[论文解读] Generating Real-Time Strategy Game Units Using Search-Based Procedural Content Generation and Monte Carlo Tree Search

Kynan Sorochan, Matthew Guzdial|arXiv (Cornell University)|Dec 7, 2022

Artificial Intelligence in Games被引用 7

一句话总结

本文提出一种结合蒙特卡洛树搜索（MCTS）的基于搜索的程序化内容生成（SBPCG）方法，以自动生成平衡且独特的即时战略（RTS）游戏单位。通过使用基于MCTS的适应度函数，该方法通过模拟对战来评估单位平衡性，成功生成了十个新颖的单位，适用于microRTS游戏，这些单位在不同水平的人工智能对手下均表现出良好的实用性和平衡性能。

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.

研究动机与目标

• 为解决缺乏自动化生成有趣且平衡的RTS游戏单位的方法这一问题，该任务即使对人类设计师而言也极为耗时且复杂。
• 探索人工智能驱动的程序化内容生成是否能有效创造在机制上独特且游戏性平衡的新单位。
• 通过使用不同技能水平的智能体进行模拟对战，评估生成单位的实用性和平衡性，避免依赖人工游戏测试。
• 证明基于MCTS的适应度评估可作为RTS单位生成中游戏平衡性的可靠代理指标。

提出的方法

• 采用基于搜索的程序化内容生成（SBPCG）框架，通过在单位生成空间中进行局部搜索，迭代优化随机初始化的单位。
• 基于MCTS模拟定义适应度函数，通过测量不同技能水平智能体对对战中的胜率来评估单位平衡性。
• 使用MCTS模拟对战，其中一方玩家可生产新单位，并与无该单位的基准对局进行对比，以评估平衡性与实用性。
• 通过优化由不同技能水平智能体对战模拟结果中胜率分布导出的平衡度量，生成单位。
• 在100,000场模拟对战的大规模MCTS研究中评估单位，以衡量其战略实用性和整体游戏平衡性。
• 将该方法应用于microRTS游戏引擎——一个公认的RTS测试平台，以生成并验证具有独特机械特性的十个新单位。

实验结果

研究问题

• RQ1 基于MCTS的适应度函数的SBPCG能否生成在机制上独特且平衡的RTS单位？
• RQ2 基于模拟对战的适应度函数是否能有效预测RTS单位的真实平衡性与实用性？
• RQ3 在不同技能水平的智能体对战中，生成的单位在胜率和战略影响方面表现如何？
• RQ4 当双方玩家均可生产该单位时，生成的单位在多大程度上仍保持平衡？
• RQ5 该方法能否生成不仅平衡，而且在多样化游戏场景中具有战略实用性的单位？

主要发现

• 该系统成功为microRTS生成了十个独特的RTS单位，每个单位均具有独特的机械特性与角色定位。
• 模拟对战表明，当仅有一方玩家可生产该单位时，其提供了可量化的优势，表现为胜率变化。
• 在双方均可生产单位的平衡场景中，胜率趋近于50%，表明在不同技能水平下整体保持了平衡。
• 不同技能水平智能体对之间的胜率热力图呈现出符合预期的平衡模式，支持了基于MCTS的适应度函数的有效性。
• 部分单位对低技能玩家表现出轻微的‘廉价’效应，即提升了其胜率，暗示在特定对局中可能存在过强表现。
• 尽管在特定对局中存在轻微失衡，但整体趋势表明，生成的单位在平均意义上保持了平衡性，并具备实际游戏中的实用性。