关键词procedural content generation
搜索结果 - 49
- 从无到有生成关卡的学习
该论文提出了一种名为 GPN 的算法，通过代理玩游戏，学习可玩关卡的分布，从而实现自动生成游戏关卡，避免了人类设计的限制，并用 2D 地牢游戏训练和展示了该框架的能力。
- 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。
- 利用程序生成技术评估强化学习
Procgen Benchmark 是一套 16 个生成环境的测试套件，旨在评估强化学习在样本效率和泛化性能方面的表现，为此提供了详细的实验协议，并经验证明多样性的环境分布是充分训练和评估 RL agent 的关键，从而促进了生成内容的广泛 - 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。
- 通过质量多样性实现程序化内容生成
Quality-diversity algorithms, with explicit behavior metrics searching for a set of high-quality and diverse solutions, - AAAI深度强化学习代理的进化策划课程学习
本文提出了一个针对深度强化学习代理的新的训练循环，采用进化生成器进行进化过程生成来构建训练课程，结果表明相较于没有导向的输入，进化课程的训练优化和泛化能力均有所提高。
- 利用深度卷积生成对抗网络的潜在空间演化马里奥关卡
本论文使用对抗生成网络 (GANs) 和协方差矩阵自适应进化策略 (CMA-ES) 生成了大量类似原始语料库中的 Super Mario Bros 的电子游戏层级，并使用各种适应性函数发现了专家所设计示例空间内存在的层级，并引导搜索满足一个 - 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。
- SAT 模块化单调理论
本研究提出了单调理论的概念，并展示了如何为这样的理论构建有效的 SMT（SAT 模块理论）求解器，包括有效的理论传播和子句学习。我们应用这些求解器解决过程内容生成问题，与基于 SAT 或 Answer Set Programming 的最先