Generación automática de contenido para juegos de estrategia en tiempo real

Introducción Antecedentes Red de co-autoría Generador Experiencia Estética Conclusiones
GENERACIÓN AUTOMÁTICA DE CONTENIDO PARA
JUEGOS DE ESTRATEGIA EN TIEMPO REAL
Raúl Lara Cabrera
Directores
Antonio J. Fernández Leiva
Carlos Cotta Porras
Doctorado en Tecnologías Informáticas Generación automática de contenido para juegos ETR 0 / 54

Índice
1 Introducción
2 Antecedentes
3 Inteligencia computacional y videojuegos: red de co-autoría
4 Un generador automático de mapas
5 Mejora de la experiencia de juego
6 Evolución de la estética de los mapas
7 Conclusiones y trabajo futuro

Contexto: videojuegos
Los videojuegos se han convertido en el principal
exponente de la industria del entretenimiento
Desde sus inicios han sido objeto de estudio,
principalmente en el campo de la Inteligencia Artiﬁcial
Ha existido tradicionalmente una brecha entre la industria
y el mundo académico
Se ha establecido una sinergia entre ambas partes
La investigación en videojuegos incluye diversas
disciplinas:
Psicología
Marketing
Salud
Gráﬁcos por computador

Áreas de IA/IC en videojuegos
Se han identiﬁcado 9 áreas en el campo de IA/IC en
videojuegos (Yannakakis, 2014):
1 Aprendizaje de comportamientos (NPC)
2 Búsqueda y planiﬁcación
3 Modelado del jugador
4 Generación automática de contenido
5 Narrativa computacional
6 Agentes creíbles
7 Diseño de juegos asistido por IA
8 IA genérica para videojuegos
9 IA en videojuegos comerciales

Métodos usados para IA/IC en videojuegos
También se han identiﬁcado 6 métodos usados en las áreas
anteriores:
1 Computación evolutiva
2 Aprendizaje por refuerzo
3 Aprendizaje supervisado
4 Aprendizaje no supervisado
5 Planiﬁcación
6 Árboles de búsqueda

Contexto: generación automática de contenido
Deﬁnición
Creación automática de contenido indispensable y/u opcional
para videojuegos mediante algoritmos

Contexto: generación automática de contenido
Deﬁnición
Creación automática de contenido indispensable y/u opcional
para videojuegos mediante algoritmos
Ventajas
1 Consumo de memoria
2 Reducción de costes
3 Nuevas mecánicas de juego
4 Adaptación del juego al jugador
5 Fuente de inspiración

Clasificación de los algoritmos de GAC
Criterios de clasificación de los algoritmos de GAC (Togelius,
2011):
Momento de la generación Online Offline
Importancia del contenido Esencial Opcional
Inicialización del algoritmo Aleatorio Vector paramétrico
Mecanismo de generación Estocástico Determinista
Esquema de generación Constructivo Generación-test

Objetivo
Objetivo de la tesis
Deﬁnir una metodología para la generación automática de
contenido para videojuegos de estrategia en tiempo real
usando algoritmos evolutivos.
El contenido tiene que cumplir una serie de características
orientadas a incrementar la satisfacción del jugador y que van
más allá del mero cumplimiento de los requisitos funcionales
para que el mapa se considere jugable.

Contribuciones
1 Análisis de la red de co-autoría de la comunidad de
investigación de Inteligencia Computacional y videojuegos.
2 Generador automático de mapas basado en algoritmos
evolutivos para el juego de ETR Planet Wars y extensible a
otros juegos del mismo género.
3 Planteamiento y estudio de dos propiedades deseables
para los mapas generados con el ﬁn de incrementar la
satisfacción del jugador: equilibrio y dinamismo.
4 Estudio de la estética de los mapas siguiendo dos
enfoques para su medición.

Índice
1 Introducción
2 Antecedentes

Géneros de videojuego

Juegos de estrategia en tiempo real
Deﬁnición
Género de videojuegos en los cuales se requiere la gestión de
diferentes tipos de unidades y recursos en tiempo real. Los
jugadores posicionan y manejan unidades y estructuras para
asegurar áreas del mapa y/o destruir las de los oponentes.

Juegos de estrategia en tiempo real
Deﬁnición
Género de videojuegos en los cuales se requiere la gestión de
diferentes tipos de unidades y recursos en tiempo real. Los
jugadores posicionan y manejan unidades y estructuras para
asegurar áreas del mapa y/o destruir las de los oponentes.
Problemas que ofrecen los ETR (Buro, 2003)
Gestión de recursos
Razonamiento espacial
Planiﬁcación estratégica en tiempo real
Modelado del jugador

Planet Wars: descripción
Juego de ETR basado en el Galcon y utilizado en Google
AI Challenge 2010
El objetivo es capturar todos los planetas del mapa y
eliminar las naves de los oponentes

Generación de contenido para juegos de ETR
Generación automática de mapas: (Togelius, 2010),
(Frade, 2010)
Reglas del juego: (Mahlmann, 2011a)
Tipos de unidades: (Mahlmann, 2011b)
Otro contenido aplicable a los ETR:
Música: (Collins, 2009)
Modelos 3D: (Cutler, 2002)

Juegos ETR e Inteligencia Artiﬁcial
Planiﬁcación de estrategias: macro-gestión
Razonamiento basado en casos (Aha, 2005)
Aprendizaje computacional (Sharma, 2007)
Scripting dinámico (Spronck, 2004)

Micro-gestión
Campos potenciales (Hagelbäck, 2012)
Esquemas multi-agentes (Hagelbäck, 2008)
Agrupación de unidades con mapas auto-organizados
(Preuss, 2009)

Micro-gestión
(Preuss, 2009)
Reconocimiento y predicción de estrategias
Minería de datos (Weber, 2009)
Modelos jerárquicos (Schadd, 2011)

Micro-gestión
(Preuss, 2009)
Reconocimiento y predicción de estrategias
Minería de datos (Weber, 2009)
Modelos jerárquicos (Schadd, 2011)
Juegos de ETR como entornos de prueba
Starcraft BWAPI
ORTS: Open-source Real-Time Strategy engine

Índice
1 Introducción
2 Antecedentes

Red de co-autoría
Objetivo
Analizar la mecánica de las contribuciones en el campo de la IC para
videojuegos. Identiﬁcar los temas menos tratados y centrar el foco de
la tesis
Kenneth
Hullett
Martin
Schwartz
Luigi
Pagliarini
Héctor
Perez
Martínez
John Hallam
Georgios
N.
Yannakakis
Henrik
Hautop
Lund
Jacob Kaae
Olesen
Spyridon
Samothrakis
Aisha A.
Abdullahi
Jirí Jaros
Josef
Schwarz
David
Robles
Edgar
Galván
López
Atif M.
Alhejali
Petr
Pospichal
Philipp
Rohlfshagen
Eoin Murphy
Christopher
Kuusela
Raja' S.
Alomari
Sylvia
Nguyen
Christopher
Pedersen
Alberto
Moraglio
Daniel
Ashlock
Colin Lee
Antonios
Liapis
Chris
Pedersen
Cameron
McGuinness
Daan
Wierstra
Sergey
Karakovskiy
Alessandro
Canossa
Andreas
Konstantinidis
0002
Noor Shaker
Anders
Drachen
Niels van
Hoorn
Michael
O'Neill
Anthony
Brabazon
Theodoros
Theodoridis
Peter
Burrow
Miguel
Nicolau
Simon
M.
Lucas
M. J.
LinhardtJan
QuadﬂiegDiego
Perez
Luca Galli
Luigi
Cardamone
Nicholas
Rogers
Mostafa Z.
AliPier Luca
Lanzi
Martin V.
Butz
Daniele
Loiacono
Alexandros
Agapitos
Leonard
Kinnaird-Heether
Julian
Togelius
Matt
Simmerson
Renzo De
Nardi
Joshué
PérezDavid A.
Pelta
Enrique
Onieva
Thies D.
Lönneker
Javier
Alonso Vicente
Milanés
Robert
G.
Reynolds
Antonio
Caiazzo
Daniel
Cuadrado
Gustavo
Recio
Emilio
Martín
Yago
Sáez
Pedro Isasi
Moisés
Martínez
Cristóbal
Luque del
Arco-Calderón
Gloria
García
Alessandro
Pietro
Bardelli
Oscar
Sanjuán
Martínez
Jürgen
Schmidhuber Tobias
Mahlmann
Tom Schaul
Christoph
Salge
Frank
Sehnke
Mandy
Grüttner
Jan Koutník

Red de colaboración como un grafo
Es posible construir la red de colaboración como un grafo no
dirigido con pesos
G(V, E, W) (1)
en el cual cada vértice v 2 V representa un autor y cada arista
(v, w) 2 E ✓ V ⇥ V indica que v y w son co-autores
Por su parte, W es una función
W : E ! N+
(2)
tal que W((v, w)) es el número de artículos que los autores v y
w tienen en común

Obtención de los datos bibliográﬁcos
Origen de los datos: Servicio web de la DBLP

Datos bibliográﬁcos XML/JSON fácilmente tratables

Webscraper implementado en Python:
Conjunto de palabras clave de búsqueda en ﬁchero externo
Lanza consultas al servicio web y va construyendo el grafo
con los resultados
Cada artículo tiene un ID único, solo se procesa una vez

con los resultados
Análisis de los resultados: Cytoscape, igraph

con los resultados
Análisis de los resultados: Cytoscape, igraph
Términos de búsqueda:
Conferencias y revistas directamente relacionadas (CIG,
TCIAIG, etc.)
Revistas y conferencias de IC + palabras clave (game,
player, etc.)
Palabras clave combinadas (fuzzy, evol*, genetic, game,
puzzle, player, etc.)

Resultados destacables
Campo vibrante y activo, con crecimiento acelerado en número
de autores
0
1000
2000
3000
4000
1997 1999 2001 2003 2005 2007 2009 2011
año
númerodeautores
Red
Acumulada
Efectiva
0
100
200
300
1997 2003 2009
númerodeartículos

Red en fase de desarrollo, construyendo enlaces y ganando
cohesión
0.1
1.0
1997 1999 2001 2003 2005 2007 2009 2011
año
ratio
0.1
1.0
2001 2006 2011

Crecimiento de la red regido por vinculación preferente
1
10
100
1 10
número de colaboradores previos
probabilidadrelativadenuevoscolaboradores
1
10
100
1 10

Grado signiﬁcativo de ﬁdelidad en las colaboraciones
10
1000
0 1 2 3 4 5 6 7 8 9
número de colaboraciones previas
prob.relativadenuevacolaboración
10
1000
0 1 2 3 4 5 6 7 8 9

Incremento en el número de comunidades pequeñas que se
adhieren a la componente gigante
10
20
30
1997 1999 2001 2003 2005 2007 2009 2011
año
tamañomediodecomunidad
Red
Acumulada
Efectiva
0
5
10
15
20
25
1997 2001 2005 2009

Análisis de la temática de los artículos
genetic
algorithms
competition
evolution
computational
2009
intelligence
2010
racing
simulated
diﬀerence
mario
controller
pac-man
driving
learning
torcs
track
temporal
games
generation
ieee
automatic
interactive
challenge
strategy
entertainment
player
optimizing
procedural
modeling
content
creation

Índice
1 Introducción
2 Antecedentes

Descripción del algoritmo
Estrategia de evolución
Planetas deﬁnidos por propiedades heterogéneas.
Cada propiedad tiene su correspondiente parámetro de
mutación auto-adaptativo, al igual que el número de
planetas.
Esquema generacional (µ + ) con selección aleatoria.

Descripción del algoritmo
Estrategia de evolución
Planetas deﬁnidos por propiedades heterogéneas.
Cada propiedad tiene su correspondiente parámetro de
mutación auto-adaptativo, al igual que el número de
planetas.
Esquema generacional (µ + ) con selección aleatoria.
Esquema de generación y prueba
1 Generación de un conjunto de mapas.
2 Evaluación de la aptitud del contenido en base a los
objetivos o propiedades deseadas.

Representación de los individuos
...
Array de planetas (longitud variable)
Planeta
x : real
y: real
tamaño: entero
número de naves: entero
parám. de mutación x: real
parám. de mutación y: real
parám. de mutación tamaño: real
parám. de mutación # de naves: real

Representación y restricciones
Representación formal
Una solución del algoritmo es una lista [~⇢1, ~⇢2, · · · , ~⇢np ] donde
cada ~⇢i es una tupla hxi, yi, si, wii, con xi, yi 2 [0.0, 15.0],
si 2 [1, 5] y wi 2 [1, 100], además de 4 parámetros x, y, &s, &w
que controlan la mutación de los planetas.

Representación y restricciones
Representación formal
Una solución del algoritmo es una lista [~⇢1, ~⇢2, · · · , ~⇢np ] donde
cada ~⇢i es una tupla hxi, yi, si, wii, con xi, yi 2 [0.0, 15.0],
si 2 [1, 5] y wi 2 [1, 100], además de 4 parámetros x, y, &s, &w
que controlan la mutación de los planetas.
Soluciones no válidas
Cruce: control en los puntos de cruce y truncado
Mutación: No se aplica si el parámetro mutado se sale del
rango.

Operadores: mutación
Parámetros reales )
8
<
:
0
i = i · e⌧0·N(0,1)+⌧·Ni(0,1)
x0
i = xi + i · Ni(0, 1)
Parámetros enteros )
8
>>>>><
>>>>>:
&0
i = m´ax(1, &i · e⌧·N(0,1)+⌧0·Ni(0,1))
i = 1 (&0
i/m) 1 +
r
1 +
⇣
&0
i
m
⌘2
! 1
z0
i = zi +
j
ln(1 U(0,1))
ln(1 i)
k j
ln(1 U(0,1))
ln(1 i)
k
con ⌧0 / 1/
p
2n, ⌧ / 1/
p
2
p
n

Operadores: cruce
Padres
Hijos

Índice
1 Introducción
2 Antecedentes

Mejorando la experiencia de juego
Estado de la cuestión
Generación automática de mapas que cumplan con las reglas
del juego: transitable, recursos accesibles, etc.

Mejorando la experiencia de juego
Estado de la cuestión
Generación automática de mapas que cumplan con las reglas
del juego: transitable, recursos accesibles, etc.
Mejorando la experiencia
Imponer características adicionales al contenido, más allá de
cumplir las reglas del juego:
Equilibrio El mapa no da ventaja a algún jugador sobre el
resto.
Dinamismo El mapa fomenta las batallas entre los jugadores
así como oscilaciones en las puntuaciones.

Sistema de torneos
Herramienta software para evaluar cada mapa:
Ejecuta partidas entre un número arbitrario de oponentes
Cada jugador juega al menos una vez con cada oponente
Obtiene estadísticas de los históricos de las partidas

Sistema de torneos
Herramienta software para evaluar cada mapa:
Ejecuta partidas entre un número arbitrario de oponentes
Cada jugador juega al menos una vez con cada oponente
Obtiene estadísticas de los históricos de las partidas
Se han usado tres bots del top 100 (de 4600) del Google AI
Challenge 2010 que estaban disponibles para descargar:
Manwe56, posición 11
Fglider, posición 61
Flagcapper, posición 91

Capturando el equilibrio: primer enfoque
equilibrio =
1
Nm
NmX
i=1
Ki · ti
¯Pi + ¯Si + 1
!2

equilibrio =
1
Nm
NmX
i=1
Ki · ti
¯Pi + ¯Si + 1
!2
Nm = número de partidas
Ki = porcentaje de planetas ocupados
ti = número de turnos

equilibrio =
1
Nm
NmX
i=1
Ki · ti
¯Pi + ¯Si + 1
!2
Nm = número de partidas
Ki = porcentaje de planetas ocupados
ti = número de turnos
¯Pi =
Pti
j=1 P
(1)
ij P
(2)
ij
ti
, diferencia planetas controlados
¯Si =
Pti
j=1 S
(1)
ij S
(2)
ij
ti
, diferencia número de naves

Primeros resultados: evolución de equilibrio
0
50000
100000
150000
0 2500 5000 7500 10000
evaluaciones
fitness

Primeros resultados: número de planetas
16
18
20
22
24
26
0 2500 5000 7500 10000
evaluaciones
tamañomejorindividuo

Ejemplos de mapas equilibrados

Nuevas medidas de equilibrio
Desequilibrio territorial medio en número de planetas
conquistados:
⇧i =
1
⌧i
⌧iX
j=1
⇡
(1)
ij ⇡
(2)
ij

conquistados:
⇧i =
1
⌧i
⌧iX
j=1
⇡
(1)
ij ⇡
(2)
ij
Desequilibrio en el crecimiento:
i =
1
⌧i
⌧iX
j=1
(1)
ij
(2)
ij

conquistados:
⇧i =
1
⌧i
⌧iX
j=1
⇡
(1)
ij ⇡
(2)
ij
i =
1
⌧i
⌧iX
j=1
(1)
ij
(2)
ij
Desequilibrio en naves:
⌅i =
1
⌧i
⌧iX
j=1
⇠
(1)
ij ⇠
(2)
ij

conquistados:
⇧i =
1
⌧i
⌧iX
j=1
⇡
(1)
ij ⇡
(2)
ij
i =
1
⌧i
⌧iX
j=1
(1)
ij
(2)
ij
Desequilibrio en naves:
⌅i =
1
⌧i
⌧iX
j=1
⇠
(1)
ij ⇠
(2)
ij
Duración de la partida: Ti = ⌧i/⌧m´ax

Capturando el equilibrio
Reglas difusas para el equilibrio bal
1 si ⇧ es LO y es LO entonces bal es HI
2 si ⇧ es HI y es LO y ⌅ es LO entonces bal es MED
3 si (⇧ es LO y es HI) o T es LO entonces bal es LO
Funciones de pertenencia a los conjuntos difusos:
LO HI
0
1
0 1
LO HIMED
0
1
0 1

Dinamismo basado en recursos
Longitud de la partida: Ti = ⌧i/⌧m´ax

Ratio de conquista: ratio de planetas que han sido conquistados
por algún jugador
Ki = ⇡
(1)
i⌧m´ax
+ ⇡
(2)
i⌧m´ax

por algún jugador
Ki = ⇡
(1)
i⌧m´ax
+ ⇡
(2)
i⌧m´ax
Ratio de reconquista: número de planetas que cambian de
propietario
Zi =
1
⌧i
⌧iX
j=1
⇣ij/np

por algún jugador
Ki = ⇡
(1)
i⌧máx
+ ⇡
(2)
i⌧máx
Ratio de reconquista: número de planetas que cambian de
propietario
Zi =
1
⌧i
⌧iX
j=1
⇣ij/np
Pico de diferencia: máxima diferencia en planetas (⇡),
crecimiento ( ) y naves (⇠)
i = máx
16j6⌧i
( (1)
ij
(2)
ij
(1)
ij +
(2)
ij
)
m´ın
16j6⌧i
( (1)
ij
(2)
ij
(1)
ij +
(2)
ij
)

Reglas difusas
1 si K es HI y Z es HI entonces dyn es HI
2 si ⇡
es HI y es HI y ⇠
es HI entonces dyn es HI
3 si ⇡
es HI y ( es LO o ⇠
es LO) entonces dyn es MED
4 si es HI y ( ⇡
es LO o ⇠
5 si ⇠
es HI y ( es LO o ⇡
6 si ⇡
es LO y es LO y ⇠
es LO entonces dyn es LO
7 si K es LO o Z es LO o T es muy LO entonces dyn es LO

Dinamismo basado en la confrontación
Ratio de batallas: ratio de planetas bajo ataque a lo largo
del juego
Bi =
1
⌧i
⌧iX
j=1
ij/np

del juego
Bi =
1
⌧i
⌧iX
j=1
ij/np
Naves destruidas: ratio de naves generadas que han sido
destruidas a lo largo de la partida
Si = i/ i

del juego
Bi =
1
⌧i
⌧iX
j=1
ij/np
Naves destruidas: ratio de naves generadas que han sido
destruidas a lo largo de la partida
Si = i/ i
Reglas difusas:
1 si B es HI y S es HI entonces dyn es HI
2 si (B es HI y S es LO) o (B es LO y S es HI) entonces dyn
es MED
3 si B es LO y S es LO entonces dyn es LO

Resultados: valor de aptitud
Basado en confrontación Basado en recursos Equilibrio
0.3
0.4
0.5
0.6
0.7
0 2500 5000 7500 10000 0 2500 5000 7500 10000 0 2500 5000 7500 10000
evaluaciones
Recursos Confrontación
valordeaptitudmedio

Resultados: características de los mapas
15.00
20.00
25.00
30.00
Confrontación
Recursos
númerodeplanetas
2.00
3.00
4.00
5.00
6.00
Confrontación
Recursos
distanciamediaentreplanetas
−0.50
−0.25
0.00
0.25
Confrontación
Recursos
correlacióntamaño−naves 0.90
1.00
1.10
1.20
1.30
1.40
Confrontación
Recursos
Desv.típicatamañoplanetas

Resultados: mapas dinámicos
Basado en recursos Basado en confrontación

Equilibrio vs. Dinamismo
La convergencia del algoritmo es más lenta en el caso del
dinamismo
Valores de aptitud para dinamismo en la franja media del
rango, soluciones perfectas en el caso de equilibrio
La trayectoria del equilibrio no decrece cuando se optimiza
el dinamismo
La deﬁnición de dinamismo incluye equilibrio implicito: si
hay desequilibrio, el pico de diferencia es menor que si hay
equilibrio intermedio

Equilibrio y Dinamismo: enfoque multiobjetivo
0.20
0.25
0.30
0.35
0.40
0 2500 5000 7500 10000
evaluaciones
hipervolúmen
Enfoque
Auto−adaptativo
Aleatorio−fijo
0.25
0.30
0.35
0.40
0.45
0 2500 5000 7500 10000
0.10
0.15
0.20
0.25
0.30
0 2500 5000 7500 10000
evaluaciones
R2 Enfoque
Auto−adaptativo
Aleatorio−fijo
0.04
0.08
0.12
0 2500 5000 7500 10000

Equilibrio y Dinamismo: enfoque multiobjetivo
0.32
0.36
0.40
Auto−adapt. Aleat. fijo
hipervolumen
0.06
0.08
0.10
0.12
0.14
Auto−adapt. Aleat. fijo
R2
0.0
0.2
0.4
0.6
0.6 0.8 1.0
equilibrio
dinamismo
Enfoque
Auto−adaptativo
Aleatorio−fijo

Resultados
El algoritmo con número de planetas auto-adaptativo
converge más rápido hacia buenos valores

Resultados
La variante con el número de planetas ﬁjado se comporta
mejor en los extremos del frente, mientras que la
auto-adaptativa lo hace en la franja intermedia

Resultados
La variante con el número de planetas ﬁjado se comporta
mejor en los extremos del frente, mientras que la
auto-adaptativa lo hace en la franja intermedia
Propiedades de los mapas del frente:
Más planetas en la parte dinámica del frente
Mayor separación entre planetas en la parte dinámica, con
localización poco estructurada
Tamaño de los planetas consistentes en todo el frente,
aunque con dispersión superior en la zona del dinamismo
Correlación positiva entre tamaño del planeta y número
inicial de naves en el extremo dinámico, prácticamente nula
en el extremo equilibrado

Índice
1 Introducción
2 Antecedentes

¿Por qué la Estética?
Aunque se obtuvieron mapas equilibrados y dinámicos, tienen
mala estética:
La idea: usar una función de evaluación que mida cómo de
estético es un mapa generado

Midiendo la estética: geometría y morfología
Los mapas se caracterizan por una tupla: hµd, d, µs, s, ⇢i
Distribución geométrica de los planetas
µd distancia media entre todos los planetas
d desviación típica de las distancias anteriores
Características de los planetas:
µs es el tamaño medio del planeta
s es la desviación típica de los tamaños
⇢ es el coeﬁciente de correlación de Pearson entre el
tamaño del planeta y el número de naves iniciales

Midiendo la estética: topología y SIG
Las propiedades topológicas del mapa se obtienen del grafo de
esferas de inﬂuencia (SIG)

Medidas topológicas
Número de componentes conectadas
Grado medio de los nodos
Densidad del grafo, proporción entre el número de aristas
y nodos
Coeﬁciente medio de clustering
Correlación de Pearson entre el tamaño de los nodos y su
centralidad por interrelación
Correlación de Pearson entre el tamaño del nodo y su
grado
Asortatividad por tamaño, es decir, correlación de Pearson
entre el tamaño de los nodos conectados

Evaluación de los mapas
Dos conjuntos de mapas etiquetados por un experto como
estéticos y no estéticos
Los mapas generados se codiﬁcan como tuplas de
medidas
La distancia euclídea entre tuplas deﬁne la similitud entre
mapas
Los objetivos son:
Minimizar la distancia entre los mapas generados y los del
grupo de mapas estéticos
Maximizar, a su vez, la distancia a los mapas etiquetados
como no estéticos, para introducir diversidad y evitar crear
clones

Resultados
0
2
4
6
0.5 1.0
distancia a estéticos
distanciaano−estéticos
Estéticos
No estéticos
No dominados
Medidas geométricas
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.2 0.4 0.6
Estéticos
No estéticos
No dominados
Medidas topológicas

Análisis cualitativo de las soluciones
Mapas auto-organizados de Kohonen
Se construyen dos SOM no toroidales de 32 ⇥ 32 unidades
de proceso, uno para cada enfoque
Se proyectan las soluciones del enfoque topológico en el
SOM geométrico y viceversa

Comparativa
0.1
0.2
0.3
0.4
0.5
0.6
0.2 0.4 0.6
Estéticos
No-estéticos
No−dominados (geométrico)
0
2
4
6
0.25 0.50 0.75 1.00 1.25
Estéticos
No−estéticos
No−dominados (topológico)

Índice
1 Introducción
2 Antecedentes

Conclusiones
1 Es posible utilizar estrategias de evolución como núcleo de
un generador automático de mapas para juegos ETR.

Conclusiones
2 IC y videojuegos: campo activo y vibrante, crecimiento
regido por vinculación preferente y ﬁdelidad en las
colaboraciones

Conclusiones
colaboraciones
3 El equilibrio en los mapas generados se consigue, en la
mayoría de los casos, por la pasividad de los jugadores.

Conclusiones
colaboraciones
4 Los dos enfoques de dinamismo (recursos y
confrontación) han resultado ortogonales. Además, existe
una correlación entre el dinamismo basado en la
confrontación y el equilibrio.

Conclusiones
colaboraciones
4 Los dos enfoques de dinamismo (recursos y
confrontación) han resultado ortogonales. Además, existe
una correlación entre el dinamismo basado en la
confrontación y el equilibrio.
5 Tras el análisis conjunto se ha llegado a la conclusión de
que un nivel medio de dinamismo es compatible con el
equilbrio.

Conclusiones
6 Un enfoque multi-objetivo muestra que conforme aumenta
el equilibrio, el dinamismo desciende levemente, siendo
brusco en los límites.

Conclusiones
7 El dinamismo parece estar relacionado con un elevado
número de planetas distribuídos de forma dispersa, con
tamaños correlacionados con el número inicial de naves.

Conclusiones
8 Con respecto a la estética, hay una relación lineal entre la
diferencia con los mapas estéticos y los que no lo son.

Conclusiones
9 El análisis cruzado de las soluciones muestra que ambos
enfoques (geométrico y topológico) son capaces de
generar mapas adecuados.

Conclusiones
9 El análisis cruzado de las soluciones muestra que ambos
enfoques (geométrico y topológico) son capaces de
generar mapas adecuados.
10 La diversidad de las soluciones del enfoque geométrico es
mayor, además de encontrarse éstas más cerca del
conjunto de mapas estéticos.

Trabajo futuro
Evolución interactiva, incorporando al humano en el
proceso de evaluación de los mapas. Habría que tener en
cuenta la fatiga del usuario.
Ya que han resultado una herramienta válida para
caracterizar los mapas, sería interesante evolucionar los
grafos de esfera de inﬂuencia y construir los mapas a
partir de ellos.
Estudiar el impacto en el rendimiento del generador
usando otro tipo de computación evolutiva.

Publicaciones: revistas
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “On balance and dynamism in
procedural content generation with self-adaptive evolutionary algorithms,” Natural
Computing, vol. 13, num. 2, pp. 157–168, 2014
Índice de impacto (ISI): 0.757
Cuartil: Q3
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “An analysis of the structure and
evolution of the scientiﬁc collaboration network of computer intelligence in games,”
Physica A: Statistical Mechanics and its Applications, vol. 395, num. 0, pp. 523–536,
2014
Índice de impacto (ISI): 1.731
Cuartil: Q2
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Geometrical vs topological
measures for the evolution of aesthetic maps in a RTS game,” Entertainment
Computing, vol. 5, num. 4, pp. 251–258, 2014
R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Procedural content
generation for real-time strategy games,” International Journal of Interactive Multimedia
and Artiﬁcial Intelligence, vol. 3, num. 2, pp. 40–48, 2015

Publicaciones: congresos
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Procedural map generation for a
RTS game,” en 13th International Conference on Intelligent Games and Simulation -
GAMEON 2012, 2012, pp. 53–58
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “A review of computational
intelligence in RTS games,” en Foundations of Computational Intelligence (FOCI),
2013 IEEE Symposium on, 2013, pp. 114–121
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “A procedural balanced map
generator with self-adaptive complexity for the real-time strategy game Planet Wars,”
en Applications of evolutionary computation, ser. Lecture Notes in Computer Science.
Springer Berlin Heidelberg, 2013, vol. 7835, pp. 274–283
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Using self-adaptive evolutionary
algorithms to evolve dynamism-oriented maps for a real time strategy game,” en
Large-Scale Scientiﬁc Computing, ser. Lecture Notes in Computer Science. Springer
Berlin Heidelberg, 2014, vol. 8353, pp. 256–263
R. Lara-Cabrera, C. Cotta, y A. Fernández-Leiva, “A self-adaptive evolutionary
approach to the evolution of aesthetic maps for a rts game,” en Evolutionary
Computation (CEC), 2014 IEEE Congress on, 2014, pp. 298–304

Publicaciones: congresos
R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Evolving aesthetic maps for a real
time strategy game,” en I Simposio Español de Entretenimiento Digital. Universidad
Complutense de Madrid, 2013, pp. 61–71
R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Game artificial
intelligence: Challenges for the scientific community,” en Actas del II Congreso de la
Sociedad Española para las Ciencias del Videojuego, Barcelona, España, 2015, pp.
1–12
R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Optimización en
videojuegos: retos para la comunidad científica,” en Actas del X Congreso Español de
Metaheurísticas, Algoritmos Evolutivos y Bioinspirados, Mérida, España., 2015, pp.
463–470

Generación automática de contenido para juegos de estrategia en tiempo real

Recomendados

Recomendados

Más contenido relacionado

Similar a Generación automática de contenido para juegos de estrategia en tiempo real

Similar a Generación automática de contenido para juegos de estrategia en tiempo real (20)

Más de keldon_spain

Más de keldon_spain (6)

Último

Último (19)

Generación automática de contenido para juegos de estrategia en tiempo real

Notas del editor