Combining procedural content generation and heuristic simulations for automated game balancing

Rupp, Florian

Vorschau

PDF
Dissertation Florian Rupp final.pdf - Veröffentlichte Version
Download (4MB)

URN:	urn:nbn:de:bsz:180-madoc-714719
Dokumenttyp:	Dissertation
Erscheinungsjahr:	2025
Ort der Veröffentlichung:	Mannheim
Hochschule:	Universität Mannheim
Gutachter:	Stuckenschmidt, Heiner
Datum der mündl. Prüfung:	2025
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Fachgebiet:	004 Informatik
Fachklassifikation:
Freie Schlagwörter (Englisch):	procedural content generation , game balancing , reinforcement learning , simulations
Abstract:	This dissertation presents algorithmic methods for automating game balancing through procedural content generation (PCG). It advances the application of reinforcement learning (RL) and search-based optimization by examining two core aspects of games: levels and economies. Focusing on two-player games, the thesis introduces a domain-independent approach to estimating balance simulation-driven. To reduce computational cost, level balancing is then formulated as both a PCG and RL problem, extending the PCGRL framework to efficiently generate balanced tile-based levels. Additionally, further aspects, such as asymmetries, imbalances, and transferability, are explored. A human playtesting study confirms that levels balanced with the proposed method are perceived as more balanced in most scenarios. Beyond levels, the thesis explores generating and balancing game economies using graph-based representations. It introduces G-PCGRL for RL-based graph generation and GEEvo, a framework with evolutionary algorithms that scales to larger economies and provides a flexible test environment.
Übersetzter Titel:	Kombination von prozeduraler Inhaltsgenerierung und heuristischen Simulationen für automatisiertes Game Balancing (Deutsch)
Übersetzung des Abstracts:	Diese Dissertation stellt algorithmische Methoden zur Automatisierung des Spiel-Balancings durch prozedurale Inhaltsgenerierung (PCG) vor. Sie treibt die Anwendung von Reinforcement Learning (RL) und suchbasierter Optimierung voran, indem sie zwei Kernaspekte von Spielen untersucht: Levels und Ökonomien. Mit Schwerpunkt auf Zwei-Spieler-Spielen stellt die Arbeit einen domänenunabhängigen Ansatz zur Bestimmung der Balance auf Basis von Simulationen vor. Um den Rechenaufwand zu reduzieren, wird Level-Balancing als PCG- und RL-Problem formuliert. Dazu wird das PCGRL-Framework erweitert. Darüber hinaus werden weitere Aspekte wie Asymmetrien, systematische Unausgeglichenheit, und Übertragbarkeit untersucht. Eine Studie mit menschlichen Spielern bestätigt, dass mit der vorgeschlagenen Methode ausgeglichene Levels häufiger als ausgewogener empfunden werden. Neben Levels untersucht die Arbeit die Generierung und das Balancing von Spielökonomien unter Verwendung graphbasierter Repräsentationen. Sie führt dazu G-PCGRL für die RL-basierte Graphgenerierung und GEEvo ein, ein Framework mit evolutionären Algorithmen, das sich auf größere Ökonomien skalieren lässt und eine flexible Testumgebung bietet. (Deutsch)