論文の概要: Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search

• arxiv url: http://arxiv.org/abs/2212.03387v1
• Date: Wed, 7 Dec 2022 00:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 15:57:44.370448
• Title: Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search
• Title（参考訳）: 検索に基づく手続きコンテンツ生成とモンテカルロ木探索を用いたリアルタイム戦略ゲームユニットの作成
• Authors: Kynan Sorochan, Matthew Guzdial
• Abstract要約: リアルタイム戦略ゲームユニット生成(Real-Time Strategy game unit generation)は、PCG(Procedural Content Generation)研究の未調査領域である。 ゲームマイクロRTSで使用するように設計されたシステムによって生成された10のユニットを提示する。
• 参考スコア（独自算出の注目度）: 0.9645196221785693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-Time Strategy (RTS) game unit generation is an unexplored area of Procedural Content Generation (PCG) research, which leaves the question of how to automatically generate interesting and balanced units unanswered. Creating unique and balanced units can be a difficult task when designing an RTS game, even for humans. Having an automated method of designing units could help developers speed up the creation process as well as find new ideas. In this work we propose a method of generating balanced and useful RTS units. We draw on Search-Based PCG and a fitness function based on Monte Carlo Tree Search (MCTS). We present ten units generated by our system designed to be used in the game microRTS, as well as results demonstrating that these units are unique, useful, and balanced.
• Abstract（参考訳）: リアルタイム戦略(RTS)ゲームユニット生成は、プロシージャコンテンツ生成(PCG)研究の未調査領域であり、興味深くバランスの取れたユニットを自動的に生成する方法の問題を残している。 ユニークでバランスの取れたユニットを作ることは、RTSゲームを設計する上で、人間にとっても難しい作業だ。 ユニットを自動設計する方法を持つことは、開発者が作成プロセスをスピードアップし、新しいアイデアを見つけるのに役立つだろう。 本研究では、バランスよく有用なRTSユニットを生成する方法を提案する。 探索ベースPCGとモンテカルロ木探索(MCTS)に基づく適合度関数を描画する。 本システムによって生成された10個のユニットをゲームmicrortsで使用するように設計し,それらのユニットがユニークで有用でバランスが取れていることを示す。

関連論文リスト

• Brain-Like Replay Naturally Emerges in Reinforcement Learning Agents [3.9276584971242303]
  リプレイを生成するモジュール型強化学習モデルを開発した。 この方法で生成されたリプレイがタスクの完了に役立つことを証明します。 我々の設計は複雑な仮定を回避し、タスク最適化パラダイム内で自然にリプレイを可能にする。
  論文  参考訳（メタデータ） (2024-02-02T14:55:51Z)
• Evolutionary Tabletop Game Design: A Case Study in the Risk Game [0.1474723404975345]
  本研究は、テーブルトップゲームに対するアプローチの拡張を提案し、リスクの変種を生成することによってプロセスを評価する。 我々は、選択したパラメータを進化させる遺伝的アルゴリズムと、ゲームをテストするルールベースのエージェントを用いてこれを達成した。 結果は、より小さなマップを持つオリジナルゲームの新たなバリエーションが作成され、結果としてより短いマッチとなることを示している。
  論文  参考訳（メタデータ） (2023-10-30T20:53:26Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• A Fast Evolutionary adaptation for MCTS in Pommerman [0.0]
  本稿では,進化的モンテカルロ木探索 (FEMCTS) エージェントを提案する。 同社は、Evolutionary Algorthims (EA) と Monte Carlo Tree Search (MCTS) のアイデアを借りて、Pommerman のゲームをしている。
  論文  参考訳（メタデータ） (2021-11-26T23:26:33Z)
• Applying supervised and reinforcement learning methods to create neural-network-based agents for playing StarCraft II [0.0]
  本稿では,汎用的な教師付き強化学習でトレーニングしたStarCraft IIのフル2プレーヤマッチングを実現するニューラルネットワークアーキテクチャを提案する。 本実装では,ゲーム内スクリプトボットと比較して,非自明な性能を実現している。
  論文  参考訳（メタデータ） (2021-09-26T20:08:10Z)
• Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
  ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。 品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。 その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
  論文  参考訳（メタデータ） (2021-04-17T20:33:24Z)
• MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
  近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。 多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。 合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
  論文  参考訳（メタデータ） (2021-03-04T12:45:23Z)
• The Design Of "Stratega": A General Strategy Games Framework [62.997667081978825]
  Strategaはターンベースおよびリアルタイム戦略ゲームを作成するためのフレームワークである。 このフレームワークは、統計的フォワードプランニング(SFP)エージェントに焦点を当てて構築されている。 我々は,このフレームワークとそのエージェントの開発が,戦略ゲームにおける複雑な意思決定プロセスの理解に役立つことを願っている。
  論文  参考訳（メタデータ） (2020-09-11T20:02:00Z)
• StarCraft II Build Order Optimization using Deep Reinforcement Learning and Monte-Carlo Tree Search [0.0]
  本研究では,モンテカルロ木探索アルゴリズムに基づくエージェントを用いて,StarCraft IIのビルド順序を最適化する手法を提案する。 より深い強化学習ニューラルネットワークと組み合わせることで、そのパフォーマンスをさらに向上する方法について論じる。
  論文  参考訳（メタデータ） (2020-06-12T08:53:52Z)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。