.png){kind=icon}
返回
MOPCGRL: Multi-Objective Procedural Content Generation via Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.23919/CSMS.2025.0034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线内容生成能够实现自动且自适应地创建多样化和可玩的游戏内容，以最大化玩家体验或测试人工智能（AI）算法。现有文献中已提出了针对不同内容维度的多种多样性度量指标，其中一些指标彼此之间存在冲突。现有工作通过将这些指标转化为一个综合项来处理这种多维多样性特性，并进一步用于指导内容生成器的训练。然而，每个生成器都是针对由权重指定的偏好进行训练的，无法充分解释这些指标之间的关系或提供不同的权衡方案。本文提出了一种基于强化学习的多目标程序化内容生成方法，用于训练一组生成器，以在线方式创建多样化游戏内容，同时将可玩性作为约束条件来平衡多个多样性指标之间的权衡。我们的框架与当前先进方法在常用的Mario-AI基准上进行比较。结果表明，我们的框架能够在模型训练的早期阶段加速收敛的同时，增加生成器分布的多样性。我们的方法使研究人员、设计师和实践者能够更好地理解冲突多样性指标之间的关系，从而能够更高效、更准确地根据特定需求生成内容。
Keyword:
multi-objective evolutionary learning
procedural content generation
content diversity
video games
查看更多机构