Daha inandırıcı oyun karakterleri için bayes ve Q-learning tabanlı yaklaşım

Abstract

Oyun programlamada ulaşılmak istenen hedeflerden biri de gerçek hayatta yer alan kavramları ve karakterleri oyunlara uyarlamaktır. Bu yaklaşım, daha ilgi çekici hareketler sergileyen oyun karakterleri sunmak için benimsenmektedir. En yüksek ödül mantığını ele alan yöntemler oyun karakterinin aynı örüntüleri sergilemesine ve tekrara düşmesine sebep olur. Aynı zamanda bu durum oyunun oynanabilirliğini azaltır. Bu tür tekrarlayıcı kalıpları önlemek için, Naïve Bayes ile Q-öğrenme yaklaşımına dayalı bir davranış algoritması geliştirilmiştir. Geliştirilen algoritmanın geçerliliği kullanıcı testleri ile karşılaştırmalı olarak ortaya konulmuştur. Bu testler sonucunda, algoritmanın öğrenmede kullandığı oyun verisi miktarı arttıkça davranış öğrenme algoritmasının daha iyi bir performans gösterdiği ve oyun karakterinin daha ilgi çekici hale geldiği görülmüştür.

One of the goals of modern game programming is adapting the life-like characteristics and concepts into games. This approach is adopted to offer game agents that exhibit more engaging behavior. Methods that prioritize reward maximization cause the game agent to go into same patterns and lead to repetitive gaming experience, as well as reduced playability. In order to prevent such repetitive patterns, we explore a behavior algorithm based on Q-learning with a Naïve Bayes approach. The algorithm is validated in a formal user study in contrast to a benchmark. The results of the study demonstrate that the algorithm outperforms the benchmark and the game agent becomes more engaging as the amount of gameplay data, from which the algorithm learns, increases.