新关卡，并使用 Map-Elites 算法的一种新变体进行搜索，利用可行和不可行的方法进行约束满足。通过基于代理的模拟评估来衡量每个层次的适应度，这是这个游戏类型的第一个关卡生成器，并包括几个算法创新。

    Jun, 2018

  • 逐层组合级别生成器以创建复杂结构

    本文主要介绍了一种基于组合生成的方法，在复杂和现代游戏中实现可优化性，解决算法设计复杂度高的问题，并在游戏设计中优化功能要求，旨在推动程序内容生成技术在视频游戏产业中的应用。

    Feb, 2023

  • 机器学习的程序化内容生成（PCGML）

    本文旨在探讨使用机器学习的方法生成游戏内容，涉及的技术包括神经网络、马尔可夫模型等，讨论了该方法在游戏设计中的应用及存在的问题。

    Feb, 2017

  • 通过程序生成增加机器学习的通用性

    研究了游戏中的 Procedural Content Generation (PCG) 对于增加机器学习方法的通用性的重要性，特别是学习算法对于过度拟合的困扰和参数随机化的抗拟合方法，以增加算法对于不同环境的适应性和回报。

    Nov, 2019

  • 基于强化学习的程序化内容生成 (PCGRL)

    研究如何使用强化学习训练级别设计代理，将关卡设计视为游戏并将内容生成器本身学习，并探讨了三种不同的转换二维层次设计问题的马尔可夫决策过程，将其应用于三个游戏环境中。

    Jan, 2020