АЛГОРИТМИ ТА МЕТОДИ ПРОЦЕДУРНОЇ ГЕНЕРАЦІЇ ТА АДАПТИВНОЇ СКЛАДНОСТІ РІВНІВ В ІГРАХ-ПЛАТФОРМЕРАХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.3.12Ключові слова:
процедурна генерація; шум Перліна; фрактальний шум; адаптивна складність; 2D-платформери; Unity; C++Анотація
Стаття присвячена дослідженню алгоритмів та методів процедурної генерації ігрового контенту й адаптивної складності в 2D-платформерах. Обґрунтовано актуальність підходів, що поєднують модульну архітектуру з динамічним налаштуванням складності відповідно до дій гравця, щоб забезпечити варіативність, повторюваність проходження та підтримку динамічності ігрового контенту. У роботі запропоновано пошарову (layered) модель проєктування рівнів, у якій послідовно формуються базові елементи середовища (ґрунт, платформи, перешкоди), а надбудови шарів (вороги, пастки, декорації) керуються узгодженими правилами розміщення. Ключову роль у створенні природної геометрії та керованої випадковості відіграють шум Перліна та його фрактальні розширення (octaves): комбінування кількох частот і амплітуд дає змогу поєднати великомасштабні контури з дрібними деталями рельєфу. Запропонована система адаптивної складності інтегрується у генератор шляхом зміни параметрів шуму (scale, persistence, octaves) і поведінкових характеристик ворогів (швидкість, частота атак, кількість), що визначаються індексом продуктивності гравця. Практичну реалізацію виконано у рушії Unity з використанням мови програмування C# та Tilemap-підходу; наведено приклади коду для побудови карти висот і підключення контролера адаптації. Розроблені алгоритми та методи є універсальними й можуть бути легко інтегровані в середовища C++, зокрема для рушіїв Unreal Engine та Cocos2d-x, що підтверджує їхню практичну придатність і міжплатформність. Показано, що такий комбінований підхід зберігає баланс між непередбачуваністю та керованістю, зменшує витрати на ручний дизайн рівнів і підвищує залучення користувачів завдяки персоналізованому ігровому досвіду. Отримані результати можуть бути застосовані у навчальних прототипах, інді-проєктах та як базис для подальших досліджень із використанням методів машинного навчання в генеративному геймдизайні.
Посилання
Горєлов, В. О., Іляш, Ю. Ю., Ровінський, В. А. (2018). Методи ущільнення даних та перетворення форми інформації у комп’ютерних іграх. Управління розвитком складних систем. № 35 c. 93-104.
Shaker, N., Togelius, J., & Nelson, M. J. (2016). Procedural content generation in games.: A Textbook and an Overview of Current Research. Springer. DOI: 10.1007/978-3-319-42716-4
Sepulveda, G. K., Besoain, F., & Barriga, N. A. (2019, November). Exploring dynamic difficulty adjustment in videogames. In 2019 IEEE CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies (CHILECON) (pp. 1-6). IEEE. DOI: 10.1109/CHILECON47746.2019.8988068
Hunicke, R. (2005, June). The case for dynamic difficulty adjustment in games. In Proceedings of the 2005 ACM SIGCHI International Conference on Advances in computer entertainment technology (pp. 429-433). DOI: 10.1145/1178477.1178573
Zohaib, M. (2018). Dynamic difficulty adjustment (DDA) in computer games: A review. Advances in Human‐Computer Interaction, 2018(1), 5681652. DOI: 10.1155/2018/5681652
Biemer, C. F. (2023, October). Dynamic difficulty adjustment via procedural level generation guided by a Markov decision process for platformers and roguelikes. In Proceedings of the AAAI Conference on Artificial Intelligence and Interactive Digital Entertainment (Vol. 19, No. 1, pp. 436-439). DOI: 10.1609/aiide.v19i1.27540
Togelius, J., Yannakakis, G. N., Stanley, K. O., & Browne, C. (2011). Search-based procedural content generation: A taxonomy and survey. IEEE Transactions on Computational Intelligence and AI in Games, 3(3), 172-186. DOI: 10.1109/TCIAIG.2011.2148116
Summerville, A., Snodgrass, S., Guzdial, M., Holmgård, C., Hoover, A. K., Isaksen, A., … & Togelius, J. (2018). Procedural content generation via machine learning (PCGML). IEEE Transactions on Games, 10(3), 257-270. DOI: 10.1109/TG.2018.2846639
Risi, S., & Togelius, J. (2020). Increasing generality in machine learning through procedural content generation. Nature Machine Intelligence, 2(8), 428-436.
González-Duque, M., Palm, R. B., Ha, D., & Risi, S. (2020, August). Finding game levels with the right difficulty in a few trials through intelligent trial-and-error. In 2020 IEEE Conference on Games (CoG) (pp. 503-510). IEEE. DOI: 10.1109/CoG47356.2020.9231548
Perlin, K. (1985). An image synthesizer. ACM Siggraph Computer Graphics, 19(3), 287-296. DOI: 10.1145/325165.325247
Dustler, M., Bakic, P., Petersson, H., Timberg, P., Tingberg, A., & Zackrisson, S. (2015, March). Application of the fractal Perlin noise algorithm for the generation of simulated breast tissue. In Medical Imaging 2015: Physics of Medical Imaging (Vol. 9412, pp. 844-852). SPIE. DOI: 10.1117/12.2081856
Risi, S., & Togelius, J. (2020). Increasing generality in machine learning through procedural content generation. Nature Machine Intelligence, 2(8), 428-436.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.






