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 PARAJUEGOS 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 principalexponente de la industria del entretenimientoDesde sus inicios han sido objeto de estudio,principalmente en el campo de la Inteligencia ArtificialHa existido tradicionalmente una brecha entre la industriay el mundo académicoSe ha establecido una sinergia entre ambas partesLa investigación en videojuegos incluye diversasdisciplinas:

PsicologíaMarketingSaludGráficos por computador



Áreas de IA/IC en videojuegos

Se han identificado 9 áreas en el campo de IA/IC envideojuegos (Yannakakis, 2014):

1 Aprendizaje de comportamientos (NPC)2 Búsqueda y planificación3 Modelado del jugador4 Generación automática de contenido5 Narrativa computacional6 Agentes creíbles7 Diseño de juegos asistido por IA8 IA genérica para videojuegos9 IA en videojuegos comerciales



Métodos usados para IA/IC en videojuegos

También se han identificado 6 métodos usados en las áreasanteriores:

1 Computación evolutiva2 Aprendizaje por refuerzo3 Aprendizaje supervisado4 Aprendizaje no supervisado5 Planificación6 Árboles de búsqueda



Contexto: generación automática de contenido

DefiniciónCreación automática de contenido indispensable y/u opcionalpara videojuegos mediante algoritmos

Ventajas

1 Consumo de memoria2 Reducción de costes3 Nuevas mecánicas de juego4 Adaptación del juego al jugador5 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 decontenido para videojuegos de estrategia en tiempo realusando algoritmos evolutivos.El contenido tiene que cumplir una serie de característicasorientadas a incrementar la satisfacción del jugador y que vanmás allá del mero cumplimiento de los requisitos funcionalespara que el mapa se considere jugable.



Contribuciones

1 Análisis de la red de co-autoría de la comunidad deinvestigación de Inteligencia Computacional y videojuegos.

2 Generador automático de mapas basado en algoritmosevolutivos para el juego de ETR Planet Wars y extensible aotros juegos del mismo género.

3 Planteamiento y estudio de dos propiedades deseablespara los mapas generados con el fin de incrementar lasatisfacción del jugador: equilibrio y dinamismo.

4 Estudio de la estética de los mapas siguiendo dosenfoques para su medición.



Índice

1 Introducción

2 Antecedentes








Géneros de videojuego



Juegos de estrategia en tiempo real

DefiniciónGénero de videojuegos en los cuales se requiere la gestión dediferentes tipos de unidades y recursos en tiempo real. Losjugadores posicionan y manejan unidades y estructuras paraasegurar áreas del mapa y/o destruir las de los oponentes.

Problemas que ofrecen los ETR (Buro, 2003)

Gestión de recursosRazonamiento espacialPlanificación estratégica en tiempo realModelado del jugador



Planet Wars: descripción

Juego de ETR basado en el Galcon y utilizado en GoogleAI Challenge 2010El objetivo es capturar todos los planetas del mapa yeliminar 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-gestiónRazonamiento 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)

Reconocimiento y predicción de estrategias

Minería de datos (Weber, 2009)Modelos jerárquicos (Schadd, 2011)

Juegos de ETR como entornos de prueba

Starcraft BWAPIORTS: Open-source Real-Time Strategy engine





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

Reconocimiento y predicción de estrategias

Minería de datos (Weber, 2009)Modelos jerárquicos (Schadd, 2011)








Reconocimiento y predicción de estrategiasMinería de datos (Weber, 2009)Modelos jerárquicos (Schadd, 2011)








Reconocimiento y predicción de estrategiasMinería de datos (Weber, 2009)Modelos jerárquicos (Schadd, 2011)

Juegos de ETR como entornos de pruebaStarcraft BWAPIORTS: 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 paravideojuegos. Identificar los temas menos tratados y centrar el foco dela tesis

KennethHullett

MartinSchwartz

LuigiPagliarini

HéctorPerez

Martínez

John Hallam

GeorgiosN.

Yannakakis

HenrikHautopLund

Jacob KaaeOlesen

SpyridonSamothrakis

Aisha A.Abdullahi

Jirí Jaros

JosefSchwarz

DavidRobles

EdgarGalvánLópez

Atif M.Alhejali

PetrPospichal

PhilippRohlfshagen

Eoin Murphy

ChristopherKuusela

Raja' S.Alomari

SylviaNguyen

ChristopherPedersen

AlbertoMoraglio Daniel

Ashlock

Colin Lee

AntoniosLiapis

ChrisPedersen

CameronMcGuinness

DaanWierstra

SergeyKarakovskiy

AlessandroCanossa

AndreasKonstantinidis

0002

Noor ShakerAndersDrachen

Niels vanHoorn

MichaelO'Neill

AnthonyBrabazon

TheodorosTheodoridis

PeterBurrow

MiguelNicolau

SimonM.

Lucas

M. J.LinhardtJan

QuadfliegDiegoPerez

Luca Galli LuigiCardamone

NicholasRogers

Mostafa Z.AliPier Luca

LanziMartin V.

ButzDanieleLoiacono

AlexandrosAgapitos

LeonardKinnaird-Heether

JulianTogelius

MattSimmerson

Renzo DeNardi

JoshuéPérezDavid A.

Pelta

EnriqueOnieva

Thies D.Lönneker

JavierAlonso Vicente

Milanés

RobertG.

Reynolds

AntonioCaiazzo

DanielCuadrado

GustavoRecio

EmilioMartín

YagoSáez

Pedro Isasi

MoisésMartínez

CristóbalLuque del

Arco-CalderónGloriaGarcía

AlessandroPietro

Bardelli

OscarSanjuánMartínez

JürgenSchmidhuber Tobias

Mahlmann

Tom Schaul

ChristophSalge

FrankSehnke

MandyGrüttner

Jan Koutník



Red de colaboración como un grafo

Es posible construir la red de colaboración como un grafo nodirigido 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 yw tienen en común



Obtención de los datos bibliográficos

Origen de los datos: Servicio web de la DBLP

Datos bibliográficos XML/JSON fácilmente tratablesWebscraper implementado en Python:

Conjunto de palabras clave de búsqueda en fichero externoLanza consultas al servicio web y va construyendo el grafocon los resultadosCada artículo tiene un ID único, solo se procesa una vez

Análisis de los resultados: Cytoscape, igraphTérminos 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.)




Origen de los datos: Servicio web de la DBLPDatos bibliográficos XML/JSON fácilmente tratables

Webscraper implementado en Python:







Origen de los datos: Servicio web de la DBLPDatos bibliográficos XML/JSON fácilmente tratablesWebscraper implementado en Python:









Análisis de los resultados: Cytoscape, igraph

Términos de búsqueda:




Resultados destacablesCampo vibrante y activo, con crecimiento acelerado en númerode autores

0

1000

2000

3000

4000

1997 1999 2001 2003 2005 2007 2009 2011año

núm

ero

de a

utor

es

Red

Acumulada

Efectiva

0

100

200

300

1997 2003 2009núm

ero

de a

rtícu

los



Resultados destacablesRed en fase de desarrollo, construyendo enlaces y ganandocohesión

0.1

1.0

1997 1999 2001 2003 2005 2007 2009 2011año

ratio

0.1

1.0

2001 2006 2011



Resultados destacables

Crecimiento de la red regido por vinculación preferente

1

10

100

1 10número de colaboradores previos

prob

abilid

ad re

lativ

a de

nue

vos

cola

bora

dore

s

1

10

100

1 10



Resultados destacables

Grado significativo de fidelidad en las colaboraciones

10

1000

0 1 2 3 4 5 6 7 8 9número de colaboraciones previas

prob

. rel

ativa

de

nuev

a co

labo

raci

ón

10

1000

0 1 2 3 4 5 6 7 8 9



Resultados destacablesIncremento en el número de comunidades pequeñas que seadhieren a la componente gigante

10

20

30

1997 1999 2001 2003 2005 2007 2009 2011año

tam

año

med

io d

e co

mun

idad

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

gamesgeneration

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 demutación auto-adaptativo, al igual que el número deplanetas.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 : realy: realtamaño: enteronúmero de naves: entero

parám. de mutación x: realparám. de mutación y: realparám. de mutación tamaño: realparám. de mutación # de naves: real



Representación y restricciones

Representación formal

Una solución del algoritmo es una lista [~⇢1, ~⇢2, · · · , ~⇢np ] dondecada ~⇢

i

es una tupla hxi

, y

i

, s

i

, w

i

i, con x

i

, y

i

2 [0.0, 15.0],s

i

2 [1, 5] y w

i

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 truncadoMutación: No se aplica si el parámetro mutado se sale delrango.



Operadores: mutación

Parámetros reales )

8<

:�

0i

= �

i

· e⌧ 0·N(0,1)+⌧ ·Ni(0,1)

x

0i

= x

i

+ �

i

·Ni

(0, 1)

Parámetros enteros )

8>>>>><

>>>>>:

&

0i

= max(1, &

i

· e⌧ ·N(0,1)+⌧ 0·Ni(0,1))

i

= 1� (&

0i

/m)

1 +

r1 +

⇣&

0im

⌘2!�1

z

0i

= z

i

+

jln(1�U(0,1))ln(1� i)

k�jln(1�U(0,1))ln(1� i)

k

con ⌧ 0 / 1/

p2n, ⌧ / 1/

p2

pn



Operadores: cruce

Padres

Hijos



Índice

1 Introducción

2 Antecedentes








Mejorando la experiencia de juego

Estado de la cuestiónGeneración automática de mapas que cumplan con las reglasdel juego: transitable, recursos accesibles, etc.

Mejorando la experiencia

Imponer características adicionales al contenido, más allá decumplir las reglas del juego:

Equilibrio El mapa no da ventaja a algún jugador sobre elresto.

Dinamismo El mapa fomenta las batallas entre los jugadoresasí como oscilaciones en las puntuaciones.



Sistema de torneos

Herramienta software para evaluar cada mapa:Ejecuta partidas entre un número arbitrario de oponentesCada jugador juega al menos una vez con cada oponenteObtiene estadísticas de los históricos de las partidas

Se han usado tres bots del top 100 (de 4600) del Google AIChallenge 2010 que estaban disponibles para descargar:

Manwe56, posición 11Fglider, posición 61Flagcapper, posición 91



Capturando el equilibrio: primer enfoque

equilibrio =

1

N

m

NmX

i=1

K

i

· ti

¯

P

i

+

¯

S

i

+ 1

!2

N

m

= número de partidasK

i

= porcentaje de planetas ocupadost

i

= número de turnos

¯

P

i

=

Ptij=1

��P (1)ij

� P

(2)ij

��t

i

, diferencia planetas controlados

¯

S

i

=

Ptij=1

��S(1)ij

� S

(2)ij

��t

i

, diferencia número de naves



Primeros resultados: evolución de equilibrio

0

50000

100000

150000

0 2500 5000 7500 10000evaluaciones

fitness



Primeros resultados: número de planetas

16

18

20

22

24

26

0 2500 5000 7500 10000evaluaciones

tam

año

mej

or in

divi

duo



Ejemplos de mapas equilibrados



Nuevas medidas de equilibrio

Desequilibrio territorial medio en número de planetasconquistados:

⇧i =1

⌧i

⌧iX

j=1

��⇡(1)

ij � ⇡

(2)

ij

��

Desequilibrio en el crecimiento:

�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/⌧max



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/⌧max

Ratio de conquista: ratio de planetas que han sido conquistadospor algún jugador

Ki = ⇡

(1)

i⌧max

+ ⇡

(2)

i⌧max

Ratio de reconquista: número de planetas que cambian depropietario

Zi =1

⌧i

⌧iX

j=1

⇣ij/np

Pico de diferencia: máxima diferencia en planetas (⇡),crecimiento (�) y naves (⇠)

�

�i = max

16j6⌧i

(�

(1)

ij � �

(2)

ij

�

(1)

ij + �

(2)

ij

)� mın

16j6⌧i

(�

(1)

ij � �

(2)

ij

�

(1)

ij + �

(2)

ij

)



Dinamismo basado en recursos

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 �

⇠es LO) entonces dyn es MED

5 si �

⇠es HI y (��

es LO o �

⇡es LO) entonces dyn es MED

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 largodel juego

B

i

=

1

⌧

i

⌧iX

j=1

�

ij

/n

p

Naves destruidas: ratio de naves generadas que han sidodestruidas a lo largo de la partida

S

i

= �

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



Dinamismo basado en la confrontación

Ratio de batallas: ratio de planetas bajo ataque a lo largodel juego

B

i

=

1

⌧

i

⌧iX

j=1

�

ij

/n

p

Naves destruidas: ratio de naves generadas que han sidodestruidas a lo largo de la partida

S

i

= �

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 10000evaluaciones

Recursos Confrontación

valo

r de

aptit

ud m

edio



Resultados: características de los mapas

15.00

20.00

25.00

30.00

Confrontación

Recursos

núm

ero

de p

lane

tas

2.00

3.00

4.00

5.00

6.00

Confrontación

Recursos

dist

anci

a m

edia

ent

re p

lane

tas

−0.50

−0.25

0.00

0.25

Confrontación

Recursos

corre

laci

ón ta

mañ

o−na

ves

0.90

1.00

1.10

1.20

1.30

1.40

Confrontación

Recursos

Des

v. tí

pica

tam

año

plan

etas



Resultados: mapas dinámicos

Basado en recursos Basado en confrontación



Equilibrio vs. Dinamismo

La convergencia del algoritmo es más lenta en el caso deldinamismoValores de aptitud para dinamismo en la franja media delrango, soluciones perfectas en el caso de equilibrioLa trayectoria del equilibrio no decrece cuando se optimizael dinamismoLa definición de dinamismo incluye equilibrio implicito: sihay desequilibrio, el pico de diferencia es menor que si hayequilibrio intermedio



Equilibrio y Dinamismo: enfoque multiobjetivo

0.20

0.25

0.30

0.35

0.40

0 2500 5000 7500 10000evaluaciones

hipervolúm

en

Enfoque

Auto−adaptativo

Aleatorio−fijo

0.25

0.30

0.35

0.40

0.45

0 2500 5000 7500 100000.10

0.15

0.20

0.25

0.30

0 2500 5000 7500 10000evaluaciones

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

hipe

rvol

umen

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 1.0equilibrio

dinamismo

Enfoque

Auto−adaptativo

Aleatorio−fijo



Resultados

El algoritmo con número de planetas auto-adaptativoconverge más rápido hacia buenos valores

La variante con el número de planetas fijado se comportamejor en los extremos del frente, mientras que laauto-adaptativa lo hace en la franja intermediaPropiedades de los mapas del frente:

Más planetas en la parte dinámica del frenteMayor separación entre planetas en la parte dinámica, conlocalización poco estructuradaTamaño de los planetas consistentes en todo el frente,aunque con dispersión superior en la zona del dinamismoCorrelación positiva entre tamaño del planeta y númeroinicial de naves en el extremo dinámico, prácticamente nulaen el extremo equilibrado



Resultados

El algoritmo con número de planetas auto-adaptativoconverge más rápido hacia buenos valoresLa variante con el número de planetas fijado se comportamejor en los extremos del frente, mientras que laauto-adaptativa lo hace en la franja intermedia

Propiedades de los mapas del frente:




Resultados

El algoritmo con número de planetas auto-adaptativoconverge más rápido hacia buenos valoresLa variante con el número de planetas fijado se comportamejor en los extremos del frente, mientras que laauto-adaptativa lo hace en la franja intermediaPropiedades de los mapas del frente:




Índice

1 Introducción

2 Antecedentes








¿Por qué la Estética?

Aunque se obtuvieron mapas equilibrados y dinámicos, tienenmala estética:

La idea: usar una función de evaluación que mida cómo deestético es un mapa generado



Midiendo la estética: geometría y morfología

Los mapas se caracterizan por una tupla: hµd

,�

d

, µ

s

,�

s

, ⇢iDistribución 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 eltamaño del planeta y el número de naves iniciales



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



Medidas topológicas

Número de componentes conectadasGrado medio de los nodosDensidad del grafo, proporción entre el número de aristasy nodosCoeficiente medio de clusteringCorrelación de Pearson entre el tamaño de los nodos y sucentralidad por interrelaciónCorrelación de Pearson entre el tamaño del nodo y sugradoAsortatividad por tamaño, es decir, correlación de Pearsonentre el tamaño de los nodos conectados



Evaluación de los mapas

Dos conjuntos de mapas etiquetados por un experto comoestéticos y no estéticosLos mapas generados se codifican como tuplas demedidasLa distancia euclídea entre tuplas define la similitud entremapasLos objetivos son:

Minimizar la distancia entre los mapas generados y los delgrupo de mapas estéticosMaximizar, a su vez, la distancia a los mapas etiquetadoscomo no estéticos, para introducir diversidad y evitar crearclones



Resultados

0

2

4

6

0.5 1.0distancia a estéticos

dist

anci

a a

no−e

stét

icos

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 0.6distancia a estéticos

dist

anci

a a

no−e

stét

icos

Estéticos

No estéticos

No dominados

Medidas topológicasDoctorado en Tecnologías Informáticas Generación automática de contenido para juegos ETR 46 / 54


Análisis cualitativo de las soluciones

Mapas auto-organizados de Kohonen

Se construyen dos SOM no toroidales de 32⇥ 32 unidadesde proceso, uno para cada enfoqueSe proyectan las soluciones del enfoque topológico en elSOM geométrico y viceversa



Comparativa

0.1

0.2

0.3

0.4

0.5

0.6

0.2 0.4 0.6distancia a estéticos

dist

anci

a a

no−e

stét

icos

Estéticos

No-estéticos

No−dominados (geométrico)0

2

4

6

0.25 0.50 0.75 1.00 1.25distancia a estéticos

dist

anci

a a

no−e

stét

icos

Estéticos

No−estéticos

No−dominados (topológico)



Índice

1 Introducción

2 Antecedentes








Conclusiones

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

2 IC y videojuegos: campo activo y vibrante, crecimientoregido por vinculación preferente y fidelidad en lascolaboraciones

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

4 Los dos enfoques de dinamismo (recursos yconfrontación) han resultado ortogonales. Además, existeuna correlación entre el dinamismo basado en laconfrontación y el equilibrio.

5 Tras el análisis conjunto se ha llegado a la conclusión deque un nivel medio de dinamismo es compatible con elequilbrio.



Conclusiones

6 Un enfoque multi-objetivo muestra que conforme aumentael equilibrio, el dinamismo desciende levemente, siendobrusco en los límites.

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

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

9 El análisis cruzado de las soluciones muestra que ambosenfoques (geométrico y topológico) son capaces degenerar mapas adecuados.

10 La diversidad de las soluciones del enfoque geométrico esmayor, además de encontrarse éstas más cerca delconjunto de mapas estéticos.



Trabajo futuro

Evolución interactiva, incorporando al humano en elproceso de evaluación de los mapas. Habría que tener encuenta la fatiga del usuario.Ya que han resultado una herramienta válida paracaracterizar los mapas, sería interesante evolucionar losgrafos de esfera de influencia y construir los mapas apartir de ellos.Estudiar el impacto en el rendimiento del generadorusando otro tipo de computación evolutiva.



Publicaciones: revistas

R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “On balance and dynamism inprocedural content generation with self-adaptive evolutionary algorithms,” NaturalComputing, vol. 13, num. 2, pp. 157–168, 2014Índice de impacto (ISI): 0.757Cuartil: Q3R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “An analysis of the structure andevolution of the scientific collaboration network of computer intelligence in games,”Physica A: Statistical Mechanics and its Applications, vol. 395, num. 0, pp. 523–536,2014Índice de impacto (ISI): 1.731Cuartil: Q2

R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Geometrical vs topologicalmeasures for the evolution of aesthetic maps in a RTS game,” EntertainmentComputing, vol. 5, num. 4, pp. 251–258, 2014R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Procedural contentgeneration for real-time strategy games,” International Journal of Interactive Multimediaand 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 aRTS game,” en 13th International Conference on Intelligent Games and Simulation -GAMEON 2012, 2012, pp. 53–58R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “A review of computationalintelligence in RTS games,” en Foundations of Computational Intelligence (FOCI),2013 IEEE Symposium on, 2013, pp. 114–121R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “A procedural balanced mapgenerator 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. 274–283R. Lara-Cabrera, C. Cotta, y A. J. Fernández-Leiva, “Using self-adaptive evolutionaryalgorithms to evolve dynamism-oriented maps for a real time strategy game,” enLarge-Scale Scientific Computing, ser. Lecture Notes in Computer Science. SpringerBerlin Heidelberg, 2014, vol. 8353, pp. 256–263

R. Lara-Cabrera, C. Cotta, y A. Fernández-Leiva, “A self-adaptive evolutionaryapproach to the evolution of aesthetic maps for a rts game,” en EvolutionaryComputation (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 realtime strategy game,” en I Simposio Español de Entretenimiento Digital. UniversidadComplutense de Madrid, 2013, pp. 61–71

R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Game artificialintelligence: Challenges for the scientific community,” en Actas del II Congreso de laSociedad Española para las Ciencias del Videojuego, Barcelona, España, 2015, pp.1–12R. Lara-Cabrera, M. Nogueira, C. Cotta, y A. J. Fernández-Leiva, “Optimización envideojuegos: retos para la comunidad científica,” en Actas del X Congreso Español deMetaheurísticas, Algoritmos Evolutivos y Bioinspirados, Mérida, España., 2015, pp.463–470


generación automática de contenido para juegos de estrategia en tiempo real

Technology