一种用于修复GAN生成游戏关卡逻辑错误的混合方法

《ACM Transactions on Autonomous and Adaptive Systems》：A Hybrid Approach for Repairing Logic Errors in GAN-Generated Game Levels

　　随着深度学习的发展，越来越多的深度学习技术被应用于游戏关卡生成，从而减少了对领域知识的需求。其中，基于生成对抗网络（GANs）的关卡生成方法引起了广泛关注。然而，GAN生成的关卡存在逻辑错误，这可能与GAN模型本身的结构有关。为了解决这个问题，我们提出了一种基于贪心算法和深度学习的混合方法，用于修复关卡中的逻辑错误。该方法由三个基本组件组成：候选逻辑错误检测、图块选择和图块修复。整个修复过程由反复执行这三个组件构成。这些组件的设计基于对游戏关卡特征和关卡约束模型的分析，而该约束模型是通过深度学习在原始关卡上进行训练的。此外，我们建立了五种不同的修复策略来控制修复过程。我们在两个游戏关卡——《超级马里奥兄弟》（SMB）和《洛克人》（Lode Runner，LR）上测试了该方法，结果表明该方法在修复关卡的逻辑错误方面是有效的。本摘要由自动化工具生成，未经本文作者撰写或审核。此摘要旨在支持文献发现、帮助读者评估相关性，并协助相邻研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的主要摘要。全文仍为权威版本。点击此处了解有关ACM AI摘要的更多信息。点击此处对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来重新生成的版本。AI生成摘要基于已发表的文章文本由自动化系统生成。版本创建于2026年9月23日。本文提出了一种结合贪心算法和深度学习的混合方法，用于修复由生成对抗网络生成的游戏关卡中的逻辑错误。该工作解决了基于GAN的关卡生成的一个重大局限性：虽然GAN能够在不需要领域专业知识的情况下创建多样化的游戏内容，但它们经常产生存在逻辑错误的关卡，例如在《超级马里奥兄弟》中出现破坏管道的情况，违反了关卡约束条件。所提出的方法由三个核心组件组成，反复执行直到没有错误剩余。候选逻辑错误检测组件使用一种称为LCModel的深度学习模型来识别违反关卡约束的图块。图块选择组件使用基于LCModel特征分析的贪心策略来确定下一个修复哪个错误。图块修复组件用正确的图块替换有问题的图块。该方法还包括预处理，即扩展关卡边缘以将边界图块纳入修复范围。LCModel是一个在原始游戏关卡上训练的神经网络，它学习显式约束（严格的图块组合规则，如管道组件）和基于设计者意图的隐式约束。该模型以5×5的周围图块邻域作为输入，预测合适的中心图块类型的概率分布。通过分析，研究人员发现正确的图块受到周围错误的显著影响，而实际的错误无论周围环境如何，其概率始终保持较低。本文提出了五种图块选择策略，具有不同程度的随机性和修复难度考虑。策略1选择最可能的错误，策略2引入轻微随机性，策略3使用最大随机性，策略4优先考虑容易修复的图块，策略5平衡错误可能性与修复难度。不同的策略在不同复杂度级别下表现最优。在《超级马里奥兄弟》和《洛克人》上的实验证明了该方法的有效性。在对逻辑错误较少的关卡进行测试时，该方法成功修复了错误，比对比方法更好地保持了原始关卡的特征。在对损坏严重的关卡进行测试时，该方法能够处理大量错误，但不同策略的表现因约束复杂度而异。对于SMB等简单约束，所有策略均成功，但对于LR等复杂约束，强调随机性的策略证明更加有效。结果表明，该方法在修复时间上显著优于现有的进化算法方法，同时能够成功修复所有逻辑错误，而不仅仅是显式约束相关的错误。该研究承认了包括少数类别隐式约束图块因数据不平衡带来的挑战以及复杂修复过程中可能出现的死锁情况等局限性。未来的工作将集中于优化复杂约束的网络架构、改进数据不平衡处理，以及探索在一个游戏上训练的模型能否迁移到其他游戏，最终实现生成多样化的高质量关卡，以解决游戏开发中的数据集稀缺问题。本内容由AI生成。了解更多