利用强化学习预估移动益智游戏玩家完成率

Jun, 2023

利用强化学习预估移动益智游戏玩家完成率

Estimating player completion rate in mobile puzzle games using reinforcement learning

Jeppe Theiss Kristensen, Arturo Valdivia, Paolo Burelli

TL;DR研究使用强化学习代理的性能来估计 Lily's Garden 移动益智游戏不同难度及玩家的完成率，发现人类行为与代理行为的差异 highly correlated，依旧可用代理性能估计和建模玩家指标。

Abstract

In this work we investigate whether it is plausible to use the performance of a reinforcement learning (RL) agent to estimate the difficulty measured as the player completion rate of different levels in the mobile puzzl

reinforcement learning mobile puzzle game player metrics difficulty estimation performance prediction

发现论文，激发创造

塔防游戏中高级策略控制的强化学习

提出一种自动化的游戏测试和验证方法，结合传统脚本方法和强化学习以适应新情况，测试结果表明使用学习方法和脚本人工智能相结合的代理比单独使用启发式人工智能更强大和稳健，成功率达到 57.12%。

Jun, 2024

基于人群的深度强化学习在第一人称多人游戏中达到人类水平的表现

本研究提出了一个新颖的两层优化过程来训练共有多个独立的强化学习智能体，这些智能体仅使用 Q3A 视频游戏的像素和游戏得分作为输入，即使在富有挑战性的多智能体环境中互相协作和竞争，这些智能体也能够达到类人水平，并展现出人类般的行为表现。

Jul, 2018

关于团队运动比赛中的多智能体学习

本文提出了一种分层训练智能体的方法，以期在团队运动游戏中实现类似于人类的风格和高水平的表现，初步结果显示所提出的方法具有解决多智能体学习问题的潜力。

Jun, 2019

通过强化学习平衡竞争双人游戏的难度级别

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

深度强化学习从人类偏好中学习

本文研究了使用非专家人类偏好来定义复杂目标的强化学习系统的方法，并且证明此方法可实现许多复杂的强化学习任务，包括 Atari 游戏和模拟机器人，同时也大幅降低了人类监督成本，以及展示了本方法的灵活性，并可成功使用较短时间完成复杂的新颖行为的训练，同时也采用了前人的人类反馈信息和环境。

Jun, 2017

移动拼图游戏中的困难建模：基于玩家分析和模拟数据的不同方法的实证研究

游戏开发中，难度是玩家参与度的关键因素之一，本文通过模拟数据和队伍统计数据训练的人工神经网络是最准确的难度评估方法。

Jan, 2024

超越人类偏好：通过 LLMs 探索强化学习轨迹的评估与改进

基于偏好的强化学习利用大型语言模型生成自动偏好数据，并通过重构奖励函数来优化强化学习训练，在复杂环境中加速收敛并提高效果。

Jun, 2024

通过基于强化学习的人类化游戏风格生成实现自动玩测试

该论文介绍了 CARMI：一种配置可调的智能体，使用相对度量输入以模拟玩家的游戏风格，并能够在先前未见过的游戏关卡上操作。这种方法不需要完整的游戏数据轨迹，可通过少量人工数据训练，并可用于制作视频游戏的行为和平衡研究。

Nov, 2022

机械化创造者 2.0：用于评估生成规则的强化学习

研究利用强化学习作为近似函数来生成游戏规则，通过在 Unity 中重新创建了一个新的开源规则生成框架，实验结果表明强化学习可以生成与 A * 代理基线不同的规则，可能更适合人类使用。

Sep, 2023

强化学习在 2048 游戏中的应用

本论文针对 2048 游戏进行了深入的研究，提出了乐观时序差分学习等算法，并且发展了性能最好的学习型 2048 程序，同时探索了多个与 2048 有关的技术，包括元组网络集成学习，蒙特卡洛树搜索和深度强化学习。最后，本论文介绍了 2048 的教学应用，提出了教学设计，并对学生得到积极的反馈。

Dec, 2022