PCGRL: Procedural Content Generation via Reinforcement Learning
PCGRL: Procedural Content Generation via Reinforcement Learning
复制标题
PCGRL：通过强化学习生成程序内容
DOI：
10.1609/aiide.v16i1.7416
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
J. Togelius
中科院分区：
文献类型：
--
作者：
A. Khalifa;Philip Bontrager;Sam Earle;J. Togelius
我们研究如何使用强化学习来训练关卡设计代理。这代表了游戏中程序内容生成的一种新方法，其中关卡设计被构建为游戏，并且内容生成器本身是被学习的。通过将设计问题视为一个连续的任务，我们可以使用强化学习来学习如何采取下一步行动，从而最大化预期的最终关卡质量。当训练的例子很少或没有时，可以使用这种方法，并且训练后的生成器非常快。我们研究了将二维关卡设计问题转化为马尔可夫决策过程的三种不同方法，并将其应用于三种游戏环境。
We investigate how reinforcement learning can be used to train level-designing agents. This represents a new approach to procedural content generation in games, where level design is framed as a game, and the content generator itself is learned. By seeing the design problem as a sequential task, we can use reinforcement learning to learn how to take the next action so that the expected final level quality is maximized. This approach can be used when few or no examples exist to train from, and the trained generator is very fast. We investigate three different ways of transforming two-dimensional level design problems into Markov decision processes, and apply these to three game environments.
通用视频游戏人工智能：用于评估代理、游戏和内容生成算法的多轨框架
影响因子：
2.3
作者：
Perez-Liebana, Diego;Liu, Jialin;Khalifa, Ahmed;Gaina, Raluca D.;Togelius, Julian;Lucas, Simon M.
通讯作者：
Lucas, Simon M.
DOI：
--
发表时间：
2018-06
期刊：
arXiv: Learning
影响因子：
--
作者：
Niels Justesen;R. Torrado;Philip Bontrager;A. Khalifa;J. Togelius;S. Risi
通讯作者：
Niels Justesen;R. Torrado;Philip Bontrager;A. Khalifa;J. Togelius;S. Risi
DOI：
--
发表时间：
2016-11
期刊：
ArXiv
影响因子：
--
作者：
Barret Zoph;Quoc V. Le
通讯作者：
Barret Zoph;Quoc V. Le