Improving Super Mario level generation with perfect agents

Abstract

V moderních videohrách se k automatické tvorbě herního obsahu často využívá pro- cedurální generování, přičemž jedním z jeho klíčových využití je generování úrovní. Je nezbytné zajistit, aby takto generované úrovně byly skutečně dokončitelné, proto se tato práce zaměřuje na vylepšení jejich validace, konkrétně v kontextu hry Super Mario Bros. Hlavním cílem je zdokonalit stávající metodu vyhodnocování, která využívá umělé agenty, a to nahrazením běžně používaného agenta na bázi A*, vyvinutého Robinem Baumgarte- nem, výkonnějšími agenty od Davida Šosvalda. Tato práce navazuje na tři existující stu- die zabývající se generováním úrovní ve hře Super Mario Bros, z nichž všechny používaly Baumgartenova agenta pro hodnocení dokončitelnosti, přičemž dvě z nich ho využívaly i při samotném procesu generování. Tyto studie jsou podrobně rozebrány, včetně po- pisu jejich metodik. Jejich výsledky byly replikovány a rozšířeny použitím lepších agentů. Dále bylo provedeno srovnání mezi Baumgartenovým agentem a výkonnějšími agenty na základě úspěšnosti dokončení úrovní, rychlosti generování, konvergence fitness hodnot a schopnosti dosahovat cílů generování. Výsledky ukazují, že noví agenti dokončili větší počet generovaných úrovní, dosáhli lepších fitness hodnot v menším počtu generací a vytvořili úrovně, které lépe...

In modern video games, procedural content generation is widely used to automati- cally create game content, with one of its key applications being level generation. It is essential to ensure that these procedurally generated levels are playable, and this thesis focuses on enhancing the validation process specifically in the context of Super Mario Bros. The main objective is to improve the existing evaluation method, which utilizes artificial agents, by replacing the commonly used A*-based agent developed by Robin Baumgarten with more capable agents from David Šosvald. The thesis builds on three existing studies on Super Mario Bros. level generation, all of which used the Baum- garten's agent for playability evaluation, with two of them also employing it during the generation process itself. These studies are examined in detail, including their method- ologies. Their results were both replicated and extended using the improved agents. A comparative analysis was conducted between the original and improved agents based on level completion rates, generation speed, fitness convergence, and the extent to which generation goals were achieved. The results demonstrate that the new agents completed a higher number of generated levels, reached better fitness values in fewer generations, and produced levels that more...