Combining procedural content generation and heuristic simulations for automated game balancing

Rupp, Florian

Preview

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

URN:	urn:nbn:de:bsz:180-madoc-714719
Document Type:	Doctoral dissertation
Year of publication:	2025
Place of publication:	Mannheim
University:	Universität Mannheim
Evaluator:	Stuckenschmidt, Heiner
Date of oral examination:	2025
Publication language:	English
Institution:	School of Business Informatics and Mathematics > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Subject:	004 Computer science, internet
Classification:
Keywords (English):	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.
Translation of the title:	Kombination von prozeduraler Inhaltsgenerierung und heuristischen Simulationen für automatisiertes Game Balancing (German)
Translation of the abstract:	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. (German)