o uso de algoritmos genéticos na geração de conteúdo adaptativo em mobile games
TRANSCRIPT
O Uso de Algoriіtmos Genétiіcos na Geração de Conteúdo Adaptatiіvo em
Mobiіle Games
Maurílio Silva
Universidade Federal de Campina GrandeCentro de Engenharia Elétrica e InformáticaDepartamento de Sistemas e Computação
Diіsciіpliіna de IІnteliіgênciіa Artiіfiіciіal
Profa. Dra. Joseana Fechine
AgendaAgenda➔ Introdução➔ Metodologia➔ Resultados➔ Análise dos resultados
IІntroduçãoIІntrodução➔ Jogos atuais
✔ Dificuldade fixa✔ Frustação
IІntroduçãoIІntrodução➔ Balanceamento de jogo
✔ Responsável por fornecer desafios✔ Chave para o sucesso✔ Evitar frustação✔ Implica modificar:
● Paramêntros● Dificuldade● Cenários
IІntroduçãoIІntrodução➔ Balanceamento tradicional
✔ Dificuldades fixa● Fácil, normal e difícil
✔ Falha● Existe uma grande variedade de
jogadores● Cada jogador tem habilidades e/ou
conhecimentos específicos● Jogador pode evoluir/crescer
durante o jogo
IІntroduçãoIІntrodução➔ Adaptative Game Content - AGC
✔ Balanceamento dinâmico ✔ Leva em conta o desempenho do jogador✔ Inimigos com inteligência aprimorada✔ Novos desafios✔ Novos cenários
IІntroduçãoIІntrodução➔ Procedural Content Generation - PCG
✔ Geração dinâmica de contéudo✔ Importante no desenvolvimento de jogos
● Fator replay● Desafios
IІntroduçãoIІntrodução➔ Search-based PCG
✔ Gerar-e-testar✔ Similar a um algoritmo genético
● Não determinístico● Função de avaliação (fitness) para medir a qualidade do que
foi gerado
MetodologiіaMetodologiіa➔ Jogo “Chuver”
✔ O que é?✔ Mecânica✔ Dificuldade
MetodologiіaMetodologiіa➔ Nível/intervalo de dificuldade no experimento
✔ Difícil● 0.75 até 1.40
✔ Normal● 1.40 até 1.85
✔ Fácil● 1.85 até 2.75
MetodologiіaMetodologiіa➔ Algoritmo genético
✔ População de 100 cromossomos✔ Representação binária dos cromossomos com 14bits✔ Taxa de mutação de 7,5%✔ Probabilidade de crossover de 55%✔ Intervalo de tolerância de 0.45 pontos✔ Uso de sorteio✔ Função fitness: soma da média aritmética dos cromossomos
MetodologiіaMetodologiіa➔ Aplicação do experimento
✔ Primeira etapa● Testers (7 a 53 anos)● Aparelhos Nokia C3-00/X3-02 e E61● Duas partidas seguidas, limitadas a 32 levels cada
Tempo de geração dos levels Dificuldade do level gerado Nível de dificuldade atual (na qual o jogador se encontra)
✔ Segunda etapa● Partida simulada de 1000 levels● Análise dos dados
ResultadosResultados➔ Jogador 1
✔ Algoritmo proposto● Menor: 1.75● Maior: 1.08● Fim do teste: 1.3
✔ Algoritmo Random● Menor (início): 1.89● Maior: 1.05 (fim do teste)
ResultadosResultados➔ Jogador 2
✔ Algoritmo proposto● Menor: 1.75● Maior: 1.30● Fim do teste: 1.45
✔ Algoritmo Random● Menor (início): 1.79● Maior: 1.20 (fim do teste)
ResultadosResultados➔ Jogador 3
✔ Algoritmo proposto● Menor: 1.75● Maior: 1.15● Fim do teste: 1.24
✔ Algoritmo Random● Menor (início): 1.84● Maior: 1.24 (fim do teste)
Análiіse dos ResultadosAnáliіse dos Resultados➔ Algoritmo proposto
✔ Comportamento similar ao Random nos momentos iniciais
✔ Segue o desenvolvimento do jogador✔ Ajuste da dificuldade✔ Pode ser utilizado em outros tipos de jogos
● Quebra-cabeças (puzzle)● Plataforma● Side scrolling
Dúviіdas!?Dúviіdas!?
Obriіgado!Obriі[email protected]
www.msilva.mobi@TK2k