pcg in first person shooter games through player modeling - documentation

FPS

Adaptive Game Content Generation for FPS Games

شاكر محمد اسماعيل أبو عبد اهلل

مهدي زوجي محمد حسه سرحان

د. عمار جوخدار وور شاكر م.

2012

June 24, 2012 [STYX ADAPTIVE FPS CONTENT GENERATION]

1

Contents 7 .......................................................................................................................................................... إهداء

Abstract ........................................................................................................................................ 11 بتجرد

11 .............................................................................................................................. المشروع مقدمة .1

11 .......................................................................................................................................... مقدمة .1.1

11 ............................................................................................................................... مفتاحة كلمات .1.1

17 ............................................................................................................................. مشابهة دراسات .1

17 ............................................................................................................................. مشابهة دراسات .1.1

Galactic Arms Race (GAR) ........................................................................ 17 المجرة التسلح سباق لعبة .1.1

based procedural content -constraint المحتوى لتولد مقدة رابةإج طرق عن فضاء سفنة إنشاء تصمم .1.1

generation (PCG) ...................................................................... 12

Procedural Content Generation (PCG) ................................................ 12 إجراب بشكل المحتوى تولد .1

12 .......................................................................................................................................... مقدمة .1.1

12 .............................................................................................................. التلقاب المحتوى تولد أقسام .1.1

12 ...................................................................................................... التطور أثناء والبناء المباشر البناء .1.1

17 ............................................................................................. اإلختاري والمحتوى الضروري المحتوى .1.3

17 .................................................................................................................................... المعامالت .1.2

17 .......................................................................................................... المحدد والتولد العشواب التولد .1.2

12 .......................................................................................... البناءة والخوارزمات اختبر-ابن خوارزمة .1.7

ة الطرق باستخدام المولد المحتوى .1.2 12 ................................................................................................ البحث

13 ............................................................................................................ البحث وفضاء المحتوى تمثل .1.3

11 ............................................................................................................................ الكفاءة تابع .1.12

11 ............................................................................................................................... المباشر التقم تابع.1.11

11 ............................................................................................................. المحاكاة على المعتمد الكفاءة تابع.1.11

11 .............................................................................................................................. التفاعل التقم تابع.1.11

PCG- Situating Search-Based PCG ..................................................................... 11 البحث تموضع تحدد.3.14

11 ...................................................................................... بحثة خوارمات بإستخدام المولد المحتوى عن أمثلة.1.12

Pac-Man ............................................................................................... 11 بـ شبهة أللعاب قواعد مجموعة.3.16

11 ................................................................................................................. اللوحة أللعاب قواعد مجموعة.1.17

13 ......................................................................................................................... السباق أللعاب مسارات.1.12

13 ....................................................................................................................... فضاء للعبة أسلحة تطور.1.13

Super Mario Bros .............................................................................................. 12 للعبة المراحل تصمم.3.20

Controllable Features ............................................................................................ 12 المتحكمة الصفات.3.21


2

12 ...................................................................................................................................... العالم تولد.1.11.1

scan-line................................................................................................ 31 السطري المسح خورازمة.1.11.1.1

31 ........................................................................................................................................ الخورازمة هدؾ

31 .............................................................................................................................................. العمل طرقة

33 ........................................................................................................... العمالء لحركة موزون بان بناء.1.11.1

32 .............................................................................................................................. األؼراض إضافة.1.11.1

32 ................................................................................................................................. المراحل أنماط.1.11.3

A.المسقوفة الحلبة (Ceiled Arena) ............................................................................................................... 32

B.الطبقات متعددة المرحلة (Layered) ............................................................................................................. 33

C.ة حمم مع واسعة مساحة Arena with Lava .......................................................................................... 21 بركان

21 .................................................................................................................................... األعداء ددع.1.11.2

21 ................................................................................................................................ األعداء صعوبة.1.11.2

21 ................................................................................................................................... األسلحة نوع.1.11.7

23 ................................................................................................................................... الذخرة عدد.1.11.8

27 ............................................................................................................. النماذج لبناء نظرة أفكار.3

Cross-Validation ....................................................................................................... 27 التصالب التحقق.3.1

27 ........................................................................................................................ التصالب التحقق أهداؾ.3.1.1

22 ................................................................................................................... التصالب التحقق عمل كفة.3.1.1

k-fold ................................................................................................................ 23 الطات معامل اختار.3.1.1

Validation ...................................................................................................... 23 التحقق من أخرى أنماط.4.1.4

ات.3.1 Non-Player Characters (NPC) .......................................................................... 21 العبة الؽر الشخص

22 .................................................................................................... المحتوى تولد أجل من الالعب خبرة نمذجة.2

Neuro-evolutionary Preference Learning through Player التطورة العصبونة طرق عن التفضل تعلم.2.1

Modeling ................................................................................................. 22

22 ......................................................................................................................... والمزات البانات أنواع .2.1

Controllable features of the game ........................................ 27 اللعبة ف بها التحكم مكن الت المزات.2.1.1

Gameplay characteristics ...................................................................... 22 اللعبة ضمن اللعب خصابص.2.1.1

Reported player’s experience of playing the game ....................... 71 اللعبة لعب بعد المعادة الالعب خبرة.5.3

Reported player experience and experimental protocol ....... 71 التجرب والبروتوكول المعادة الالعب خبرة.2.3

Game Pair .......................................................................................................................... 71 لعب زوج.2.2

77 .............................................................................................. التكؾ ونموذج التفضالت نموذج - النماذج بناء.2

77 ....................................................................................................... الالعبن لعب خالل من المعطات جمع.2.1

Preference learning for modeling player experience ...... 72 الالعب خبرة لنمذجة األفضلات طرق عن التعلم.6.2

Neuro-Evolutionary Preferece Learning ........................................... 22 التطورة العصبونة التفضل نمذجة.6.3


3

Single Neuron ............................................................................................. 22 وحد ببرسبترون التدرب.6.3.1

22 .......................................................................................................... المناسبة التدرب خوارزمة اختار.2.1.1

Neuro-evolution for solving the problem ........................... 21 المسألة لحل التفضالت خالل من التعلم تنفذ.2.1.1

Methods Comparison Feature Selection ................................................. 21 المزات اختار طرق مقارنة.6.4

Predictive model .................................................................................... 21 األفضل باللعبة المتنبأ النموذج.6.4.1

21 .......................................................................................................................... المزات اختار إقاؾ.2.3.1

Features Selection methods ..................................................................... 23 المزات اختار طرق أنواع.6.4.3

23 ................................................................................................................... المزات واستخالص اختار.2.3.3

23 ....................................................................................................................................... الهدؾ تابع.2.3.2

A.المزات اختار خوارزمة nbest ................................................................................................................ 22

B.المزات اختار خوارزمة sfs ..................................................................................................................... 22

C.المزات اختار خوارزمة sffs .................................................................................................................... 22

D.المزات اختار خوارزمة PFS ................................................................................................................... 22

22 ....................................................................................................... الالعب من المسترجعة المشاعر دراسة.2.2

Fun ................................................................................................................................ 22 اللعب متعة.6.5.1

Challenge ........................................................................................................................... 22 التحدي.6.5.2

Frustration ......................................................................................................................... 23 اإلحباط.6.5.3

Predictability .............................................................................................................. 23 التخمن قابلة.6.5.4

Boredom ................................................................................................................... 23 والملل الضجر.2.2.2

Anxiety ................................................................................................................................ 23 الجزع.6.5.6

Modeling of Player Experience Preferences ............................................ 32 الالعب خبرة تفضالت نمذجة.6.6

MLP............................................................................. 31 طبقات بمتعدد متبع SLP برسبترون منهج اختار سبب.2.7

Data Collection .............................................................................................................. 31 البانات جمع.6.8

Adaptive Game Model ............................................................................................ 37 التكف اللعبة نموذج.7

37 .......................................................................................................................................... مقدمة.7.1

Adaptive content generation ................................................................. 37 للمراحل التكف التولد مراحل.7.2

..................................................................................................... 121 النماذج من المستحصلة النتابج.2

121 .................................................................................................... النموذج حسب اختارها تم الت المزات.2.1

122 .................................................................................................................................... إحصابة دراسة.3

122 ............................................................................................................................ البانات جمع طرقة.3.1

122 .................................................................................................................................... العامة الدعوة.3.1

122 ....................................................................................................................البانات من المطلوب الحجم.3.1

127 ..................................................................................................... المتوافرة الحوسب على األلعاب توزع.3.3

عة اناتالب.3.2 122 ................................................................................................................................ المجم


4

122 ................................................................................................................................... البانات حجم.3.2.1

112 ......................................................................................................................................... الالعبن.3.2.1

112 ........................................................................................................................................ الجنس.3.2.1.1

111 ......................................................................................................................................... العمر.3.2.1.1

111 .............................................................................................................................. الالعبن خبرة.3.2.1.1

113 ............................................................................................................................ الالعبن تفضالت.3.2.1

112 .................................................................................................................................. االندماج .3.2.1.1

113 ................................................................................................................................. االنزعاج .3.2.1.1

112 ................................................................................................................................... التحدي .3.2.1.1

111 ....................................................................................................................... المعلومات تجمع نتابج.3.2.3

111 ................................................................................................................................. اإلصابة دقة.3.2.3.1

113 .......................................................................................... المتفجرة األسلحة استخدام نسبة.9.5.4.2

112 ..................................................................................................................... اللعب وقت متوسط.9.5.4.3

112 ............................................................................................................................ الطلقات عدد.9.5.4.4

112 ........................................................................................................... االنتحارو الموت مرات عدد.9.5.4.5

111 ....................................................................................................................... األؼراض تجمع.9.5.4.6

117 ................................................................................................................. المتفجرة الطلقات عدد.9.5.4.7

131 ..................................................................... القفز أجهزة استخدام مرات وعدد القفز مرات عدد.9.5.4.8

132 ................................................................... موته مرات وعدد الالعب تلقاها الت الضربات عدد.9.5.4.9

133 ......................................................................................................................... للنماذج إحصابة دراسة.3.2

121 ................................................................................................................................ النظام مخطط.10

121 .........................................................................................................المزات الختار التفضالت نموذج.12.1

121 ............................................................................................................ المزات الختار التكف النموذج.12.1

123 ...............................................................................الالعب للعب تبعا احلمر محتوى لتولد التكف النموذج.12.1

122 .................................................................................................................................. المستخدم دلل.12.3

...................................................................................................................... المستقبلة الدراسة.11

171 ...................................................................................................... المستقبلة للدراسة المتخذة اإلجراءات.11.1

171 ........................................................................................................... الالعبن حركات جمع تسجل.11.1.1

171 .................................................................................................................... الوجوه عواطؾ تسجل.11.1.1

173 ............................................................................................................ الموضوعة بالموسقا التالعب.11.1.1

173 ............................................................................................... والمدروسة المالحقة المشاعر ف الزادة.11.1.3

172 .................................................................................................................... المراحل تصمم تطور.11.1.2

Patterns for Positional Advantage............................................................. 172 التموضع كسب صػ.11.1.5.1

172 ................................................................................................................. القناصة موضع .....11.1.2


5

Gallery .................................................................................................................. 122 المعرض.11.1.2.1.1

Choke Point ........................................................................................................ 121 الخنق نقطة.11.1.2.1.1

Patterns for Large-scale Combat ........................................................ 121 الواسعة القتال أماكن صػ.11.1.2.1

Arena ........................................................................................................... 121 الواسعة المساحة.11.1.2.1.1

Stronghold .............................................................................................................. 123 التحصن.11.1.2.1.1

Turret ......................................................................................................................... 123 البرج.11.1.5.2.3

Patterns for Alternate Routes ..................................................................... 122 البدلة الطرق صػ.11.1.2.1

Split Level ........................................................................................................ 122 مقسومة رحلة.11.1.5.3.1

Hidden Area................................................................................................... 122 المخفة األماكن.11.1.5.3.2

Flanking Route ..................................................................................... 127 الؽطاب الهجوم طرق.11.1.2.1.1

Extending Neuro-evolutionary Preference Learning التطورة العصبونة طرق عن التفضل تعلم توسعة.11.1.6

through Player Modeling ........................................................................... 122

Player modeling ................................................................................................. 122 الالعب نمذجة.11.1.6.1

123 ..................................................................................................................... المستخرجة المزات.11.1.2.1

132 ............................................................................................................................ التجارب.11.1.6.3

Player Model-Driven Preference Learning ......................... 131 الالعب نمذجة من المشتق التفضل تعلم.11.1.2.3

132 ............................................................................................. الالعب نموذج ف الموروثة المعلومات.11.1.2.2

132 .................................................................................... والمراجع الزمن والمخطط المستخدمة البرمجة اللؽة.11

132 .................................................................................................................. المستخدمة البرمجة اللؽات.11.1

133 ................................................................................................................................ الزمن المخطط.11.1

122 .................................................................................................................................. المراجع .11.1


6


إهداء 7

ذاءإ

كل الشكر والتقدر إلى مشرفتنا المهندسة نور شاكر الت لم تبخل علنا بأي جهد ف سبل إنجاح هذه

الدراسة.

إسماعل، محمد، حسن، مهدي

إلى كل من أنار درب ودعمن

اسماعل

.منحن الحاة كل وم.، ويعمرجانب طول إلى من وقؾ وقؾ

..، مضبة قلب إلى خالقإلى القلب الطاهر والروح الصافة الت تحوم حول دوما أخذة بدي

أبد الدهر..

محمد

أم الؽالة النور لحات، وعلمن الصمود ف وجه كل الظروؾ. من أعطىإلى

إلى من ساندن ف قرارات، وكان عون ومشورت. أب

. أخوات، وضحكاتهم على إحاء األمل ف قلبمن أعانتن صحبتهم على مواصلة الدرب إلى

حسن

الروح السمحة... ، أم،عندما تكسون الهموم، أسبح ف بحر حنانها لخفؾ من آالم

مهدي


إهداء 8


إهداء 9

الفصل األول

مقدمة المشروع


إهداء 10


Abstract بتجرد 11

Abstractتردشد

بشكل Adaptive Gamingالتكف تولد محتوى األلعاب بشكل فوالصناع زاد االهتمام األكادم

ف التكؾ أن إدراج والدراسات البحوث العدد من أثبتتحث السنوات القللة الماضة كبر خالل

. نقدم ف هذه الدراسة البحثة نموذجن تبعأ [1]العب ال اللعبة مكن أن عزز من تجربة دنامكات

أحدهما درس تفضالت الالعب أثناء اللعب تبعا لمحتوى معن وخصابص اللعب الت لتجربة الالعب،

أو ما قام بها الالعب أثناء لعبه، واآلخر بحث قدما ف كفة تولد محتوى تكف أللعاب القتال الحربة

."”First Person Shooter Game “FPS - األول الضارب الشخص"ألعاب طلق علها


المشروع مقدمة 12

يح انششعيمذ .1

يمذيح .1.1

بدأت بعض األلعاب التجارة تتضمن بعض مبادئ المحتوى التكف، عن طرق تكؾ بعض من

( الت تم تصممها تبعا difficultyخصابص اللعبة اعتمادا على أداء الالعب. مثال صعوبة اللعبة )

أو تعدل احتمالة ، Max Payneلتقدر مهارة الالعب وذلك عن طرق تعدل عدد األعداء ف لعبة

spawnأو أماكن التولد ) Mario Kart( ف لعبة power upsالحصول على رافعات الطاقة )

points ف لعبة )Left 4 Dead [1].

المفتاح ف تصمم األلعاب الت تصمم نفسها بحسب تجربة الالعب كمن ف تطبق اآللات التكفة

اللعبة )مزات معنة قابلة للتحكم ف اللعبة محتوى جب أن تم تؽرإذا، كؾ، وكم مقدار الت تقرر

نفسها(.

الة تتمحور حول تجربة الالعب ه تقم الحالة الشعورة الخطوة األولى نحو تصمم لعبة تكفة فع

(emotional state والت )ركز المعرف ( لالعب وتطور متنبباتpredictors.لتجربة الالعب )

ل هذا الؽرض ستحسن أن تم تجمع عدد من مدخالت الالعب )حركات اللعب مثال ( الشتقاق من أج

( frustrationعب، مستوى االحباط )مؤشرات لبعض جوانب تجربة اللعب أو الالعب مثل مهارة الال

( survey(. كذلك مكن لالعبن إخبار تجربتهم عن طرق إحصابة )satisfactionمستوى الرضى )

(.preference( أو تفضلة )scalingي على أسبلة ذات طبعة تحجمة )تحو

neuro-evolutionaryتعلم توقع تجربة الالعب عن طرق تعلم التفضل العصبون التطوري )

preference learning [1]( أعطى نتابج دققة للنمذجة الحاسوبة لتجربة الالعب.


مفتاحة كلمات 13

ن الالعب واللعبة إلى عدد من أنماط سلوكات الالعب نموذج الالعب مكن أن صنؾ التفاعل ب

-selfعب تم تولده بواسطة التنظم الذات )تقول أن تضمن نموذج لال [1]المختلفة. النظرة ف

organization للمتعلم التفضل العصبون التطوري مكن أن تؤدي إلى تقدرات أكثر دقة )

ة تعتمد على الزوجة ة تم جمع باناتلتفضالت الالعب. لتجربة هذه النظر لعب وتفضالت شعور

(pairwise emotional preferencesمن ) الشخص األول شخص لعبون لعبة 112FPS ثالثة

األبعاد ف دراستنا هذه.

كهاخ يفراحح .1.1

تفضالت ، Player Modellingنمذجة الالعب ، NeuroEvolutionالتطور العصب

Preferences ،لتكؾا Adaptive ، تولد المحتوى بشكل إجرابPCG ، مزاتFeatures ، مزات

.Gameplay featuresمزات لعب الالعب ، Controllable featuresقابلة للتعدل



الثانالفصل

دراسات مشابهة


مشابهة دراسات 17

دساساخ يشاتح .1

دساساخ يشاتح .1.1

Modelsالنماذج ) contentالمحتوى فإن الحدثة الفدو بألعا فإنه ف معظم [1]كما ورد ف هذه

بشكل بشكل ثابت ومصمم مسبقا اللعبة مع شحنها تم( وؼرها األسلحة، المراحل، المثال، سبل على

ضقة من مجموعة على Randomizing األحوال وجد عشوابة أحسن ف أو تتؽر، ثابت ال

المعامالت.

تؽر وتجدد بشكل دابم، فإن الالعبن مكن أن ندمجو content وى اللعبةوف حال كان محت لكن،

get engaged .مع اللعبة بشكل أفضل ولمدة أطول

وجد خوارزمات إنشاء المحتوى عن طرق التطور [1]فإنه وحسب الطموح، وتخل هذا لتحقق

content-generating NeuroEvolution of Augmentingللطبولوجا المزادة العصب

Topologies (cgNEAT) algorithm .

على محتوى اللعبة اعتمادا على evolvingتتحقق هذه الخوارزمة بأنها تقوم بالتعدل والتطور

تطورا cgNEATعلى مدار لعب اللعبة. تعتبر خوارزمة player preferencesتفضالت الالعب

.(Stanley and Miikkulainen 2002)األصلة NEATلخوارزمة

Galactic Arms Race (GAR)اندشج انرسهح نؼثح سثاق .1.1

ستخدم . cgNEATتستخدم خوارزمة فإن هذه اللعبة [1] وحسب الدراسة المقدمة فهذه اللعبة

تطورت والت جددة أسلحة على للحصول الفضابة لقاتلوا طارات األعداء السفن GAR فالالعبون

من واسعة مجموعة اكتشاؾ GAR لالعبن توضح األشكال أدناه كؾ مكن. خالل اللعبة اللعبة، من


المجرة التسلح سباق لعبة 18 Galactic Arms Race (GAR)

extendingوتمدد أساس على أضا ولكن األسلحة والت لست موجودة ف اللعبة بشكل أساس،

ل ف محتوى جدد من محتوى .الماض سابق فض

الخاص المحتوى تولد ألعاب اآلن إنشاء نالممك من أنه هو cgNEAT على خوارزمة المترتبة اآلثار

المحتوى بشكل ثابت، مزدة بذلك قمة اللعبة بحد إنشاء تكلفة من كبر مخفضة بذلك إلى حد بها بنفسها،

.ذاتها

تبن األشكال التالة بعض المفاهم مع شرح كل منها.

فإنه من المرجح أن عثر الالعبون ،GAR ف أسلحة تتطور كما. السالح تطور أمثلة تبن هذه األشكال

.الماض ف الت قاموا بتفضلها لتلك مماثلة صفات ذات أسلحة على

انتشار سالح أطلق ما كثرا الفعل، فإن الالعب اللعب من المثال هذا فSpread weapon

(.a)كما ف الشكل

عله تعدالت ف سالح االنتشار وأحدثت جدد حدث تطور الحق من اللعبة، وقت ف

variations (b, c.)وتؽرات


المجرة التسلح سباق لعبة 19 Galactic Arms Race (GAR)

لالهتمام نوع آخر من أسلحة االنتشار مثرة (d )الخارج( قذابؾ )إطالق تقوم بإطالق قذفتن

.داخلة سرعة وقذفة

السالح هذا نسل من الحق وقت ف (e, f) السرعة فرق أن ف، حث كون نمطه بشكل مبالػ

ون للقذفة الواحدة الل وبشكل متعدد من نمط الخارج بشكل كبر،و نوع القذابؾ الداخل بن

محتوىل cgNEATتطور خوارزمة كفة لتوضح األمثلة هذه. االنتشار عرض كما تم تعدل

.الماضة الالعب ف المراحل تفضالت على بناء المرحلة التالة بناء

العدد من GAR كتشؾ العبوا. gameplayلعب الالعب خالل األسلحة تطوربن هذه الشكل

الشكل بجانب كل صورة عدد ظهر. اللعبة نفسها المصممة دنامكا أثناء اللعب، وذلك من قبل األسلحة

:مثال .سالح كل لتطور اتخذت الت االستنساخ أجال

ف الشكل (a, b )العدد ربةلمحا فعالة الن تكون من جسمات عدة انماط من السالح تنبعث

.واحد آن ف األعداء من


المحتوى لتولد مقدة إجرابة طرق عن فضاء سفنة إنشاء تصمم 20 constraint-based procedural

content generation (PCG)

بن الشكل(c )صد أسلحة أجل من البداة، ف واسع نمط سالح بعث نمط محدد والذي هو

نة لركز الحق وقت ف تقاطع ولكن األعداء، بن .الضرر على جسم واحد بعد مسافة مع

.الالعب أمام الجسمات من دفاع جدار خلق( d) الشكل

الشكل (e) النازك مثل ضخمة على عقبات الدوران مكنها طلق نمط على شكل موجة والت.

الشكل (f) خط عن أسفر مما العب، من الجانبن كال ف الجزبات من دفاع خط إنشاء بن

. لالعب دفاع

بشكل تكتك وجمال األسلحة من على تولد مجموعة cgNEAT قدرة خوارزمة تثبت النتابج هذه

بشكل حقق وأصل! ومفد متنوع بشكل

-constraintذظى إشاء سفح فضاء ػ طشك إخشائح يمذج نرنذ انحر .1.2

based procedural content generation (PCG)

constraint-based procedural contentإجرابة مقدة لتولد المحتوى [3]تعرض الدراسة ف

generation (PCG)

الدافع وأنواع األسلحة مثل الفضاء سفنة وسمات شكل جسم السفنة)فضاء لسفنة ممتص إلنشاء

مالمصم فإن المقترح، العمل إلطار وفقا . القادة واستراتجات الفزاء عن النظر بؽض( وطبولوجا

من constraint optimizerالقود الفضاء والت حاول محسن لسفنة المتطلبات من مجموعة ختار

.تحققها وإرضاء القود




عدد من ف علها الحصول تم الت النتابج

القود من مجموعة باستخدام االختبارات

ولدت الفضاء سفنة أن واألهداؾ تبن

على والبقاء والقتال الحركة ف جدا أداء

مقبولة بصرا أنها كما الحاة، قد

visually appealing.

ح تولد سفنة وضر تعلى الساشكل ف ال

فضاء. كل لون مثل نمط محدد كاللون

األحمر مثل سالحا واللون األزرق مثل

دافع لسفنة الفضاء.

لقطة للمحاكاة، تظهر بن الشكل التال

كل المكونات. تظهر فها سفنة الفضاء

باللون PCGالمعدلة عن طرق اإلجرابة

ر، األصفر، وسفنة العدو باللون األحم

obstaclesوكوكبن مثالن عوارض

)وهما الدابرتان( والهدؾ الممثل باللون

األبض والذي تتجه نحوه سفنة الفضاء.




الثالثالفصل

تولد المحتوى بشكل إجرائ

Procedural Content Generation (PCG)


إجراب بشكل المحتوى تولد 25 Procedural Content Generation (PCG)

Procedural Content Generation (PCG)ذنذ انحر تشكم إخشائ .2

يمذيح .2.1

. والمقصود بالمحتوى هنا جمع أجزاء اللعبة الت ةإجراب ب بطرق اقلعبة بشكل تلهو بناء محتوى ال

تؤثر على تجربة الالعب مثل التضارس، الخرابط، المراحل ، القصص، الحارات، األهداؾ الواجب

األسلحة المتاحة. ،تحققها ، قواعد اللعبة، منظور الكمرا

:PCGبـ هتمونأسباب تجعل من مصمم األلعاب وجد عدة

إستهالك الذاكرة .1

فمكن ضؽط محتوى األلعاب الت تعتمد على الـ

PCG عن طرق جعل هذا المحتوى ؼر معلوم، وال

تم تولده إال عند الحاجة، ومثال على ذلك لعبة

الت استاطعت Elite (Acornsoft 1984)الفضاء

لنجوم بإستهالك ذاكرة ال إدارة مبات مجموعات ا

تعدى عشرات الكلوباتات عن طرق تمثل كل نجم او كوكب بمجموعة أرقام.

لمالة إلنشاء المحتوى بشكل دويتوفر التكالف ا .2

مناطق إلنشاء SpeedTree[5]العدد من األلعاب المعاصرة تقوم بإستخدام تطبقات مثل

ن طرق تؽر مجموعة معامالت.ضخمة ستطع الالعب التجول فها ع

بناء أنماط جددة من األلعاب .3

وقت جد لمحتواها بشكل كبر وملحوظ وبإداء لعله إن كان بإمكاننا بناء ألعاب تؽر

ألمكن بناء ألعاب ال وجد نهاة لها. إن أمكن بناء مثل هذا النمط من (Real timeالتنفذ)


التلقاب المحتوى تولد أقسام 26

أو حتى لزادة تجربة )أو نمط لعبه( بم ذوق العب معناأللعاب وتعدل المحتوى الناتج لال

ألعاب مكن إعادة لعبها بشكل النهاب لقدرتها ه ندماجة( ستكون النتجةاالالالعب )التحدي،

.بشكل دابم على التكؾ وتؽر المحتوى

4. لة المصممنتجاوز مخ

حتوى بشكل خوارزم عشووابمحتوى األلعاب هو رهن لمخلة المصممن، ولكن بتولد الم

قد نحصل على محتوى لم نكن فإننا نهج م م )ال مكن اعتباره عشواب بالمعنى الحرف(

نتوقعه.

ألساو ذنذ انحر انرهمائ .2.1

بأشكاله المختلفة هو مزة أستطاعت العدد من األلعاب تحققها منذ مدة، إال انه PCGبالرؼم من أن الـ

تم حث دم متخصص للبحث ف هذا المجال. لكن هذا الواقع بدء بالتؽر فمؤخرا الوجد مجتمع أكا

[3] ، ووك[2]، ورشة عمل mailing List[6] ،IEEE CIS Task Force [7]إجاد العدد من

لكنه الوجد كتب متخصصة تناقش هذا المجال. مخصص لهذا الموضوع،

.PCGالمفاهم األساسة ف القسم التال سلط الضوء على العدد من

انثاء انثاشش انثاء أثاء انرطش .2.2

جب تحدد فما إذا كنا نرد تولد المحتوى بشكل مباشر وفوري أثناء اللعب، أو أثناء مرحلة تطور

اللعبة. فمثال على التولد المباشر عندما دخل العب إلى بناء، تقوم اللعبة بشكل مباشر بإنشاء البنة

داخلة للبناء الت لم تكن موجودة من قبل. بنما نقصد بالتولد أثناء تطور اللعبة أن خوارزمة التولد ال

تقترح على المصمم بنة معنة للمحتوى و قوم هو بالتعدل عله أثناء مرحلة تطور اللعبة. وجد حل

لالعب أو مجموعة العبن بناء قوم مخدم بأقتراح خرابط جددةوسط بن األسلوبن. فمن الممكن أن

على معلومات تم جمعها مسبقا عن نمط لعبهم.


اإلختاري والمحتوى الضروري المحتوى 27

انحر انضشس انحر اإلخراس .2.3

. المحتوى الضروري هو المطلوب أو إختارا مكن تصنؾ المحتوى المولد فما إذا كان ضرورا

ثل المعالم الواجب زارتها أو تواجده لتمكن الالعبون من إتمام اللعبة والمهام الواجب تحققها م

الوحوش الواجب قتلها، أو القواعد الت ال بد أن تتواجد. فما المحتوى اإلختاري هو الذي ستطع

. عب أن بتعد عنه وال تفاعل معه. مثل األسلحة او المنازل أو المعالم الت عد دخولها إختارا الال

. أي من ؼر المقبول أن دابما لضروري جب أن كون صححا الفارق هنا بن المحتون أن المحتوى ا

تم تولد معلم جب زارته لتتحقق هدؾ معن ولكن لسبب ما ال ستطع الالعب دخوله. بنما مكن أن

نسمح للخوارزمة أن تقوم بتولد أسلحة ؼر قابلة لالستخدام أو تصمم ؼر منطق لمبنى إذا كان

وإختار ؼره أو الخروج من المبنى الؽرب بساطة أن قوم بإلقاء السالح جانبا بإستطاعة الالعب ب

وزارة ؼره.

انؼايالخ .2.4

مكن التالعب مكن التمز بن خوارزمت تولد محتوى عن طرق األخذ بعن اإلعتبار إلى أي حد

من وى موسع إنطالقا ة. جمع خوارزمات تولد المحتوى تقوم بتولد محت مبمعامالت كل خوراز

لخوارزمة تولد األرقام العشوابة (seed)محتوى صؽر ومضؽوط. فمكن لخوارزمة أن تأخذ بذرة

الت تستخدمها، فما مكن لخوارزمة أخرى أن تقبل شعاع متعدد األبعاد كوسط وصؾ المحتوى

الواجب بناؤه.

انرنذ انؼشائ انرنذ انحذد .2.5

ؾ خوارزمات بناء المحتوى بأخذ عشوابة المحتوى بعن األعتبار. المقصود هنا أنه نستطع أن نصن

بتمرر نفس المعامالت لنفس الخوارزمات وتنفذها اكثر من مرة فهل المحتوى الناتج سكون متطابق

صل سنحة بتصمم الخوارزمة أم مختلؾ. فإن كانت الخوازرمة محددة فبتمرر نفس المعامالت المتعلق


البناءة والخوارزمات اختبر-ابن خوارزمة 28

وابة على نفس الناتج بؽض النظر عن عدد مرات التنفذ عى عكس الحال فما إذا كانت الخوارزمة عش

. )مثل الخوارزمات الجنة(

اءجاخرثش انخاسصياخ انث -خاسصيح ات .2.6

لت المعار األخر الذي مكن استخدامه للتمز بن خوارزمتن هو الخوارزمة البناءة، والخوارزمة ا

اختبر.-تعتمد مبدأ ابن

نعتبر بأن خوارزمة ما بناءة إذا كانت تقوم بتولد المحتوى وتنته عند ذلك. ولكن علها التحقق فما

، إختبر تقوم ببناء محتوى معن-أثناء عملة البناء. خوارزمة ابن أو مقبوال ا إذا كان المحتوى صحح

مجموعة شروط فمثال تتحقق فما إذا كان الطرق بن معلم ما ق فما إذا كان وافق وثم تقوم بالتحق

حال ف والمدخل والمخرج بطول معن، أو فما إذا كانت األشجار تحقق صفات ضمن مجال معطى.

و جزء من المحتوى الحال وتكرر العملة حتى نحصل على ل فإنها تقوم بإعادة تولد جمع أالفش

محتوى مقبول.

حشق انثحث تاسرخذاو انط انحر اننذ .2.7

:اختبر وحقق الشروط التالة-وهو حالة خاصة من طرقة ابن

بار قوم بتحدد جودة محتوى معطى. وذلك عن طرق قمة وحدة أو شعاع من توجد تابع إخ

والرقم الذي (Fitness Function)القم الحققة. مثل هذا التابع دعى بالعادة بـ تابع الكفاءة

.نحه لحل معطى اسمه بالكفاءةم

بناء محتوى جدد عتمد بشكل أساس على الكفاءة المعطاة لحل سابق. هذه الطرقة تهدؾ إلى

إنشاء المحتوى ذو كفاءة العالة.


البحث وفضاء المحتوى تمثل 29

( كأداة Evolutionary Algorithm) جمع األمثلة الت سنردها الحقا تستخدم خوارزمات تطورة

لخوارزمات التطورة على مجموعة من الحلول المحتملة مخزنة ف للبحث عن المحتوى. تعتمد ا

الذاكرة. ف كل جل تم تقم هذه الحلول باستخدام تابع الكفاءة وتم ترتبها وفقا لكفاءتها. أسوء الحلول

اب تم حذفها من المجموعة واستبدالها بنسخ من الحلول الجدة، باستثناء تلك الت تم تعدلها بشكل عشو

)تعرضت لطفرات( او تم دمجها مع حلول اخرى. لس من الضرورة أن تم استخدام خوارزمات

تطورة بشكل حصري. فمن الممكن إستخدام خوارزمات بحث اخرى. ومن الجدر ذكره ان طرقة

.بؽض النظر عن خوارزمة البحث المستخدمة تمثل الحلول ه نفسها ؼالبا

انثحث ذثم انحر فضاء .2.8

أي كفة كفة تمثل الحل المراد تطوره. ه ة عند استخدام خوارزمات تطورةمن األسبلة المحور

ربط الجنوتاب )أي بنة المعطات الت تتعامل معها الخوارزمة( مع الفنوتاب )أي بنة المعطات

كبر ه من ألخوارزمة التطورة لعلالت تعامل معها تابع الكفاءة(. إن إجاد التمثل المالبم ف ا

(Curse of dimensionalityلعنة األبعاد )والت طلق علها ما سمى بالمشاكل الت قد تواجهنا

كما أن تمثل الجنوتاب الذي سنعتمده الت تحدث عندما كون البحث جري ف فضاء ذو أبعاد كثرة.

ي تؽر ف الجنوتاب جب أن ؤدي إلى تؽرات طففة ( أي أن أLocality) جب ان تمتع بالمحلة

ف قمة تابع الكفاءة الممنوحة للفنوتاب.

على تمثل جمع الحلول المهمة. هذه عن كل المشاكل السابقة جب أن كون التمثل المختار قادرا بعدا

( عندما Indirect encodingاشر)النقطة قد تكون معضلة تواجهنا عند التطبق العمل للترمز الؽر مب

كون هناك مناطق من فضاء البحث ال مكننا تمثلها.


البحث وفضاء المحتوى تمثل 30

مهمة وجب مراعاتها عند استخدام خوارزمة بناء المحتوى المعتمدة على نفا جمع النقاط المذكورة آ

ل إلى على تمثل فضاء البحث بشكل جد من أجل الوصو ا البحث، فجب أن كون التمثل المختار قادر

الحل األمثل.

وجد عدد طرق للتمثل، نذكر منها:

1. Direct شبكة( تمثل مباشر بإستخدام(Grid .حث كل خلة قد تمثل حابط، مكان فارغ، باب

1. Indirectly كإستخدام قابمة من المواضع، التوجهات، واألطوال توصؾ الجدران

1. Even more indirectly دران والفراؼات، وكون لدنا كون لدنا مجموعة من أنماط الج

( Gridقابمة توصؾ كفة توزع هذه االنماط على الشبكة )

3. Very indirectly عدد األبواب، عدد الؽرؾ والوحوش قابمة من الخصابص المرؼوبة. مثل

2. Most indirectly عشوابكاستخدام بذرة لتابع تولد

جزاء فضاء بحث فف الحالة األولى جمع ألبقة. عن ا لكل التمثالت السابقة فضاء بحث مؽار تماما

( عالة ألن أي تعدل على الحل المختار سؤثر على locality) الفنوتاب لها تمثل واحد فقط. المحلة

ف الكفاءة. لكن بسبب طول التمثل السابق فإننا قد نواجه طففا خلة واحدة فقط األمر الذي سبب تؽرا

عاد.مشكلة لعنة األب

أما التمثل الخامس فال عان من مشكلة لعنة األبعاد ألن عملة البحث تتم ف بعد وحد لكن سبب عدم

Search-based Content مالبمة هذا التمثل لخوارزمات تولد المحتوى المعتمدة البحثة

Generation أن هو( ه ال وجد لدنا محلةLocalityألنه من سمات مولد األرقا ) م العشوابة الجد أن

إستخدام بذر مختلفة عط سالسل أرقام مؽارة وال وجد عالقة بن البذر المختلفة.

مالبمة بشكل كبر لتمثل متاهات على سبل المثال. حث تؽر طول الجنوتاب 1،1،3الخارات

لتالبم مع حجم المتاهة المراد تشكلها.


الكفاءة تابع 31

ذاتغ انكفاءج .2.13

توى فإننا نرد معرفة مدى مالبمته لمجموعة من المعار الت كنا حددناها عندما نحصل على مح

أو شعاع من األرقام الحققة( ألي ) . وهنا أت دور تابع الكفاءة الذي قوم بمنح رقم حققمسبقا

محتوى مطلوب. جب أن تعبر القمة الت عطها تابع الكفاءة على مدى جودة المحتوى المختبر.

اء تابع التقم لس باألمر السهل، فحب على المصمم أن كون لده تصور عن شكل الحل األمثلإن بن

سبل المثال قد كون المطلوب بناء خوارزمة بناء محتوى حتوى األمثل( المراد تطوره. فعلى)الم

ءة تقدر مدى الكفابحثة الهدؾ منها زادة متعة الالعب أو إحباطه فف هذه الحالة جب أن ستطع تابع

عب وعواطفه.م على مشاعر الال تأثر المحتوى المق

ما ل. وجد ثالثة أنواع ربسة من توابع الكفاءة المالبمة لخوارزمات تولد المحتوى نذكر منها

ذاتغ انرمى انثاشش .2.11

قمنا بمنح مسبقا قوم تابع التقم المباشر بإستخالص مجموعة من الصفات من المحتوى المولد ونكون

قد نأخذ بعن اإلعتبار كل صفة قمة معنة تعبر عن مدى رؼبتنا بوجودها ف المحتوى المولد. فمثال

عدد الطرق المؤدة إلى مخرج ضمن متاهة، أو معدل إطالق سالح مولد، أو توزع الموارد ف لعبة

ة لها مكن أن تكون ؼر خطة، لكن ؼالبا إستراتجة. إن العالقة بن المزات الموجودة والقم الممنوح

نختار عالقات سرعة الحساب. إن هذه العالقات قد تكون متعلقة بنمط اللعب أو تفضالت الالعب، وف

لالعب معن. ا محتوى مخصصقد ولدنا هذه الحالة نكون

بن التوابع المقادة و theory driven functionsالمقادة عن طرق النظرة التوابع جب التمز بن

كون المصمم المقادة عن طرق النظرة التوابعف .data driven functionsعن طرق المعطات

ف التوابع المقادة عن بحسه أو وفق نظرة متعلقة بتجربة الالعب. بنما الذي ضع تابع التقم مقادا

على جودة featureمزةأثر كل تعتمد على معلومات إحصابة تظهر تطرق المعطات فإنها

المحتوى.


المحاكاة على المعتمد الكفاءة تابع 32

ذاتغ انكفاءج انؼرذ ػه انحاكاج .2.11

ف بعض األحان ال نكون قادرن على تصمم تابع كفاءة مباشر فقد كون المعار المستخدم لمعرفة

مدى جودة محتوى مولد هو قابلة اللعب فه. فف هذه الحالة نلجا إلى استخدام عمل ذك قوم بلعب

هل انتصر . مثال agent نستخراج بعض الصفات عن طرق مراقبة العمل ثم من لمحتوى المولد وا

العمل، كم كانت سرعته. ونستخدم هذه الصفات ف تقم المحتوى وتحدد كفاءته. قد كون العمل

)بشري(. بشكل مباشر، او تم تعلمه بجعله حاك أسلوب العب حقق المستخدم مبرمجا

فف التوابع الجامدة (Dynamic) مرنةو (Static) د نوعن من توابع الكفاءة المحاكة: جامدةوج

العمل ال تؽر أثناء اللعب. على عكس ماحدث ف التوابع المرنة. فعال سبل المثال قد كون العمل

عتمد على قدرة العمل على التعلم.على خوارزمة تعلم وتابع الكفاءة مبنا

ذاتغ انرمى انرفاػه .2.12

د أثناء لعب الالعب. تم قوم بحساب الكفاءة بناء على تفاعلة الالعب ف اللعبة، أي أن الكفاءة تحد

عن طرق طرح مجموعة أسبلة عله أو أو جمع البانات عن طرق مراقبة الالعب إما بشكل مباشر

تفاعله من جزء معن من المحتوى، عدد بشكل ضمن بمراقبة سلوكه أثناء اللعب كمعرفة عدد مرات

المرات الت خرج منها من اللعبة او حتى مقدار توتره عن طرق مراقبة شدة الضؽط على المفاتح أو

تحلل مشاعره عن طرق كمرا.

PCG- Situating Search-Based PCGذحذذ ذضغ انثحث .2.13

د المحتوى، على المحتوى المولد باستخدام لنحاول إسقاط ماتحدثنا عنه ف أنواع خوارزمات تول

فإن المحتوى المولد بخوارزمات بحثة (. كما ذكرنا سابقا Evolutionary) خوارزمات تطورة

اختبر، الخوارزمة قد تأخذ مجموعة معامالت كدخل. كما أن الخوارزمات التطورة -عتمد مبدأ إبن

تها.وبعض الخوارزمات المشابهة تتمز بعشواب


بحثة خوارمات بإستخدام المولد المحتوى عن أمثلة 33

طورة سوؾ تتقارب وتقوم بإجاد الحل األمثل أو حتى حل الوجد برهان ؤكد أن الخوارزمات الت

. لكن كما سنرى offlineمقبول. األسباب السابقة تجعل الخوارزمات التطورة مالبمة لتولد محتوى

مكن إستخدام مثل هذه الخوارزمات لتولد محتوى ؼر ضروري. الحقا

هح ػ انحر اننذ تإسرخذاو خاسياخ تحثحأيث .2.14

بإستخدام خوارزمات بحثة ونحاول إسقاط ما ةدسنتعرض ف هذا القسم إلى مجموعة من األمثلة المول

علها. تحدثنا عنه سابقا

Pac-Manيدػح لاػذ ألنؼاب شثح تـ .2.15

تم بناء مجموعة .ببناء تجربة (Togelius and Schmidhbuer). قام [3]حسب الدراسة المقدمة ف

للعبة شبكة. حث قم الالعب بتحرك عمل بطرقة تشبه Offline)محتوى ضروري( بشكل قواعد

لوان مختلفة مكن فهمها على أنها توي على مجموعة جدران وأؼراض من أ. الشبكة تحPac-Manلعبة

تمثل مجموعة واعد المطورة. تم قطع جب التقاطها، أو شخصات صدقة أو معادة على حسب الق

القواعد على شكل شعاع معامالت ذو حجم ثابت مثل تأثر األؼراض عندما تتصادم مع بعضها أو مع

ؾ سلوكها. مكن تمثل مجموعة جدة من األلعاب بمثل هذا الطرقة. الجنوتاب العمل كما أنه وص

.دابة. تابع التقم كان من النوع المحاك المرنموضعات اإلبتكان من النوع المحدد باستثناء الت

ححيدػح لاػذ ألنؼاب انه .2.16

Offlineقام ببناء نظام لتطور القواعد الضرورة بشكل Browne فقد قام [12]حسب الدراسة

لأللعاب اللوحة باستخدام البرمجة الجنة. تم تمثل قواعد األلعاب بشكل مباشر كأشجار تعبرات

(Expression Trees باستخدام لؽة وصفة. هذه اللؽة الوصف ) ة تسمح بتمثل القواعد لعدد من األلعاب

فها ألعاب شهرة. الخوارزمة الت استخدمها كانت معدلة، فاألبناء ذوو الكفاءة المنخفضة وحة بماالل


السباق أللعاب مسارات 34

ذلك من أجل الحفاظ على لم تم التخلص منهم بشكل كامل وإنما حافظ علهم ومنحهم أولوة منخفضة و

قم كان خلط من تابع تقم مباشر وتابع تقم محاك ثابت. تنوع مجموعة الحلول. تابع الت

يساساخ ألنؼاب انسثاق .2.17

)قد قوم بتولد مسارات online/offlineببناء نظام Togelius et al، فقد قام[11]حسب الدراسة

تصمم اللعبة( من أجل ألعاب السباق. تم تمثل كون محتوى ضروري أو ؼر ضروري حسب

المسارات بشكل مباشر بإستخدام شعاع معامالت ذو طول ثابت. ومن ثم تم ترجمة هذا الشعاع

قم المستخدم ؾ مسار الحلبة. تابع الت الت تعر ( Bezier)مجموعة من منحات b- splinesبإستخدام

كل محتوى الت الالعب إلنشاء محتوى تماشى مع ذوقه.من النوع المحاك الجامد وراع تفض

مطور محتمل تم تقمه باستخدام عمل على شكل سارة تم التحكم فها باستخدام شبكة عصبونة تم

كفاءة المسار تعتمد على أداء السارة على المضمار: لتحاك سلوك قادة اإلنسان للسارة. تدربها مسبقا

قدم المحرز على المضمار.العظمى والصؽرى، مقدار الت الفرق بن السرعة

ذطش أسهحح نهؼثح فضاء .2.18

Hastings et al [3] قام ببناء لعبة متعددة الالعبن باستخدام خوارزمة بناء محتوى بحثة. ف اللعبة

المطورة على الالعبن قادة مركبة فضاء وخوض مجموعة من المواجهات مع أعداء وجمع أسلحة

جل تحقق ة جدة من األسلحة أمر ضروري من أالح هو محتوى إختاري ولكن حازة مجموعس )ال

قدم ف اللعبة(. األسلحة كانت ممثلة بإستخدام تمثل ؼر مباشر كمجموعة أشعة متؽرة األطوال، الت

لجزبات وتم تفسر هذه األشعة على أنها أوزان وبنة شبكة عصبونة والت بدورها تتحكم بـمحرك ا

. (Particle Engine)الخاص بالسالح


للعبة المراحل تصمم 35 Super Mario Bros

الت قام المستخدمون كفاءة كل سالح تعتمد على عدد المرات تابع الكفاءة المستخدم من النوع التفاعل.

الفترة الت بق فها هذا السالح ضمن بالولوج إلى المخدم الخاص باللعبة واختار هذا السالح، وإلى

م.ترسانة الالعب دون إستخدا

Super Mario Brosذظى انشاحم نهؼثح .2.13

Pedersen et al [12] قام بتعدل على اللعبة مفتوحة المصدر مارو لجعلها تؽر محتواها لتتماشى

على شكل شعاع معامالت قصر very indirectlyمع رؼبات الالعب. تم تمثل المراحل بشكل

وم الخوارزمة باستخدام هذه المعلومات لبناء تقالحفر وتموضعها ف ضمن المرحلة. ؾ عدد وص

مرحلة كاملة بشكل عشواب.

ص. استخدم شبكات عصبونة تقوم بإستخدام المعامالت ومخص data-drivenتابع التقم مباشر

فة ألسلوب الالعب للتنبؤ بمشاعر الالعب )المتعة، التحدي، اإلحباط، فة للعبة ومعامالت موص الموص

( وتم إستخدام خرج الشبكات العصبونات كأحد المعار ضمن تابع الكفاءة. تم تدرب التعب، الملل

الشبكات العصبونة باستحدام عنات تم تجمعها من مجموعة العبن.

Controllable Featuresانظفاخ انرحكح .2.11

زات ه الت نتحكم بها، ونقوم زات ببناء المراحل. حث تقوم ه -عن طرقها-هذه الم ذه الم

ز المرحلة عن األخرى. بتوصؾ المرحلة وتم

زات لعب دورا كبرا ف مراحل الحقة تتعلق ببناء مراحل مالبمة لالعب، لذا إن اختار هذه الم

جب معرفة ما جعل مرحلة ما مختلفة عن أخرى ف هكذا نوع من األلعاب. للقام بهكذا نوع من

من الالعبن المحترفن )ذوي الخبرة( ف هكذا نوع من األلعاب. كوننا الخارات جب استشارة عدد


المتحكمة الصفات 36 Controllable Features

)نحن العاملون على هذا الدراسة( من الممارسن لهذا النوع من األلعاب بشكل شبه وم لها، فقد قمنا

زات بأنفسنا. بوضع هذه الم

زات، فقد قمنا بمحاولة تحدد بعضها وإبعاد بع ضها اآلخر ألن العدد بعد العمل على اختار الم

الكبر منها ووجودها على مجاالت كبرة ؤدي إلى ظهور عدد كبر من المراحل )عدد المراحل عتمد

زات(، وهذا منعنا من قاس األداء لحد ما. لقاس األداء على تبادل الخارات الممكنة لكل نوع من الم

زات لهكذا نوع من األلعاب جب القام بتجارب عددة وترك عدد ومعرفة مدى إصابتنا ف تحدد الم

من الالعبن مارسون اللعبة وإعطاء رأهم ف المراحل الت ختبرونها والعدد الكبر من المراحل

ا )ستضح الفكرة الحقا (. جعل ممارسة كل المراحل الممكنة ؼر متاح عمل

وأما بناء المحتوى very indirectمن النوع خوارزمة تولد المحتوى المستخدمة تستخدم الترمز

( للتنته من التنفذ فإنه EA) للوقت الت تستؽرقه الخوارزمات التطورة فتم بشكل عشواب. ونظرا

لضرورة بناء مرحلة جددة وعرضها على الالعب ف من ؼر الممكن إستخدامها ف تطبقنا نظرا

بم مع نمط الالعب. حث نقوم بتجمع معلومات عن أسلوب زمن قصر. المحتوى المولد مخصص لتال

وإستخدامها للتنبؤ بـ المتعة، التفاعلة، التحدي ومن ثم (Gameplay Features)ومزات لعبه الالعب

عب.إقتراح محتوى تالبم من ذوق الال

المتحكم بها أو المتحكمة بالمزاتسمى PCGخل )المعامالت( الذي تستقبله خوارزمة الـ الد

(Controllable Features وتوص )ذه المعامالت شكل المحتوى الناتج.ؾ ه

بشكل هنا قد تم اختار المعامالت بشكل مدروس جدا بعد اكتشاؾ العدد من الصفات المتحكمة وسنتكلم

ه:. الصفات المتحكم بها موسع عنها فما بعد

عدد األعداء

صعوبة األعداء


المتحكمة الصفات 37 Controllable Features

شكل المرحلة

ع األسلحة نو

عدد الذخرة

وتتم العملة على PCGلعل شكل المرحلة هو اكثر السمات الممزة الت مكن تولدها بإستخدام

مرحلتن:

تولد العالم .1

إضافة األؼراض .1

سنشرحها بالتفصل وكفة بنابها ف دراستنا فما ل.


العالم تولد 38

ذنذ انؼانى .2.11.1

الجدران ووجد أسقؾ أو عدمه وما إلى ذلك، وكل عبر عن الشكل العام للمرحلة، أي طرقة توزع

ة "حفر" مختلفة كما سنرى. Diggingشكل قابل خوارزم

قد verticesف إضافة النقاط أي خطتوى األلعاب الثالثة األبعاد األكثر صعوبة ألن أتولد مح عد

إلؼراض ف العالم ثالث ؤدي إلى محتوى ؼر مقبول بسبب عملة التثلث، كما أن حساب إحداثات ا

البعد. الثنابصعب من مثله ف العالم األبعاد أ

ف تمثل المراحل. OctTree [13]ستخدم بنة Cube Engine [13]إن محرك األلعاب المعتمد

واصبحنا نتفاعل مع مكعبات. Verticesنكون قد ابتعدنا عن التعامل مع الـ OcTreeعتماد الـ االفب

حظ من الشكل أعاله تكون العالم من مكعب وتم اضافة مكعبات أبناء إله.فكما نال



.عند من قبلنا بعض التعدالتإجراء مع [5.]طرقة بناء العالم المقترحة مستوحاة من أفكار وردة ف

قوم بوضع بناء مرحلة سنبدأ من عالم مستوي )شبكة( ممتلا بالخالا السوداء )المكن الحركة فها( ون

موجود ف ف خلة محددة، حث حاك هذا الحفار العبا Digger ارما سمى بالعمل أو الحف

تجاهات عشوابة ضمن العالم، وعند انتقاله إلى ل ان تحرك ضمنها. نحرك الحفار باالمرحلة وحاو

معن من التكرارات كون خانة جددة ف العالم نقوم باستبدال الخلة السوداء بخلة بضاء. وبعد عدد

قد تشكلت لدنا مرحلة مكننا أن نتحرك فها ضمن الخالا البضاء.

ة بناء المرحلة بالخطوات التالة:نلخص خوارزم

سنبدأ بمصفوفة ثنابة البعد تمثل األرضة الت ستحرك علها الالعب تحوي جمع خالاها ..

)خالا سوداء( .القمة

ف منطقة بدأ الحفر نقوم بوضع الحفار .2

نحرك . Up, down, left, rightتعبر عن االتجاهات األربعة نولد اربعة ارقام عشوابة .1

تجاه ذو الرقم األكبرالعمل باإل

)خلة بضاء( ف الخلة الجددة 0نقوم بوضع القمة .3

حركات الحفار أقل من قمة معنة طالما أن عدد 3لخطوة العودة ل .2

لت لدنا مصفوفة ثنابة البعد تمثل العالم الذي تحرك ضمنه الالعب حث ون قد تشك بعد االنتهاء تك

جمع الخانات البضاء المجاورة ستطع االنتقال من خانة بضاء إلى



بق لنا أن نقوم باإلنتقال من هذه المصفوفة ثنابة البعد إلى عالم ثالث األبعاد.

السنبدأ بعالم مستوي كما ف الشكل الت .1

نقوم بتقسم مصفوفة الخالا البضاء والسوداء السابقة إلى مجموعة من المستطالت حث .1

، و نحسب إحداثات هذا المستطل فقطحتوي كل مستطل مجموعة خالا بضاء متجاورة

كونها Zضمن العالم الثالث األبعاد. جدر الذكر أن جمع المستطالت لها نفس المركبة

والطول والعرض. نقوم بتحدد X،Yنفس المستوي وتختلؾ فقط ف المركبتن واقعة ف

كل مستطل على حدة على العالم السابق وثم نخفض مستوي الخالا الت حتوها بمقدر

:معن كما ف الشكل التال



وبعد تحدد القام بالعملة السابقة على جمع المستطالت الجزبة نحصل على عالم كما ف .1

.الشكل

جمع الخالا المنخفضة ه خالا بضاء، الجدران ه خالا سوداء


السطري المسح خورازمة 42 scan-line

scan-line انسح انسطش خساصيح .2.11.1.1

ذف انخساصيح

إ٠داد أوثش غرط١ ف خاسغح ذس ػ غرط١الخ فاسغح زاخض ت١ا، وا ف اشى اساخض

عد ال ٠رماغغ غ أ اشتؼاخ اث١عاء.تا األت١ط افشاغاخ تاألعد، ش٠ذ أوثش غرط١ أ

طشمح انؼم

عطشا ع١ر ذث١ اخاسغح تصففح ثائ١ح اثؼذ، ٠م ثذأ اخاسص١ح ػ غر اصففح عطشا

را إ لائح اغرط١الخ اشطحإ٠داد اغرط١الخ اشطح إظاف

yتاذدا ا١١، x -إزذاث١اخ اثذا٠ح x,yز١ث (x, y, width, height) ع١ر ذث١ اغرط١ تاشى

اسذفاػ. heightاغرط١ ػشض width -تاذدا األعف


العمل طرقة 43

٠ر (5,0,2,1), (0,0,2,1)فؼذا غر اغطش صفش األػ ف اشى ٠ظش ا غرط١ال

٠1ر االرماي إ اغطش إظافرا إ لائح اغرط١الخ اشطح، تؼذ االراء اغطش سل صفش

:ز١ث صادف إزذ اساالخ ارا١ح

ان غازح غرط١ شػ و ٠ىثش)٠ضداد اسذفاػ(؛

ان ػائك ذؤد إ ذمغ١ غرط١الخ شطح إ ػذج غرط١الخ؛

ان ػائك ذؤد إ ززف غرط١ لائح اغرط١الخ اشطح؛

إظافح غرط١ شػ خذ٠ذ.١ظ أ اساالخ اغاتمح، ذؤد إ

٠ر إظافح (0,0,2,2)١صثر (0,0,2,1) اشى عف عغ اغرط١ 1فؼذ غر اغطش

.(5,0,2,2)١صثر (5,0,2,1)وا ٠ر ذع١غ (4,1,4,1)غرط١ خذ٠ذ

ت إ وا ػذ ززف أ غرط١ امائح اشطح ٠ر ماسر غ أوثش غرط١ إ ا٢ ١ر اعرثذا

أوثش.

٠ر إواي غر األعطش زر ارائا ث ٠ر ماسح أوثش غرط١ غ غرط١الخ امائح اشطح ارثم١ح

العرثذا إ وا ٠خذ أوثش .


العمالء لحركة موزون بان بناء 44

تاء تا يص نحشكح انؼالء .2.11.1

موزون تم إن الحاسب ؼر قادر على اللعب ف المرحلة المولدة بعد، وذلك ألنه بحاجة إلى بان

ببناء فقد قمنا ف دراستناإستخدامه لحساب اإلتجاهات الواجب السر وفقها. لمعالجة المشكلة السابقة

بان ربط بن جمع الخالا البضاء المتجاورة من المصفوفة السابقة حث كون لجمع الوصالت نفس

قاطه وعندها كون لهذه الوصلة الوزن إال ف حال كان وجد ضمن الخلة )العقدة( ؼرض مكن الت

بن الشكل التال البان الموزون الرابط بن الخالا: وزن أعلى من ؼرها.


األؼراض إضافة 45

إضافح األغشاع .2.11.2

نقصد باألؼراض األسلحة، مكعبات الصحة. المرحلة المولدة ؼر صالحة

للعب بعد، وذلك لعدم احتوابها على أسلحة وؼرها من األؼراض الت

لتوزع األؼراض ؼر [12] الدراسة العب. إن الحل المتبع فحتاجها ال

بتجزبة مصفوفة العالم السابقة قوم الحل الوارد ف الدراسة .مالبم تماما

من األؼراض ضمن كل إلى مجموعة من المربعات ووضع عدد معن

ختار الخلة بشكل عشواب. المشكلة ف الحل السابق مكعب عن طرق ا

تتم جود ؼرضن ف خلتن متتالتن ألن عملة توزع األؼراضإمكانة و

تحت رحمة تابع تولد األرقام العشوابة المستخدم فعند الحصول على

رقمن عشوابن متتالن فسنحصل على ؼرضن متجاورن وهذا سلوك

ؼر مرؼوب.

هوي شكل من أشكال الشبكات المنظمة لنفسها ف دراستنا الحل المقترح

SOM كما ل: هومع التعدل عله و

البعد جمع خالاها المقابلة لخالا بضاء ف مصفوفة العالم تحمل ثنابةسنبدأ بمصفوفة .1

.1وجمع خالاها المقابلة للخالا السوداء ف مصفوفة العالم تحمل القمة 2القمة

Neighboring Radiusنعرؾ ماسمى نصؾ قطر الجوار ولكن .1

الخلة الت تحتوي القمة األكبر وف حال وجود اكثر من خلة بنفس القمة نختار نختار .1

.Cولتكن أحداها عشوابا

للخلة المختارةنضؾ الؽرض الجدد إلى المرحلة ضمن الموضع الموافق .3

نقوم بإجاد جمع الخالا الواقعة ف جوار الخلة الحالة .2



قمتها حسب العالقة التال من أجل كل خلة جوار نقوم بتعدل .2

هو المسافة بن الخلة المراد تعدلها والخلة الت تم وضع الؽرض فها حث

Influence لتأثرقمة ا تازداداقتربت الخلة من الخلة الجوار من الجدر مالحظته انه كلما

وكلما ابعتدت نقصة قمته وهذا هو السلوك المرؼوب.

ونجعلها مساوة للصفر C1نحدث قمة .7

منتصؾ المرحلة! تم بن الشكل التال كفة تمركز األؼراض ف الزواا وقرب الجدران ولس ف

.SOMذلك كما رأنا باستخدام الخرابط ذاتة التنظم



شكل وضح كفة تمركز األؼراض ف حدود الخارطة وف األماكن المخببة

شكل وضح كفة تمركز األؼراض ف حدود الخارطة وف األماكن المخببة


المراحل أنماط 48

على( تحت منا طق معنة وتم فتح سقؾ المستوى شكل وضح كفة وجود النواقل )القافزات لمستوى أ الثان المقابل لهذا الناقل

أاط انشاحم .2.11.3

( والمرحلة ذات Ceiled Arena) وجد نوعن من المراحل الت مكن تولدها: الحلبة المسقوفة

.(Lava)ومرحلة النران (Layered) الطبقات

A. ( انحهثح انسمفحCeiled Arena)

وسمح له بالحفر طالما أن عدد الحركات الت قام بها (Gridار ف منتصؾ الشبكة )نبدء بوضع الحف

. وبعد بناء المرحلة، تم إضافة سقؾ إلها لنحصل على مرحلة مشابهة للشكل التال1222التجاوز


الطبقات متعددة المرحلة 49 (Layered)

Ceiled Arenaمرحلة من نوع

B. ( انشحهح يرؼذدج انطثماخLayered)

، وعدد من أدوات القفز لالنتقال من المستوى األدنى لألعلى. كون تحتوي هذه المرحلة على طبقتن

المستوى األدنى عبارة عن مساحات واسعة للحركة، والمستوى األعلى كون عبارة عن مناطق تظهر

متقاربة لكن ؼر متصلة!

ان نضعه ف والث (Grid) نقوم باستخدام حفارن لبناء المرحلة. نمركز األول ف القسم الساري للشبكة

نقوم من بناء المرحلة، وتوزع األؼراض. وبعد اإلنتهاء حركة 322. نسمح لكل حفار بـ القسم المن

( والت تسمح JumpPadsإضافة نوع جدد من األؼراض على المرحلة الناتجة وه منصات القفز)ب

فز نقوم بإضافة إرضة فوقها لالعب بالقفز ف الهواء لمسافة عالة عند المرور علها. عند كل منصة ق

مكن لالعب ان نتقل إلها األمر الذي سمح لنا ببناء طبقة ثانة للحركة ؼر الطبقة األولى الت تم

.بناؤها بواسطة الحفارن


الطبقات متعددة المرحلة 50 (Layered)

Layered levelمرحلة من نوع

عن وكفة تباعد مساحات المستوى الثان Layered Level مرحلة بمستون شكل وضح مرحلة

بعضها


ة حمم مع واسعة مساحة 51 بركان Arena with Lava

C. يساحح اسؼح يغ حى تشكا حArena with Lava

ا ، وتتوزع ف األرض حمم زة متصلة ببعضها جزب حث وجد ف المرحلة أربعة مناطق مم

ة قادرة على قتل كل من سر علها، مشابهة لحد ما للمستوى األول، لكن وجود مستوى وحد بركان

وإضافة الحمم ضف نكهة جددة.

بدأ الحفار بالحفر من أربع نقاط مختلفة )قرب الزواا(، ومن كل نقطة نطلق باالتجاهات األربعة

%(، وتكون األرض 12الممكنة، كما وزع الحمم اعتمادا على نسبة ثابتة من المساحة المتاحة للحركة )

عبارة عن طبقة واحدة.

Arena with lavaمرحلة من نوع


األعداء عدد 52

ررنا إلى االكتفاء طاضتبادل المراحل الثالث وتطلبها لعدد كبر من الالعبن كبر: بسبب مالحظة

عند الحصول على ومراحل النران المرحلة متعددة الطبقات على أمل نقوم بإستخدام المراحل المسقوفة ب

حصابة كافة.عدد كبر من الالعبن ووجود بانات إ

ػذد األػذاء .2.11.4

عب ف هذه اللعبة عددا من الخصوم وجب أن نافسهم للفوز، أو عدد الخصوم، حث واجه الال

وإن عددهم ؤثر بشكل كبر على حجم التفاعل الحاصل معهم، وبالتال متعة اللعب.

ا بالنسبة لمساحة اللعب المتاحة. قمنا ف البداة لتحدد هذا العدد، قمنا باختار عدد كون منطق

كون عدد الالعبن بن هذن الرقمن، لكن ذلك لم كن خارا موفقا ألن ، أي 7و 1باختار العدد بن

، أي ال مز مرحلة عن أخرى بشكل كبر، لذا فقد اخترنا أن كون العدد 3ال ختلؾ كثرا عن 1العدد

ولس أي عدد بنهما، وبالتال ستطع الالعب االحساس باالختالؾ بن الخارن دون أن 7أو 1إما

أو الحمل الزابد جدا ف الضؽط عله ف اللعب ف 1شعر بالملل الكبر ف حال كان العدد أقل من

.7حال كان العدد أكبر من

ضمن كامل المجال ولس نمطن فقط. Adaptation كون عدد األعداء بعد إجراء التكؾ

طؼتح األػذاء .2.11.5

)خبرة 2وقدرتهم على اإلصابة و"التفكر"، وإن هذا العدد مثل برقم بن أي درجة خبرتهم

ا (. لقد كان اختارنا المبدب أن كون الرقم بن 122معدومة( و )أقل من 22و 12)خبرة كاملة نسب

بنفس وجهة -كون دقق اإلصابة بشكل كبر جدا (. ولكن 22كون ضعفا جدا جدا ، وأكبر من 12


األسلحة نوع 53

لن كون واضحا كفاة 12و 12، وحتى بن 12و 12الفرق بن -النظر الت عالجنا بها عدد األعداء

%(27%( أو صعب )بنسبة 12لذا قمنا بتحدد مستوى صعوبة األعداء كأحد خارن متوسط )بنسبة

صححة. ة القدرة على التحكم بمهارات األعداء بشكل بسط عن طرق قم Cube[13]تح المحرك

.جدا تمثل خصم ماهر جدا 122، بنما القمة جدا تمثل العب سء ف اللعب 2فالقمة

ضمن كامل المجال ولس نمطن فقط. Adaptationاألعداء بعد إجراء التكؾ تكون صعوبة

ع األسهحح .2.11.6

-أخذها الالعبون لستفدوا منها نت مكن أوال -سلحة المتواجدة ف أرض المرحلة إن عدد األ

لست جمعها ذات نوع واحد بل مكن اعتبار كل سالح تبع األسلحةثابت ومناسب لمساحة اللعب، لكن

ألحد نمطن: أسلحة رشاشة، وأسلحة متفجرة. استخدام الالعب لنوع دون آخر أو حتى تفضله نوعا

عة الالعب وقد قوده لتفضل مرحلة عن أخرى.على آخر عبر إلى حد كبر عن طب

إن نسبة األسلحة المتفجرة من العدد الكل )الثابت( لألسلحة كف للتعبر عن نمط األسلحة األكثر

انتشارا ف األرض وبالتال مول الالعب نوعا ما. حث أن النسبة هذه تعط عدد األسلحة المتفجرة

ألسلحة الرشاشة وبالتال عددها أضا .الموجودة على األرض ونسبة ا

إلى نوعن، وهما: Cube[13]قمنا بتقسم األسلحة ف محرك

أسلحة متفجرة

أسلحة تستخدم الرصاص

حسب بالتحكم بنسبة عدد األسلحة المتفجرة إلى األسلحة المستخدمة للرصاص PCGتقوم خوارزمة

:العالقة


الذخرة عدد 54

ػذد انزخشج .2.11.7

نستطع التحكم بعدد األسلحة ف المرحلة المولدة بإستخدام هذا المعامل، حث شر إلى عدد الخالا

.واحدالبضاء الت جب أن تحتوي على سالح

ن تحتوي على سالح واحدخلة بضاء جب أ 12 تعن أن كل ال مث 12فالقمة

،



الفصل الرابع

فكار نظرة لبناء النماذجأ


النماذج لبناء نظرة أفكار 57

أفكاس ظشح نثاء انارج .3

Cross-Validationانرحمك انرظانث .3.1

إعب فئ ػثاسج ػ [12]، حسب الدراسة Rotation estimationوالذي طلق عله أحانا

غرخذ اث١ااخ إ خضأ٠: األي ٠ ره خالي ذمغ١ ارؼ رم١١ ماسح خاسص١اخإزصائ

ارج.٠ غرخذ رسمك صسح ا٢خش رج رؼ١ أ ذذس٠ة

-crossفئ دػاخ ارذس٠ة ارسمك ٠دة أ ذرصاة typicalف ارسمك ارصاث االػر١اد

over اخ شاخ ترىشاسrounds ررا١حsuccessive تس١ث أ و مطح ؼط١اخdata point ا

أ٠عا . validated againstفشصح ف أ ذى غ١ش سممح

. األشىاي األخش ارسمك k-fold cross-validationاشى اشئ١غ ف ارسمك ارصاث

roundsأ ذسر ػ ػذد اشاخ k-fold cross-validationارصاث زاالخ خاصح

k-fold cross-validation.

أذاف انرحمك انرظانث .3.1.1

ان ذفا سرال رسمك ارصاث:

ؼشفح ذ أداء رج رؼlearned model ؼط١اخ خاضج خدج تاعرخذا

. generalizabilityسص١ح رؼ١ خاسص١ح ازذج. تىال آخش إلزاغح تذ لات١ح اخا

ماسح أداء خاسص١ر١ خرفر١ إل٠داد اخاسص١ح األفع أخ ؼط١اخ خاضج

رج ماد parametersخدج، أ تشى أخش، ماسح أداء اث١ أ أوثش اؼاالخ

.parameterized modelتاؼاالخ


التصالب التحقق عمل كفة 58

اذف١ اغاتم١ شذثطا تشى وث١ش تثؼعا ز١ث أ اذف اثا سمك تشى ظ ف الزع أ

اىح ألداء. estimatesزاي ؼشفح أزذ ارماس٠ة

كفح ػم انرحمك انرظانث .3.1.1

لغ رغا )أ ذمش٠ثا رغا( أ ا k فئ اؼط١اخ ذمغ أال إ k-fold cross-validationف

.foldطك ػ١ تـ "غ١ح"

غ١ح iteration ارذس٠ة ارسمك تس١ث ٠ى ظ و iterationدسج kتشى اث فئ ٠ر

fold خرفح اؼط١اخ ٠ طثك ػ١ ارسمكvalidation اـ k-1 غ١ح اثال١ح ذغرخذ رؼ

learning.

األغك اؼط١اخ ٠ؼثش ػ . ادضأ fold cross-validation-3اشى ارا ٠ظر ثاال ػ

. validationارذس٠ة األخف ػما ١ا ٠ؼثش ػ ؼط١اخ ارسمك اصسح

stratificationغ١ح. ارطاتك kتأ ذى مغح إ ٠stratifiedر ػادج ذسم١ك ذطاتك اؼط١اخ

ذؼثش تشى خ١ذ ػ وا اؼط١اخ.ػ١ح إػادج ذشذ١ة اؼط١اخ تس١ث ذع ز اؼ١ح تأ و غ١ح


الطات معامل اختار 59 k-fold

%٠50ؼثش ػ classز١ث أ و صف binary classificationف ثاي ارص١ف اثائ

اؼط١اخ، فئ األفع ذمغ١ اؼط١اخ ذشذ١ثا ظ و غ١ح تس١ث أ و صف ٠رأف صف

.instancesاؼ١اخ

k-foldاخراس يؼايم انطاخ .3.1.2

ارم١ة ػ machine learningفئ ف ذطث١ماخ ذؼ١ ا٢ح [12]غة اذساعح ااسدج ف غاثا ز

ف fold cross-validation-10 غ١اخ 11 فئ ٠ى رسك ارصاث data miningاؼط١اخ

أغة اساالخ.

Validationأاط أخش ي انرحمك .3.1.3

Leave-One-Outو Hold-Out Validation وجد العدد من الطرق األخرى ف التحقق مثل

Cross-Validation وRepeated K-Fold Cross-Validation والت مكن أجاد مقارنة فما بنها

وفق ما ل: [12]من خالل الدراسة

طريقة التحقق

Validation method Consالسيئبت Prosالحسنبت

Resubstitution

Validation تسيطح

هرج التذرية السائذ ظهىر ظا

وحفع الشثكح لنمط واحذ

over-fitting

Hold-out Validation

عمليح التذرية

واالختثار منفصلح

عن تعضها الثعض

عذد قليل من عملياخ التذرية

كثير varianceواالختثار، انحياز

k-fold cross validation تقرية وتخمين عذد قليل من تقرية وتخمين


التحقق من أخرى أنماط 60 Validation

يناخ األداء،ع دقيق لألداء

معطياخ تذرية معادج أكثر من

،overlappedمرج

تشكل أدنى أو varianceانحياز

أعلى تكثير من الحذ المثالي

Leave-One-Out cross-

validation

تخمين أداء غير

unbiasedمىروب انحياز كثير جذا

Repeated k-fold cross-

validation

عذد كثير من

تقريثاخ األداء

،overlappedة متكرر تذري

تشكل أدنى أو varianceانحياز

أعلى تكثير من الحذ المثالي


ات 61 العبة الؽر الشخص Non-Player Characters (NPC)

Non-Player Characters (NPC)انش خظ اخ انغش الػثح .3.1

عدة صفات حتى تاح للبشر أن صفوا تطلب للبشر Descriptionsفإن الوصؾ [11]كما ورد ف

صات الؽر العبة ه الشخصات الت ال مكن أن . الشخ believableالشء بأنه قابل للتصدق

تحكم فها الالعب. ف مجال األلعاب تعتبر الشخصات الؽر العبة بأنها الشخصات الت تم التحكم

بها عن طرق الحاسب من خالل إضافة سلوك علها عن طرق الذكاء الصنع.

مكن الت التصمم خارات إلى صدق إشارةتكمن جودة الشخصات الؽر العبة بمدى قابلتها للت

األلعاب عددة ف believableمكن تصدقها والت NPCالعبة ؼر شخصات تصمم عند تقدمها

ولكن لست كلها بنفس الجودة.



الفصل الخامس

نمذجة خبرة الالعب من أجل تولد المحتوى

Modeling Player Experience for Content Creation


ات 64 عبةال الؽر الشخص Non-Player Characters (NPC)


المحتوى تولد أجل من الالعب خبرة نمذجة 65

زخح خثشج انالػة ي أخم ذنذ انحر .4

Neuro-evolutionaryذؼهى انرفضم ػ طشك انؼظثح انرطسح .4.1

Preference Learning through Player Modeling

لتعلم التفضل من الالعب. القسم [1]المكونات الربسة للطرقة المقترحة ف الشكل السابق وضح

من الشكل وضح زادة نمذجة الالعب، بنما عملة تعلم التفضل تظهر ف القسم األسفل. ف األعلى

( من مجموعة من بانات اللعبة المسجلة featuresهذه المقاربة، تم استخراج مجموعة من المزات )

( وتم معالجة هذه المزات عن طرق gameplay featuresلالعبن والت ه مزات اللعب )

( الختار مجموعة المزات األكثر feature selection algorithmخوارزمة اختار مزات )

(، حث أن النموذج preference modelمالبمة الت تعط أعلى أداء عند تطبق النموذج التفضل )

عنها من التفضل تعلم أن قابل بن هذه المجموعة من المزات وبانات التفضل الت تم اإلخبار

العب اللعبة.


والمزات البانات أنواع 66

تم اختار مجموعة أخرى من مزات اللعب إلنشاء نموذج لالعب [1]ف النموذج الموسع المقترح ف

والذي ؽذي النموذج التفضل بتصنفات الالعب، ؤمن إنشاء هذه التوسعة متنبا للتفضل

(preference predictor.مع مؤشر صرح عن سلوك الالعب أو اسلوبه )

Emergent self-organizingتم استخدام خرابط التنظم الذات المنبثقة ) [1]ف هذه الدراسة

maps أو )ESOM كاختصار لنمذجة الالعبن والت لن نستخدمها هنا وسنضعها كدراسة مستقبلة، و

العصبونة التطورة لتعلم تفضالت الالعب.

عد انتهاء المقاربة ثنابة الطور هو طبقة برسبترون واحدة ب ف الدراسة السابقة نموذج التفضل النهاب

( تتوقع تفضالت تدربت علها من مجموعة مزات لعاب مختارة ونمط Non-linear SLPؼر خطة )

الت تستخدم مجموعة أخرى من مزات اللعب لتصنؾ الالعبن. ESOMالالعب المعطى بواسطة

عن طرق االختار التسلسل األمام ESOMو SLPمن أجل تم اختار مزات إحصابة مناسبة

(SFS.كطرقة الختار المزات )

ختلؾ النموذج السابق عن درستنا، وسنذكر النموذج المأخوذ بالتفصل فما ل.

أاع انثااخ انضاخ .4.1

شابه على ثالثة المراد إننموذج تدرب على البانات حدث نحن بحاجة لجمعتمكن أن نمذجة قبل أي

انات سنذكرها فما ل.أنواع من الب


اللعبة ف بها التحكم مكن الت المزات 67 Controllable features of the game

Controllable features of the ف انهؼثحتا ك انرحكى انر انضاخ .4.1.1

game

، (Levelمن اللعبة ) تستخدم ف تولد مستوى( الت Parametersوالت تعن المعامالت )

اد ومقارنة جمع التبادل الممكنة ضمن المستوى. وقد تم إج والت تؤثر على نوع وصعوبة

.وشرحت سابقا عند تولد المراحل وتولد المراحل على هذا األساس لعبةال

هو عبارة عن إجرابة تعمل من األسفل إلى سنرى الحقا كما SFSاالختار التسلسل األمام

المزات الحالة. ( حث تم إضافة مزة واحدة ف كل مرة إلى مجموعةbuttom-upاألعلى )

المزة الت تضاؾ إلى المجموعة تم اختارها من المجموعة الجزبة من المزات المتبقة الت

لم تم اختارها بحث تولد المجموعة الجددة من المزات أعلى تابع أداء من بن جمع المزات

لتن تم اختبارهما.تفاوت من أجل اآللتن ال SFSالمرشحة لإلضافة. تابع األداء ف

لتحدد مدى جودة مجموعة ESOMاستخدام األخطاء التكممة والطبوؼرافة ف [1]تم ف

( من أجل cross validationالمزات المقترحة، بنما تم أخذ متوسط أداء التأكد التصالب )

ف دراستنا. SLPالطات ؼر المربة من البانات كأداة لقاس أداء

ار المزات ه مرحلة جوهرة إلجاد العدد األقل )األكثر مالبمة( من المزات مرحلة اخت

والت تعط أعلى توقع لنموذج التفضل حث نرد أن نبق على حجم النموذج صؽر كفاة

(.real timeلكون فعال ف الزمن الحقق )

كون أسهل للتحلل ولكون نرد أن نبق على النموذج حوي على أقل مزات قدر اإلمكان لك

مفدا ف الخوض بتحققات مستقبلة آللات زمن حقق تكفة تصمم اللعبة عن طرق تجربة

العب الت تحتاج إلى الالعب.

حسن من جودة التعلم ف العصبونة أضا وجد دالبل على أن استبعاد الدخل الؽر ضروري

المزات إلجاد مجموعة المزات الجزبة الت تعط لذلك تم استخدام اختار [1]التطورة


اللعبة ضمن اللعب خصابص 68 Gameplay characteristics

النموذج األعلى دقة وتحفظ من الجهد الحساب والبحث المضن على جمع تراكب المزات

الممكنة.

بالتفصل حث تم مثال Marioبالبحث ف اختارات المزات للعبة [12]قامت الدراسة

لطبولوجا المرحلة ضمن المزات Patternنة استخدام خوارزمات لدراسة تكرار صؽة مع

القابلة للتحكم ومعرفة مدى اربتاطها بالمشاعر الت شعر بها الشخص أثناء لعبه. تنجح هذه

. 2Dوكانت ثنابة البعد Marioالخوارزمة ف الدراسة المذكورة ألن اللعبة المدروسة كانت

ؽة معنة لطبولوجا مرحلة ما لن كون فدراسة تكرار ص 3Dأما ف الفضاء الثالث البعد

بذات فابدة لدخول عوامل أخرى كثرة ضمن الببة ثالثة البعد.

Gameplay characteristics ض انهؼثح خظائض انهؼة .4.1.1

كم مرة قفزقمنا بقاس الخصابص اإلحصابة مثل . لعبةال لعب لالعب أنأي كؾ مكن

وستم شرحها بالتفصل.الالعب أو عدد مرات موته .. إلخ،

الخصابص ال مكن التحكم بها، وذلك ألنها تختلؾ تبعا لالعب عدا أنها تنتج من طرقة لعبه بحد هذه

ا أو وأسلوب تهتعتمد فقط على مهارذاته و تحكم فها نهاب لعبه، ولكن ذلك ال عن أنه ال مكن أن

معن اللعبة ف مستوى اشر عن طرق تؽر مالمح بشكل مباشر، وإنما مكن التحكم بها بشكل ؼر مب

نذكرها فما ل: .ةلعبمن ال

(ShootingAccuracyدق ة اإلصابة ) .1

تعبر عن نسبة إصابة الالعب لالعبن اآلخرن من إجمال الضربات الت أطلقها )عدد الطلقات

العب ومدى براعته.عدد الطلقات الكل(، وتعط فكرة عن درجة احتراؾ ال \الت أصاب بها



رة ) .2 (TimePerWeaponنسبة استخدام األسلحة المتفج

تعبر عن الزمن الذي حمل فه الالعب األسلحة المتفجرة، وتعبر عن تفضله لنوع من األسلحة عن

آخر لحد كبر. لكن حمل الالعب لسالح ما قد رتبط بانتشار السالح ف أرض المعركة، لذلك فقض

زات أخرى تكمل نفس الفكرة للحصول على نتجة أفضل.أضفنا مم

رة إلى الطلقات كل ها .3 ادرة من األسلحة المتفج نسبة الطلقات الص

(WeaponTypeUsagePercentage)

تحسب هذه النسبة إلى عدد الطلقات كلها، وتتكامل مع سابقتها لتحدد مول الالعب ف استخدام

األسلحة.

ط فترة الل عب ) .4 (PlayingTimeAvgمتوس

زة تحدد متوسط الفترة الت بق فها الالعب قتل الالعب مرات عددة أثناء اللعبة، وهذه المم قد

زة على قدرة الالعب من جهة، وعلى خبرة األعداء من جهة أخرى. قد على قد الحاة. تدل هذه الم

ا .تعبر عن الملل ف حال كانت طولة نسب

Layer (TimePerLayerPercentage)نسبة الوقت على المستوى .5

تفد ف حال كانت المرحلة حاوة على أكثر من مستوي واحد، فهذه الخاصة تعبر عن نسبة الوقت

المصروؾ على المستوى العلوي إلى وقت المرحلة ككل، وتعبر هذه الصفة عن اهتمام الالعب ورؼبة

ستوى ما أكثر من آخر.ف التواجد ف م

رة .6 الوقت المصروف ف الضغط على الزناد ف األسلحة المتفج

(ExplosiveShootingTime)

إن الوقت المنصرم ف الضؽط على زناد سالح ما قد عط فكرة عن مدى االندماج ف اللعبة.



(RifleShootingTimeالوقت المصروف ف الضغط على الزناد ف األسلحة الرش اشة ) .7

تشبه سابقتها، لكنها تطبق على األسلحة الرشاشة فقط!

(TimeSteadyالوقت المصروف بحالة سكون ) .8

إن وقوؾ الالعب بدون حراك أثناء اللعب قد عط انطباعا عن مدى اندماج الالعب ف اللعبة أو

دماج الالعب، لكن ملله أو حتى طرقة لعبه. رتفع هذا الرقم ف حالة ملل الالعب ونخفض ف حال ان

تبقى ذلك الحالة العامة الت قد تختلؾ بالنسبة لبعض الالعبن.

(DeathCountعدد مرات الموت ) .9

تشر إلى مدى براعة الالعب ف اللعب من جهة، وإلى براعة المنافسن من جهة أخرى.

(SuicideCountعدد مرات االنتحار ) .11

رة، قفز خارج حدود الخرطة ..( وذلك قد عكس قلة خبرة قد قدم الالعب على قتل نفسه )أسلحة متفج

أو انزعاج من اللعبة.

(KillingCountعدد مرات القتل ) .11

عدد المرات الت قتل بها الالعب أحد أعدابه وتحدد الفابز بن الالعبن )ه نفسها النتجة

Score.)

(HitsTakenعدد الضربات المتلق اة ) .12

اها، وقد تعكس ترتبط بحجم االنزعاج الذي عانه الالعبعدد الضربات الت تلق

(HealthCollectedعدد اإلسعافات الت تم جمعها ) .13



تتواجد ف أرض المعركة ومكن جمعها بالمرور فوقها، وتفد -على ؼرار الدروع والذخابر-وه

ة م ن جهة أخرى. قد ف خفض إصابات الالعب من جهة، وزادة قدرته على تحمل إصابات مستقبل

عكس جمعها رؼبة الالعب ف البقاء.

(ArmorCollectedعدد الدروع الت تم جمعها ) .14

(JumpingCountعدد مرات القفز ) .15

(JumpPadUsedعدد مرات استخدام أدوات القفز ) .16

.Layerdوه الطرقة الوحد لالنتقال من طبقة ألخرى أعلى منها ف نمط المراحل

ة )عدد مرات جمع ذخا .17 (ExtraBulletsئر إضاف

(EnemyHitعدد مرات إصابة األعداء ) .18

أي إلحاق الضرر بهم ولس بالضرورة قتلهم

(ShootingCountعدد الضربات المطلوقة ) .19

رة المطلوقة ) .21 (ExplosiveShotsCountعدد الضربات المتفج

عط فكرة أفضل عن تساعد ف حساب نسبة الطلقات المتفجرة من الطلقات كلها، والنسبة قد ت

اللعب.


اللعبة لعب بعد المعادة الالعب خبرة 72 Reported player’s experience of playing the

game

ؼادج تؼذ نؼة انهؼثح .4.2 Reported player’s experience ofخثشج انالػة ان

playing the game

ة( تسأل لالعب خار 3مؤلؾ من خالل استبانوتقاس من ات ذات خارت محددة مسبقا )قسر

بالممزات الت مكن التحكم بها ف اللعبة ( )مختلفتنGame Pairاللعبة )ن لعب اثنن من أزواج أبعد

Controllable features وذلك إلعطاء رأه بزوج اللعب الذي قام بلعبه اعتمادا على المشاعر الت )

م. قد آتته عندما لعب اللعبة. وستم شرح البروتكوكول المق

ؼادج انثشذكل انردشث .4.3 Reported player experienceخثشج انالػة ان

and experimental protocol

والت تقوم على أن لعب الالعب زوجن من [1]حسب [13]قمنا بأخذ نفس التجربة المقترحة ف

وبعدها قوم الالعب باإلجابة عن أربع أسبلة ذات خارات محددة وذلك تبعا للمشاعر الت أزواج اللعبة

-4)دة الخارات حد أربع تبادل م توكول ( والمسمى ببرEmotional Preferenceخاضها )

alternative forced choice (4-AFS):والذي تكون خاراته على الشكل )

اللعبةA[B] كانت أكثرE من اللعبةB[A]( . أو بالعكس- ) تبدلن لخارن محددن حصرا

كلتا اللعبتن كانتاE.

كلتا اللعبتن كانتا ؼرE.

"االندماجة" التداخلحتوي على تأخذ قما ت تحت التحقق و (Emotion) ةه حالة وجدان E حث

(Engagement) ا ، وتحد (Challenge) ،( وإحباطFrustration) ستند اختار .ف دراستنا هذه

تخص دراسات بتعلق األمر لعبة وشعبتها عندماالالعب بحول مدى صلة لعب الثالثل اهذه الدو

.[12]إجراؤه ف األلعاب كما تم


لعب زوج 73 Game Pair

Game Pairصج نؼة .4.4

reportingومن ثم قوم بإعطاء A,Bالت قمنا بها بأن لعب الالعب لعبتن اللعب عملةتألؾ نمط

للمشاعر الت خاضها أثناء لعبه للعبة.

featureنقوم بتولد مرحلتن، كل مرحلة كما رأنا ف تولد المراحل اعتمادا على شعاع مزات

vector .والذي قوم ببناء مرحلة استنادا إلى قم المزات الموافقة بداخله



الفصل السادس

نموذج التفضالت - بناء النماذج

األول الضارب دراسة بحثة أللعاب الشخص

Testbed Platform FPS Games


التكؾ ونموذج التفضالت نموذج - النماذج بناء 77

رج انرفضالخ رج انركف -تاء انارج .5

الل نؼة انالػثخغ انؼطاخ ي خ .5.1

ف أواخر Cube engineاالنتهاء من تعدل المحرك تم تم تحدد الممزات ف بداة شهر آذار، كما

وتم اإلعالن عن إقامة حدث ضمن كلة الهندسة المعلوماتة ف وم االثنن الموافق 1211 –شهر آذار

لعب اللعبة، على أن تكون أام الحدث وذلك لجمع أكبر عدد ممكن من الالعبن ل 1211 –آذار 13لـ

ولمدة خمس ساعات ف كل منهما. 1211 –آذار 13و 17ه الثالثاء والخمس الموافقن لـ

وذلك حسب القانون (Controllable featuresتم تولد جمع التبادل الممكنة للمزات المتحكم بها )

سكون Game-pairكم بها. لتوزعها بشكل ثنابات لعب قمة مختلفة ألربع صفات متح 12أي وجد

لدنا

كما رأنا ف اختار وذلك لنمط واحد من المراحلثنابة لعب نرد أن نختبرها على الالعبن، 112أي

تبار واحدة فقط من المراحل الت قمنا ببنابها وذلك للعد الكبر من الالعبن الواجب توافره ف حال االخ

على ثالث مراحل.

وتحصلها ف قاعدة وعن أنماط لعبهم العب وتم أخذ جمع البانات منهم 112 شارك ف التجربة

لعب الالعب.( Modelمعطات لالستفادة منها ف المرحلة القادمة وه بناء النموذج )


الالعب خبرة لنمذجة األفضلات طرق عن التعلم 78 Preference learning for modeling player

experience

Preference learning forانرؼهى ػ طشك األفضهاخ نزخح خثشج انالػة .5.1

modeling player experience

( functionفإننا نرد تقرب تابع )، العملة الت وصفناها أعالهاستنادا إلى البانات الت تم جمعها ف

من خالل الممزات القابلة للتعدل )مثل: صعوبة األعداء( وممزات لعب الالعب )مثل: عدد الطلقات

عر الت شعرها وهو لعب اللعبة )مثل: اإلحباط( وذلك الت أطلقها الالعب وأصابت أعداءه( والمشا

(.Neuroevolutionary preference learning) تفضالت التعلم باستخدامباستخدام

الت تقوم على [1]تقوم طرقة التعلم والت استخدمناها ف هذه الدراسة على نفس الطرقة القابمة ف

linearة )خطارتباطات من العثور على ، بدءا Bottom Up بطرقة من أسفل إلى أعلىالمض

correlations،) كثر األالنماذج الخطة إلى نماذج ؼر خطة بسطة، وأخرا إلى بعد ذلك وصوال

.فعالة ودقةأكثر ولكن أضا تعقدا

المختارة، وذلك بالنسبة للتابع المأخوذ تبعا للمزات أن تكون العنات ذات ضجج عال جدا المتوقعمن

بسبب أنها مأخوذة تبعا لتقم شخص لالعب والممزات الت حبها تبعا لذوقه الخاص واألسلوب الذي

ختلؾ فه العب عن آخر.

نات ة محدودة من البانات وإلى جنب مع كم جنبا من تدرب النموذج على جعل هذا فإن درب،الت ع

مرات وظهور ظاهرة "زادة التدرب والحفظ الخصوص للمعطات" العنات نفسها عدد كبر من ال

(overfitting )متطلبا ذلك منا أن نجد مقاربا ذو اعتمادة عالة للتابع المأخوذ )تابع محتمال ا خطر

الممزات القابلة للتعدل، لعب الالعب، التفضالت الت اختارها الالعب بعد لعبه اللعبة(.

شبكة بناء تابع ؼر خط كخطوة أساسة لبناء مثل هذا النموذج وحث تمثل ال قودنا ذلك إلى

( mappingخارا جدا لبناء مثل هذا التابع فقد تم اختارها كأداة لتقرب التقابل ) (ANN)ةونالعصب

ت )تعبر عنا ( وعنات الدخلreported affectsبن المؤثرات الت استرجعها النظام من الالعب )


الالعب خبرة لنمذجة األفضلات رقط عن التعلم 79 Preference learning for modeling player

experience

الدخل عن زوج لعب بكل ما فه من صفات متحكمة للمرحلة وصفات لعب الالعب ف المرحلة وذلكك

.لكل زوج( Bواللعبة Aللعبة

و الشبكة العصبونة Simple Perceptronبهذا فالشبكة العصبونة البسطة المكونة من مكون بسط

ة بن مدخالت الشبكة العصبونة )الخصابص تم تعدلهما وزادة معدل تعلمهما للعالق MLP المعقدة

features( ومخرجات الشبكة العصبونة )المسترجعة للمشاعر واألحاسس( لكل زوج النسبة المبوة

.Game pairمن األلعاب


التطورة العصبونة التفضل نمذجة 80 Neuro-Evolutionary Preferece Learning

Neuro-Evolutionary Preferece زخح انرفضم انؼظثح انرطسح .5.2

Learning

الطبقة والت تقارب تابع مفترض ؼر معروؾ وال خط قوم حث تم استخدام شبكة عصبونة وحدة

بمقابلة مزات اللعب اإلحصابة المختارة وعناقد من سلوك اللعب مع الحالة الشعورة الت تم تبلؽها،

هذه الشبكة لها عصبون خرج وحد ستخدم تابع السؽمود كتابع تفعل واألوزان تأخذ قم من المجال

عنات التدرب ه [0,1]( والذي قمه ف المجال normalizedقة الدخل المطبع )لمطاب [5 ,5-]

عبارة عن مزات اللعب المختارة ونمط الالعب كدخل للشبكة، والتفضل المقابل المبلػ من الالعب

كخرج، مع العلم أن التفضل المبلػ عنه ال ؤمن خرج بحد ذاته ولكن حدد أي لعبة مفضلة من كل

به الالعب.زوج لع

Single Neuronانرذسة تثشسثرش حذ .5.2.1

وذلك مناسبةضمن الشبكة مع أوزان Sigmoid Activation Functionتم استخدام تابع اللوجست

.[1 ,0] للمجال Normalizedلتطابق الدخل والذي أجرت عله عمله تنظم

اناسثح خاسصيح انرذسةاخراس .5.2.1

معروؾ لخرج نة )وبالتال ال وجد تابع خطأ للشبكة العصبو ومحددمعروؾ بما أنه ال وجد خرج

ؼر مفدة Back-propagationالخلف التسلسل الشبكة العصبونة( فإن خوارزمات مثل التراجع

وال مكن استخدامها هنا.

preference learningتم التعلم عن طرق التعلم بالتفضالت باستخدام الشبكات العصبونة

using artificial evolution of neural networks [21] ,[2]الت أجرت ف مثل الدراسة.

تطور خوارزمات ف مقارنة بن خوارزمات التعلم لحل مشكلة مشابهة لمشكلة هذه الدراسة فإن

حة والت قد كانت أكثر فعالة من عدد من الطرق األخرى المقتر Neuro-evolutionالنورونات

.Bayesian learningتتضمن العدد من خوارزمات التفاضل والتعلم البازي


المسألة لحل التفضالت خالل من التعلم تنفذ 81 Neuro-evolution for solving the problem

Neuro-evolution for solvingذفز انرؼهى ي خالل انرفضالخ نحم انسأنح .5.2.2

the problem

والذي قس الفرق Fitness Functionتابع كفاءة ستخدام باGA تم تنفذ خوارزمة األجال الجنة

والخرج المقابل مو نموذج الشبكة Emotional Preferencesمشاعر الشخص المأخوذة بن

.ANN Modelالعصونة

أكثر، فأن تابع الكفاءة كون بالشكل: على وجه التحدد

بحث أن:

.Game Pairلزوج لعب واحد Bلعبة و ال Aهو الفرق بن خرج الشبكة العصبونة للعبة

حسب: وتكون قم

قد تم اختاره تبعا لتطبقات سابقة ناجحة ضمن نموذج التطور إن شكل تابع الكفاءة والقم المختارة لـ

.[11]و [11]و [1]كما ورد ف neuro-evolutionالعصب


المزات اراخت طرق مقارنة 82 Methods Comparison Feature Selection

جل. الطرقة الت 122تشؽل لمدة و Individualsفرد 1222من Populationتزاوج استخدم تم

Probabilistic rank-based selectionعلى رتبة االحتمالة الموافقة ةتم اتباعها ه اختار قابم

مع احتمالة أكبر لألفراد ذو الرتبة األعلى لكونوا آباءا .

uniformمتماثل ومنتظم crossoverالط من خالل تخ reproductionتم استخدام إعادة إنتاج

.%5باحتمالة mutationحاب تبعه تؽر إ

Methods Comparison Featureيماسح طشق اخراس انضاخ .5.3

Selection

أخ ذغ١ ره ا ٠ى featuresأل ػذد ا١ضاخ ػاظع رجا٠ؼرذ ش٠ذ أ

. content ؼاب ماصذا ثال اسراألف١ذ أوثش ف ذأع١ظ غرمث ذمذ٠ ا ٠ ػ١ح ذس١

خدج ارؼ١ ارذس٠ة ١ذسغتا ٠ؤد إ ا١ضاخ غ١ش اعشس٠ح ان ا ٠ذي ػ ظشسج خفط

.[32] [1]وا سأ٠ا ف شثىاخ اؼصث١ح

ار features ا١ضاخ subsetتارا ٠ر اخر١اس اطش٠مح ار ذؼ ػ إ٠داد أفع دػح

ف اثسث ػ Computational effortاألل ذىفح تاغثح ألداء modelذؼط أػ دلح رج

خ١غ ارثاد٠ اىح دػح ا١ضاخ.


األفضل باللعبة المتنبأ النموذج 83 Predictive model

Predictive modelهؼثح األفضم انرج انرث أ تان .5.3.1

خالي اخر١اس ا١ضاخ األفع ار ذؼرذ تشى وث١ش خذا ػ إ خدج ارج ارثأ ٠ر ذسم١ما

.input featuresدػح ا١ضاخ ار ٠خراسا زا ارج دػح ١ضاخ دخ ذ٠

راي ا دػح اطشق ار ٠ى اعرخذاا ف ذسذ٠ذ ا١ضاخ األفع اطش٠مح ار ذ اػرادا

أ أ غش٠مح اطشق ار -[1]وا سد ف -ج ارثأ ى ٠دة الزظح أخ١شا ف تاء ار

ذؤد إ ز أث دػح اضا٠ا ره أل ال ٠خذ أ غش٠مح ذثسث ف وا ال ٠ى أ ارا١ح

.Hill-climbingفعاء اس إا ذؼرذ اطشق خ١ؼا ػ ثذأ ذغك ار

ألغا تشى ػشائ 2ذمغ١ اؼط١اخ إ فئ ٠ر ١input featureضج دخ رسمك فؼا١ح و

random رسمك صسح اس 1/3رذس٠ة اثث ارثم 2/3تس١ث ٠ى ثث اؼط١اخ

validation.

٠classificationر ل١اع ػ غش٠ك رعػ صسح ذص١ف اؼط١اخ modelأداء و رج

accuracy ره خالي ػذد ذىشاساخ اردشتحruns خالي 2. ػذد ز ارىشاساخ ا

independentؼط١اخ خرفح غ١ش رشاتطح 2ره ػ fold cross-validation-3ذم١ح

.ف١ا عثك cross-validationلذ ذىا ػ ؼط١اخ ذذس٠ة ذسمك

إماف اخراس انضاخ .5.3.1

تشى وث١ش تاصي ألصغش دػح سرح ا١ضاخ ار ذسمك أوثش أداء تا أا ر

performance فئا لف اخر١اس ١ضاخ أخش ف زاي وا إظافح ١ضج خراسج خذ٠ذج رج ذؤد

إ ل١ح أل أ غا٠ح ألداء ارج عاتما ػذا ذى خدج ظ ره دػح ؼط١اخ ارسمك

.validation set صسح اس


المزات اختار طرق أنواع 84 Features Selection methods

Features Selection methodsأاع طشق اخراس انضاخ .5.3.2

زات" ) ة من مجموعة Features Selectionإن هدؾ "اختار الم ( تمثل بإجاد مجموعة جزب

ة وتحوي العدد األقل من المزات ذات التأثر األكبر على النتجة، ولكن جب أن ن راع المزات الكل

أن المجموعة المختارة جب أن تحقق الدقة المطلوبة.

زات ة من مراحل كل مشروع عتمد على الم ة كمرحلة أساس الهدؾ األساس من استخدام هذه التقن

زات المنتقاة له أثر كبر على تقم الوضع هو تخفؾ المعالجة وسعة التخزن، حث أن عدد الم

زة ما ف العمل.الحال، وظهر األخطاء ة م المتعلقة بالتقدر الزابد ألهم

زة ما، فنستطع زات"–إن بالؽنا ف تقدر م ات "اختار الم زة، -بإحدى خوارزم إزالة هذه الم

زة ما قد كون خطأ وهكذا خطأ ال ظهر وال مكن لكن جب أن نالحظ هنا أن التقدر المنخفض لم

ة، بل نعكس هكذا خطأ على النتابج.إصالحه ف هذه المرحل

اخراس اسرخالص انضاخ .5.3.3

(، لكن كال النوعن تم Features Extractionإن اختار المزات ختلؾ عن استخالصها )

( الت نأخذها بعن االعتبار ف Dimension Reductionتصنفهما كاختزال لعدد المتحوالت )

دراستنا.

ات عددة ل تحسن اختزال عدد المتحوالت وكان أحدها دمج بن اختزال عدد المتحوالت لقد ظهرت تقن

( للحصول عل نتابج أفضل.Unsupervised Learningوبن التعلم دون مراقب )

ذاتغ انذف .5.3.4

زات تستخدم تابع هدؾ ) ات اختار الم ( قوم بتقم Objective Functionكل خوارزم

ة الت تقد ة المختارة.المجموعات الجزب م له وعد نتجة تعط تصورا لمدى "جودة" المجموعة الجزب

ان: لتوابع الهدؾ نوعان أساس


المزات اختار خوارزمة 85 nbest

ة Filterالمنق ) - ة وعتمد طرق عددة منها قاسات نظر (: عتمد على محتوى المجموعة الجزب

زات األكثر ارتباطا بالنتجة دة تحوي الم ( ومدى ترابط الصفوؾ وؼرها.المعلومات )المجموعة الج

ة )حث Wrapperالمؽلؾ ) - (: عتمد ف عمله على دقة النتابج المقدمة من قبل المجموعة الجزب

ستخدم بانات التجرب ف عمله(.

A. خاسصيح اخراس انضاخnbest

ا. ذى دػح ا١ضاخ اغرخذح ره ذثؼا ألداء ارج امات ى rankingذم ترشذ١ة

.١rankضج زا ارشذ١ة nار ذس ػ أي nا١ضاخ اخراسج ادػح زد

.اخر١اس ا١ضاخغش٠ك ظ األوثش شؼث١ح اطش٠مح ألغشاض اماسح، nbestغش٠مح ذغرخذ

B. خاسصيح اخراس انضاخsfs

ذعاف ١ضج خذ٠ذج ف ز١ث bottom-up اثسث أعف إ أػ

و شج ازذج ذ األخش.

ا١ضج ار عرعاف عف ذ خراس دػح ا١ضاخ ارثم١ح

ره تس١ث أ دػح ا١ضاخ ادذ٠ذج عف ذرح أػ ل١ح

األداء ا أ خر١شخ أ ١ضج أخش اضا٠ا ارثم١ح.

شىالخ اخر١اس اعؼح دايغائفح ػ تداذ مدغث sfsغش٠مح

.[32[]3] [33][2]دػح ١ضاخ أصغ١ش٠ح ره زغة ػا١ح األداء ػ ل١ا ا١ضاخ أردد


المزات اختار خوارزمة 86 sffs

C. خاسصيح اخراس انضاخsffs

ارغغ ػ اثسث اثسث اؼائ غ١شا أظشخ فائذ [32][2] ذه ااسدج ف دساعاخ ػذج ث

أا١ح خف١ح اثسث. إاسص١اخ اثسث اؼائ ٠ى ذص١فا خ ارغغ اؼاد ام١اع.

. sfs خاسص١ح ذغغ خطاخ ( ذؤد فظsffs) forwardارمذ خاسص١ح ذغغ اثسث اؼائ

ذ ف ص٠ادذرسمك ف١ا إرا وا األداء ٠ى sffs، فئ خاسص١ح sfsخاسص١ح ؤد٠ا ذو شج ، ف ى

sequentialح دػح ااخ اسا١ح )أ ذف١ز خطج ذغغ١ح ذشاخؼ١ح ساء زاي أخشاج

backward selection ).

D. خاسصيح اخراس انضاخPFS

ض٠ح خرف امطغ aggressive-search ػثاسج ػ غش٠مح تسث د١ح اشاتؼح اطش٠مح

. sequential backward selectionغ االخر١اس اخف ارغ neural pruningاؼصث

دػاخ خر١اس ػاصش التثاتح ح اعة لذ اعرخذ Rosenblatt’s perceptronإ تشعثرش

فشػ١ح.١ضاخ

رراعة غ شىالخ ذؼ ارفع١الخ، [32]ػ ذؼذ٠ خاسص١ح أخش ف [3]ف خاسص١حذم ا

إ شؼاع دخ اشثىح . خشج ز١ذ neuronػ ١ش activationذاتغ ذفؼ١ واد ذغرخذ

اؼصث١ح اثذائ زد تؼذد ا١ضاخ اشاد دساعرا.

ػ ا ٠: [3]ذم اطش٠مح زغة اذساعح

اثشعثرش ػ رذس٠ة ره artificial evolutionاالصطاػ ارطساعرخذا .1

٠ر perceptron اثشعثرش . أداءperceptron pairwiseارفع١الخ اثائ١ح اضج


المزات اختار خوارزمة 87 PFS

٠ع خ١غ initialاذخ اثذائ شؼاع .fold cross-validation-3 شاخ 2ػ ذم١١ خالي

. ا١ضاخ اغرخشخح

ار ذافك ل١ األصا ار ذى أل اسذ افح ا١ضاخ إغاء و .3

{ } { }

.weight vectorع األصا شؼا ز١ث

. إال ٠ر اعرؼاي ا ذثم ١ضاخ اؼدج خطج ٠2ر اراتؼح خطج ف زاي

1.

ارطس اؼصث ػ غش٠ك ذؼ د تاعرخذاص ز ا١ضاخ ادضئ١ح اردػاخ خ١غ ١م١ذ .2

.neuro-evolutionارفع١الخ


الالعب من المسترجعة المشاعر دراسة 88

ؼح ي انالػةدساسح انشاػش انسرشخ .5.4

Funيرؼح انهؼة .5.4.1

)والذي statistically significant correlationsتم الحصول على الترابط اإلحصاب الملحوظ

%( من خالل عدة مزات. وجود مثل هذا 1ختلؾ من دراسة إلى أخرى وؼالبا ما كون ف حدود الـ

والت fast paced gameالرتب الترابط رسم صورة عن مدى استمتاع الالعب من لعبة سرعة

مستمر لالعب، والكثر من الركض، وعدد األعداء الذن تم progressتتضمن ؼالبا تفاعل وتقدم

قتلهم والقضاء علهم.

وضع ه مفهوم متعة اللعب مكن أن أن [3]من الممكن أن قول البعض حسب المقارنة الواردة ف

أثناء اللعب ؼر متوان progressقول بأن الالعب قوم بتقدم ، والذي flowضمن مفهوم االنساب

unhindered من التحدي شبا ولكن مفهوم االنساب تضمن نسبة معنةChallenge الذي ستم(

قد تمز التحدي ف هذه الحالة. featureشرحه الحقا ( وبالتال ال وجد أي مزة

عبة عندما تكون سهلة، وعلى األقل مثال عندما لعبون مرحلة الالعبون باللستمتع من المتحتمل أن

متأثر funفإنه ؼالبا ما كون معار متعة اللعب [3]واحدة من اللعبة. حسب الدراسة المقدمة ف

وتصل بنظرة تدعم complex chains of eventsعوامل كثرة وكون بتسلسل معقد لألحداث ب

.enjoymentواالستمتاع gameplay featuresلعب وجود العالقة بن مزات ال

Challengeانرحذ .5.4.1

ترتبط بشكل وثق وكبر مع التحدي. كوجد عدد كبر من األعداء، وقوة featuresهناك عدة مزات

هؤالء األعداء، كما ؤثر عدد كابنات زادة الطاقة أو الدروع ف المرحلة الواحدة على مستوى التحدي

فها.


Frustration اإلحباط 89

Frustrationط اإلحثا .5.4.2

بشكل أن الالعب قؾ بشكل متكرر أثناء اللعب [3]وتكون ؼالبا ف األلعاب بشكل عام اعتمادا على

وذلك عندما فكر ف كفة تجاوز عقبة ما ف طرقه، أو ف حالة عدم الفوز بالمرحلة والخسارة فها

ء على مدار لعبة كاملة.جراء مثال الموت عدد كبر من المرات وعدم قتل أي من األعدا

Predictabilityلاتهح انرخ .5.4.3

الالعب مرحلة ما بنجاح، وذلك دل على وجود نسبة جدة من تم عندما [3]توجد هذه المشاعر حسب

الخبرة لده، فهو قام بالفوز بالمرحلة اعتمادا على خبرته الت قام بجمعها من خالل معرفته للمرحلة

لعب المناسبة منها لتحقق الفوز.ؼالبا وبطرقة ال

Boredomانضدش انهم .5.4.4

عب كطلب القفز مرارا على حفر بعرض صؽر كون الضجر ف هبة وجود مهام سهلة جدا أحانا لال

مثال أن هناك سلوك خط للنموذج ربط بن Marioف لعبة مارو أ [3]جدا . بنت الدراسة ف

حكم فه.الملل ومزة واحدة تت

Anxietyاندضع .5.4.5

ع تكون ؼالبا مترابطة مع قابلة التخمن جمع الصفات الت تكون مترابطة مع الجز فإن [3]حسب

Predictability ولكن ؼالبا قم العالقات تكون معكوسة، والت تعن بأن الالعب ؼالبا كون أكثر ،

جزعا كلما كانت المرحلة أقل قابلة للتخمن.


الالعب خبرة تفضالت نمذجة 90 Modeling of Player Experience Preferences

Modeling of Player Experienceزخح ذفضالخ خثشج انالػة .5.5

Preferences

وذلك استنادا إلى نفس الطرقة المتبعة ف الدراسة مرحلتن العملة الت قمنا بها على عرض هذا القسم

والت تستخدم لنمذجة تفضالت خبرة الالعب. [3]

وذلك لمعرفة الفصل الخط SLPت الطبقة الواحدة من عدة شبكة عصبونة ذا علنا االستفادةأوال ،

لالعبن. emotional preferencesوذلك لتقرب تفضالت المشاعر

.Controllableف هذه المرحلة تم استخدام جمع ألعاب الالعبن وجمع المزات القابلة للتحكم

د شعاعن دخل أولهما للعبة حث وج Game Pairsكون المظهر العام على شكل زوج من األلعاب

األولى )مزات اللعب + القابلة للتعدل( واآلخر كذلك ولكن للعبة الثانة. تم تدرب الشبكة العصبونة

ه حالة E)حث Eبإدخال شعاع الدخل هذن للتوقع بنتجة شعاع دخل جدد فما إذا كان حقق حالة

دروسة كما تكلمنا سابقا ( أم ال.مشاعر م

خالل الشبكات تحسن البنة منالفضلى، ننتقل بعدها ل SLP المزات الت تساهم ف نماذج معرفة عدب

التطور العصب لتعلم التفضالت باستخدام MLPs العصبونة متعددة الطبقات للفصل الالخط

Neuro evolutionary preference learning .لتولد الدراسة هو السطرة ه الهدؾ النهاب من هذ

لتجربة الالعب ضمن اللعبة. استنادا levelsمراحل

gameومكانكة اللعبة level featuresفإنه تم تعدل خصابص المرحلة على هذا األساس،

mechanics دنامكاdynamically وذلك ألمثلةoptimizing خبرة الالعبplayer

experience أ( ي أن الالعب شعر بحالة والذي هو خرج الشبكة العصبونةE 22بنسبة.) مثال %

Preference Modelنكون هنا قد وصلنا الختار المزات األفضل وبذلك تم بناء أول نموذج وهو

قوم بإخبارنا لمرحلة ما فما إذا كانت محققة لحالة الخرج(. Eوالذي نة )ه بنسبة مع


برسبترون منهج اختار سبب 91 SLP طبقات بمتعدد متبع MLP

MLPخ يرثغ ترؼذد طثما SLPسثة اخراس يح تشسثرش .5.6

ه: األساس المنطق خلؾ هذه المقاربة ثنابة الطور كمن ف ثالث أشاء

SLPذؼثشح ارج .1

اؼمذج( ٠غر ا تشالثح MLPػ اعرخذا )ػظا اعرخذا ارج غ١ش خط١ح تغ١طح

أظر شخص١ح االػة، ١ضاخ اشزح، ١ىا١ى١اخ اؼثح ار ذغا ف و زاح

دساعرا. زا اماػ ف أػك راتغ غ١ش اؼشف اىا ت١ ١ضاخ شؼس٠ح ذد

اؼة ا١ضاخ ارسى تا اشاػش اثغ ػا. اشثىاخ رؼذدج اطثماخ ا لذسج

)ار ذغرط١غ ذؼ ارج أوثش دلح تارا ى ثؼط دػاخ ا١ضاخ شذؼث١ش٠ح أوث

ى ٠ر إ٠دادا ف االخر١اس MLPإ٠دادا تاعطح ( أ ٠رXORذشث ػاللح

ى تطث١ؼح اساي ز ذعس١ح ٠دة أ م تا أل ام١ا تاخر١اس SLPتاالػراد ػ

. وا ذ٠ا لد زغات غ١ش سذد ىا ىف زغات١ا MLPا١ضاخ ثاششج ػ

وا تاالىا اعرخذا اثسث وا تشى MLP ىا ذطث١ك اخر١اس ا١ضاخ تاعرخذا تاإل

ذدش٠ث١ح تذال ( ػ فعاء دػح ا١ضاخ، exhaustive search) اغرضف

heuristics ار ذ اعرخذاااس١ح.

اندذ انحسات .2

MLPث أثح غثخ١ا SLPأ ٠ر ذطث١ك اخر١اس ا١ضاخ تاعرخذا افع زغات١ا

خراسج تذال أثح وال اذختاعرخذا دػح )ا١ضاخ اخراسج( ا١ضاخ ا

ل١اط ص ز١ث ذ [3]األخز تاذساعح ااسدج ف . ذػ ز افشظ١ح ذMLPغثخ١ا

-( SFFS)أ SFSارف١ز طس٠ ف ػ١ح زخح ارؼح، ز١ث أ الد اغرغشق ف

أخ ػشش ١ضاخ SLPثا١ح ػ 422.2 -١ضاخوا أوثش غش٠مح ىفح ف اخر١اس ا

اىح شج ذشغ١ ازذج أخ MLPفمػ، الد اى ردشتح خ١غ ذشى١الخ


برسبترون منهج اختار سبب 92 SLP طبقات بمتعدد متبع MLP

١ساخ ١11س وسذ ألص اثا١ح ذس 21غثمر١ خف١ر١ األ ذس

= 2.2211.4+ 422.2تارا ػذد اثا اطب ؼ١ح وى 2.2211.4

ثا١ح. وا ٠ر أثح اذخ اطثخ١ا ؼا ف شزح ازذج ع١ى الد 2.2123.3

ػ ظا Ghz 2GB Ram 3.22ثا١ح. ز ارداسب ذد ػ ؼاح 1..11214

تد. ٠42ذص

انرثم انكايم .3

ز زا اإلخثاس ٠ؼط اص ح ف ارج. ١ث ٠ر إخثاس ا١ضاخ ارسى تا رى رع

و اشح ار ٠ر١سا فعاء ارسالخ رص١ ذدشتح الئح الػة ػ غش٠ك ذ١ذ

سر خصص الػة.

٠خذ ف لغ خططاخ اظا خطػ شزر١ ار١ ذ اثاء ػ أعاعا.


البانات جمع 93 Data Collection

Data Collectionخغ انثااخ .5.7

شخص لعبون لعبة 12م تجمعها بواسطة تجارب تمت على ت [1]مجموعة البانات المستخدمة ف

MazeBall مفترس ثالثة البعد، حث أن الالعب وجه الكرة عبر متاهة./والت ه لعبة فرسة

مكن تجمع عالمات ذهبة لزادة نتجة الالعب، بنما األعداء الحمر المنتشرن ف المتاهة نقصون

كرة. الكمرا االفتراضة المدمجة مع اللعبة تم تعرفها عبر ثالث نتجة الالعب عندما لمسون ال

( والت مكن تعدلها جمعا عن frame coherenceمتحوالت ه االرتفاع والبعد وتالحم اإلطار )

المختبر إلنشاء عدة أشكال للعبة./طرق المصمم

MazeBallصورة من لعبة

ة تختلؾ فها متحوالت الكمرا، بعد كل اكتمال زوج من ثان 32تم لعب تسلسالت من ألعاب مدتها

األلعاب تم سؤال الالعبن لعبرو عن لعبتهم المفضلة وذلك بست حاالت شعورة مختلفة ه القلق

anxiety والتحديchallenge واإلثارةexcitement واإلحباطfrustration والمتعةfun

بأربع خارات حث حدد الالعب إما اللعبة إجباري عن طرق اختار relaxationواالسترخاء

األولى أو الثانة ه المفضلة، أو عبر عن تفضله للعبتن أو عدم تفضله ألي منهما من أجل كل حالة

شعورة.



كل لعبة من هذا العبا لعبون زوج لعب 112ف دراستنا هذه تم كما ذكرنا سابقا جمع معطات من

قتان، تم بعد لعب الزوج سؤال الالعب عن المشاعر والتفضالت الت اختارها من الزوج تستؽرق دق

واإلحباط engagementواالندماجة challengeالحاالت الشعورة والت ه التحدي

frustration . وكما تكلمنا عن طرق اختار إجباري بأربع خارات تم شرح كل منهم مسبقا



السابعالفصل

النموذج التكف – النماذجبناء




التكف اللعبة نموذج 97 Adaptive Game Model

Adaptive Game Modelرج انهؼثح انركف .6

يمذيح .6.1

. Adaptive Modelهنا نكون وصلنا لبناء النموذج الثان وهو النموذج األهم وهو النموذج التكف

ضمن controllable featuresبإقحام جمع المزات القابلة للتحكم [1]هنا نقوم حسب الدراسة

)أي نضؾ للنموذج السابق جمع المزات القابلة للتحكم ف حال Preferece model النموذج السابق

.SLPعدم اختارها أصال ( والت تحتوي طبعا على المزات الت قد تم استخراجها عن طرق النموذج

.adaptation تدرب النموذج الحاصل، نقوم بعملة التكؾ هنا، وبعد

Adaptive content generation يشاحم انرنذ انركف نهشاحم .6.1

بعد تصمم النموذج التكف السابق، تكون الخطوات بأن نقوم بتولد جمع التبادل الممكنة للمزات

القابلة للتعدل ونبحث عن أعلى خرج.

خرج تكون المزات القابلة للتحكم ه المزات الت جب بناء مرحلة جددة لالعب عند معرفة أعلى

feature vectorالحال بها. تم إنشاء مرحلة بمزات النموذج الحاصلة عن طرق شعاع مزات

الذي تم إرساله إلى المحرك إلنشاء مرحلة جددة بشعاع محدد )تكلمنا عن كفة إنشاء مرحلة بشعاع ما

ابقا ف فقرة تصمم المراحل(.س

بعد لعب الالعب هذه المرحلة الجددة، نقوم بإدخال معطات لعبه من جدد إلى النموذج التكف لتولد

مرحلة جددة مناسبة له.

تكون المراحل بالترتب كما ل:

لدى الالعب لعب لعبة ابتدابة )أي لعبة، هذه المرحلة فقط ألخذ تصور عن مزات اللعب ..

الالعب(


للمراحل التكف التولد مراحل 98 Adaptive content generation

على المرحلة الجددةالت رؼب بتولد emotional state حالة مشاعر ختار الالعب .2

أساسها

المنمذج التكف الخاصة بالالعب إلى gameplay features مزات اللعب تم ارسال .3

Adaptive Modeler

ى الشبكة العصبونة حث ف المنمذج التكف تم ادخال مزات اللعب والمزات القابلة للتحكم إل .4

مزات القابلة للتحكم بخطوة ثابتة ف المجال المخصص التبدل بن كافة التبادل الممكنة للتم

لكل مزة

ضمن ف الشبكة prediction توقع تم اختار المزات القابلة للتحكم الت أعطت أفضل .5

النموذج التكف

قابلة للتحكمتم تولد مرحلة على أساس هذه المزات ال .6

الالعب لعب لعبة تم تصممها بشكل تكف .7

2العودة إلى .8

وجد مخططن للنموذج التكف ضمن قسم مخططات النظام.



الثامنالفصل

النتائج المستحصلة من النماذج




النماذج من المستحصلة النتابج 101

انارجانرائح انسرحظهح ي .7

انضاخ انر ذى اخراسا حسة انرج .7.1

اء رج ارفع١ ذ ذدشتر ػ ؼط١اخ ؼة االػث١ ١خراس ا١ضاخ ااعثح تتؼذ

.ار واد وا ٠ ى زاح شاػش

Challenge Modelرج انرحذ

14: KillingCount 7: PlayingTimeAverage

2: Difficulty 1: EnemiesCount

11: RifleShootingTime 3: ExplosiveWeaponsPercentage

Engagement Model رج االذياج

12:TimeSteady 15:HitsTaken

1:EnemiesCount 2:Difficulty

8:TimePerWeapon 3:ExplosiveWeaponsPercentage

17:ArmorCollected

Frustration Model رج اإلحثاط

21:EnemyHit 15:HitsTaken

12:TimeSteady 14:KillingCount


النموذج حسب اختارها تم الت المزات 102

ذى ا١ضاخ ار ذ اخر١اسا رج ارى١ف وارا، أ تؼذ إظافح خ١غ اصفاخ

اماتح رسى ار ٠خراسا رج ارفع١:

Challenge Modelرج انرحذ

14: KillingCount 7: PlayingTimeAverage


11: RifleShootingTime 3: ExplosiveWeaponsPercentage

4: OneAmmoPerCells

Engagement Model رج االذياج

12:TimeSteady 15:HitsTaken

1:EnemiesCount 2:Difficulty

8:TimePerWeapon 3:ExplosiveWeaponsPercentage

4:OneAmmoPerCells 17:ArmorCollected

Frustration Model رج اإلحثاط

21:EnemyHit 15:HitsTaken

12:TimeSteady 14:KillingCount


4: OneAmmoPerCells 3: ExplosiveWeaponsPercentage



التاسعالفصل

دراسة إحصائة


إحصابة دراسة 105

دساسح إحظائح .8

طشمح خغ انثااخ .8.1

Smartالطرق الممكنة إما بجمع عدد من الناس للقام بممارسة اللعبة أو باستخدام وكالء أذكاء )

Agents إن استخدام عدد محدود من الوكالء األذكاء ؤدي إلى إلى بناء نموذج رى ف نمط الوكالء .)

كون معتمدا على نمط عام! إن إجاد هو النمط البشري الطبع، وهذا مرفوض كون النموذج جب أن

ا وشبه مستحل وفقا للطرابق عدد كبر من العمالء المشابهن لسلوك عدد من البشر عمل مجهد برمج

ا . الحل األفضل تمثل باستخدام خبرة بعض الناس المأخوذن بشكل عشواب الموجودة ف العالم حال

ذلك عبر الدعوة لعمل طوع تمثل بلعب اللعبة لعدد ؼر محدد من تقربا وبناء النموذج عبرها، وتم

زات المختلفة )شرح تفصل عن هذه المرات بحث قوم الحاسب بمحاولة فهم طرقة اللعب عبر المم

زات ف فصل آخر(. الم

ى نحصل على نمط اللعب من خالل اللعبة نفسها، ومن ثم نحدد تفضل الالعب لمرحلة عن أخر

عبر طرح أسبلة مباشرة عله توجب عله اإلجابة عنها. بما أن العدد جب أن حدد فقد اعتمدنا نمط

األزواج، أي لعب الالعب لعبتن متتالتن ومن ثم طرح أسبلة كون جوابها تفضال بن المرحلتن

ة أحد الالعبن عن التفضل على ثالثة مستوات مختلفة )االندماج واالضطراب والتحدي(. إن عدم قدر

ة لذلك أضفنا خاران راعان ذلك. بن مرحلتن على مستوى ما موضوع ممكن من الناحة العمل

ح .8.1 انذ ػج انؼاي

ة ة هندسة المعلومات وتم تجهز كما ذكرنا، دمشق لمدة ومن متتالن -تم استخدام إحدى قاعات كل

من الناس إلى الحدث وقاموا باللعب واإلجابة على عدد من األسبلة خمسة أجهزة )حواسب( وقدم عدد

المتعلقة باللعبة.


البانات من المطلوب الحجم 106

انحدى انطهب ي انثااخ .8.2

زات الت مكن التحكم بها، وجب لبناء نموذج -إن الحجم المطلوب من البانات متعلق بالمم

ا زات نجد أن حجم البانات المطلوبة جمع البانات لكل االحتماالت المطلوبة. وفقا لل -صحح نسب م

حسب عن الطرق:

زة عدد المراحل المطلوبة = جداء عدد حاالت كل م

1حجم البانات المطلوبة = تبادل عدد المراحل و العدد

عذد الحاالخ الميسج

2 عذد الالعثين

2 درجح الصعىتح

نسثح األسلحح

المتفجرج

2

3 نمط المرحلح

سلحح في نسثح األ

المرحلح

2

أي:

مرحلة 32= 1* 1* 1* 1* 1عدد المراحل المطلوبة =

لعبة 1112( = 1, 32) عدد األلعاب المطلوبة = تبادل

ا وقد ال نكون قادرن على تحققه كامال ، لذا فقد حاولنا االستؽناء نالحظ أن العددالمطلوب كبر نسب

زات. إن اختالؾ نمط ا لمرحلة قد ؤثر على قرار اللعب ف التفضل بن مرحلتن لما عن بعض المم

ن، أي ال نترك له من أثر كبر جدا على الشكل العام، لذا فقد قررنا أن نقوم بالدراسة لنمط مراحل مع


المتوافرة الحوسب على لعاباأل توزع 107

الالعب لعب لعبتن متتالتن مختلفتن بالمراحل، وذلك ألنه قد ؤثر على قراره بؽض النظر عن

خرى وبالتال لن نستطع معرفة تفضالته بشكل جد عندبذ.المزات األ

إن تثبت نوع المرحلة واقتصار الدراسة على نوع واحد من المراحل خفض عدد المرالح المطلوبة

(، وبالتال نجد أن:1* 1* 1* 1مرحلة ) 12إلى

لعبة 112( = 1 ,12عدد األلعاب المطلوبة = تبادل)

انحسة انرافشجذصغ األنؼاب ػه .8.3

قمنا بتوزع األلعاب على الحواسب المتوافرة بالشكل التال:

لعبة، لم نحذؾ 122لعبة مختلفة وحاسوب حوي 32كان هناك أربعة حواسب كل منها حوي

ن، بحث أنواع المراحل المختلفة ولم نخلطها معا فف كل لعبة )كل زوج مراحل( هناك نوع مرحلة مع

ات بحث نلعب ال د لعبة من نمط 112خل نوع المرحلة ف التفضل بن المرحلتن، وقد وضعنا أولو

من النمط الثالث )ف حال استطعنا جمع البانات 112من النمط الثان ثم 112المرحلة األولى ثم

0

50

100

150

200

250

300

350

400

5جهاز 4جهاز 3جهاز 2جهاز 1جهاز

عدد األلعاب

عدد األلعاب


عة البانات 108 المجم

ل، وهذا كاؾ للبدء جمعها(. ف النهاة فقد استطعنا جمع البانات بشكل كامل للنمط األول من المراح

ة. بالدراسة النظر

ؼح .8.4 د انثااخ ان

معلومات عن البانات الت تم جمعها

حدى انثااخ .8.4.1

حجم هذه البانات مختلؾ من جهازآلخر، لكنه كان كافا للنمط األول من المراحل، أي كافا

ة. للدراسة النظر

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

0 0

0 0

0

0 2 7

0 0

23

30 30 28

24

توزع أنماط المراحل على األجهزة

1نمط 2نمط 3نمط


البانات حجم 109

نالجهاز األول، الجهاز األول له حالة خاصة فكل ما مرحلة لكل جهاز مختلؾ ع 12الحاجة كانت لـ

ا . نالحظ من الشكل السابق أن البانات ؼر كافة لعب عله كون داعما للنتجة وؤدي لنتابج أدق نسب

للنمطن الثان والثالث، لذا فقد تم تجاهل البانات المتعلقة بهما واكتفت الدراسة بالنمط األول فقط )والت

عتبركافة كما ذكرنا سابقا (.ت

1نمط 2نمط

3نمط

135

9

0

حجم البانات لكل نمط مرحلة

العدد


الالعبن 110

انالػث .8.4.1

معلومات عن الالعبن الذن شاركوا ف العمل

اندس .8.4.1.1

تنوع الالعبون بن ذكور وإناث، وظهر الشكل التال التوزع على الحواسب علما أن عدد الالعبن

دد اإلناث أضعاؾ ع 7% من بن الالعبن جمعا )أي اكثر من 22العب ونسبة الذكور كانت 133

المشاركات ف االختبار(.

0

5

10

15

20

25

30

35

40

5جهاز 4جهاز 3جهاز 2جهاز 1جهاز

15

30 32 27

23

8

2

5

1

1

اناث ذكور


العمر 111

انؼش .8.4.1.1

عاما على النحو التال 13و 12أعمار الالعبن توزعت بن

127, ذكور

17, اناث

0

10

20

30

40

50

60

1819

2021

2223

24

2 2 7

6

0 0

0

8 7

31

59

15

5 2

ذكور اناث


الالعبن خبرة 112

خثشج انالػث .8.4.1.2

لقد قسمنا الخبرة إلى قمسن: خبرة ف األلعاب بشكل عام وخبرة ف األلعاب من النمط نفسه الذي

ل بنعم أو ال عن كون الالعب مارس األلعاب تتبع هذه اللعبة له. الخبرة ف األلعاب كانت عبر سؤا

عادة وعن المدة الت صرفها ف االسبوع على األلعاب، والخبرة ف هذا النمط من األلعاب كان فقط

بسؤال نعم أو ال.

نات كالتال وكانت الع

وتوزعت على األجهزة كالشكل اآلت

113, مارس األلعاب

31, ال مارس األلعاب


الالعبن خبرة 113

ون على األلعاب بشكل عام فقد قمنا بحصرها بأربع أما بالنسبة لعدد الساعات الت قضها الالعب

خارات:

ا 1و 2: بن 1خار ساعة أسبوع

ا 2و 1: بن 1خار ساعة أسبوع

ا 12و 2: بن 1خار ساعات أسبوع

ا 12: أكثر من 3خار ساعات أسبوع

وكان التوزع بشكل عام لالعبن على الشكل التال

0

5

10

15

20

25

30

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

1 6

13

3 8

22 26

24 25

16

مارس األلعاب ال مارس األلعاب


الالعبن تفضالت 114

جهزةوكان التوزع على األ

ذفضالخ انالػث .8.4.2

بعد أن لعب كل العب زوج ما جب على عدة أسبلة للتفضل بن المرحلتن الملعوبتن تباعا ،

قد تحوي خار عدم تمز بن المرحلتن. وكانت تفضالت الالعبن بشكل -كما ذكرنا مسبقا -واألسبلة

عام ممثلة بالنسبة

عدد الالعبن

أسبوع\ساعة 2أقل من

أسبوع\ساعة 5و 2بن

أسبوع\ساعة 10و 5بن

أسبوع\ساعة 10أكثر من

0

5

10

15

20

25

30

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

0 0 2 3

0

0 1

10

6

2

2 4 6 11

6

21

27

19

8

16

2أسبوع\ساعة 2أقل من 2أسبوع\ساعة 5و 2بن 2أسبوع\ساعة 10و 5بن 2أسبوع\ساعة 10أكثر من


الالعبن تفضالت 115

أو بالشكل العام

0

20

40

60

80

100

120

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

اللعبة األولى

اللعبة الثانة

كالهما

وال واحدة

تفضل

عدم تفضل

عدد الخارات


االندماج 116

جاالذيا .8.4.2.1

بشكل عام كانت خارات الالعبن

لكن الشكل السابق قد ال عط االنطباع المطلوب، فتفضل اللعبة األولى عن الثانة أو العكس ال

ة، فف كلتا الحالتن عن قدرة الالعب على االختار، بنما عدم شكل فرقا من النواح االحصاب

0

20

40

60

80

100

120

140

160

180

200

اللعبة األولى اللعبة الثانة

كالهما وال واحدة

تفضالت الالعبن

العدد

وال واحدة

كالهما



0

5

10

15

20

25

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

وال واحدة

كالهما





بخاره. كش كل أفضل للتمثل ندمج التفضل وعدم التفضل معا فنحصل التفضل بن اللعبتن سلب

على الشكل

وكمحصلة على األجهزة جمعها مكن رسم الشكل التال

عدم تفضل

تفضل0

5

10

15

20

25

30

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

عدم تفضل

تفضل

العدد

0

20

40

60

80



تفضالت االندماج

العدد



115, تفضل

29, عدم تفضل


االنزعاج 119

االضػاج .8.4.2.1

بشكل عام كانت خارات الالعبن

ل لكن الشكل السابق قد ال عط االنطباع المطلوب، فتفضل اللعبة األولى عن الثانة أو العكس ال شك

ة، فف كلتا الحالتن عن قدرة الالعب على االختار، بنما عدم التفضل بن فرقا من النواح االحصاب

بخاره. كشكل أفضل للتمثل ندمج التفضل وعدم التفضل معا فنحصل على الشكل اللعبتن سلب

وال واحدة

كالهما



0

2

4

6

8

10

12

14

16

18

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

وال واحدة

كالهما



عدم تفضل

تفضل0

5

10

15

20

25

30

35

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

عدم تفضل

تفضل


التحدي 120


انرحذ .8.4.2.2

شكل عام كانت خارات الالعبنب

118, تفضل

26, عدم تفضل

العدد

0

20

40

60

80



تفضالت االنزعاج

العدد


التحدي 121

لكن الشكل السابق قد ال عط االنطباع المطلوب، فتفضل اللعبة األولى عن الثانة أو العكس ال شكل

ة، فف كلتا الحالتن عن قدرة الالعب على االختار، بنما عدم التفضل بن فرقا من النواح االحصاب

بخاره. كشكل أفضل للتمثل ندمج التفضل وعدم التفضل معا فنحصل على الشكلاللعبتن سلب


وال واحدة

كالهما



0

5

10

15

20

25

30

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

وال واحدة

كالهما



عدم تفضل

تفضل0

10

20

30

40

1جهاز 2جهاز

3جهاز 4جهاز

5جهاز

عدم تفضل

تفضل


المعلومات تجمع نتابج 122

رائح ذدغ انؼهياخ .8.4.3

هذه النتابج توصؾ الالعبن وطرقة لعبهم

دل ح اإلطاتح .8.4.3.1

% تقربا ، وتتوزع على األجهزة بالشكل:20كانت قمة دقة اإلصابة

135, تفضل

9, عدم تفضل

العدد

0

20

40

60

80

100



ي تفضالت التحد

العدد


اإلصابة دقة 123

0

5

10

15

20

25

30

350

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

ع قم دق ة اإلصابة على األجهزة توز

1جهاز

2جهاز

3جهاز

4جهاز

5جهاز

0

20

40

60

80

1000

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

ع قم دق ة اإلصابة بن الالعبن توز

العدد


المتفجرة األسلحة استخدام نسبة 124

شج .8.4.3.1 سثح اسرخذاو األسهحح انرفد

تقربا ، وتوزعت على األجهزة بالشكل %15.98كانت قمة هذه النسبة

0

10

20

30

400

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

ع قم دق ة اإلصابة على األجهزة توز

1جهاز

2جهاز

3جهاز

4جهاز

5جهاز

0

50

100

150

2000

0.1

0.2

0.3

0.4

0.50.6

0.7

0.8

0.9

1

ع النسبة بن الالعبن توز

6جهاز


اللعب وقت متوسط 125

يرس ظ لد انهؼة .8.4.3.2

تقربا ، وتوزعت على األجهزة بالشكل ثانة 11كانت قمة هذه النسبة

0

5

10

15

20

2510

20

30

40

50

60

70

80

90

100

110

120

متوسط وقت اللعب

1جهاز

2جهاز

3جهاز

4جهاز

5جهاز

0

20

40

60

80

10010

20

30

40

50

60

70

80

90

100

110

120

ط وقت اللعب متوس

6جهاز


الطلقات عدد 126

ػذد انطهماخ .8.4.3.3

عبة تم لعبها على كل جهازالشكل التال مثل عدد الطلقات المصبة والفاشلة ف كل ل

0

20

40

60

80

100

120

140

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

1الطلقات الفاشلة والمصبة على الجهاز

فشل إصابة

0

20

40

60

80

100

120

140

160

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63


فشل إصابة


الطلقات عدد 127

0

20

40

60

80

100

120

140

160

180

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73


فشل إصابة

0

20

40

60

80

100

120

140

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55


فشل إصابة


واالنتحار الموت مرات عدد 128

االرحاسػذد يشاخ انخ .8.4.3.4

ة وقد ضمنا االنتحار ف األشكال التوضح

0

20

40

60

80

100

120

140

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


فشل إصابة

0

20

40

60

80

100

120

140

160

180

1

12

23

34

45

56

67

78

89

10

0

11

1

12

2

13

3

14

4

15

5

16

6

17

7

18

8

19

9

21

0

22

1

23

2

24

3

25

4

26

5

27

6

28

7

عدد الطلقات الفاشلة والمصبة ف كل لعبة

فشل إصابة



0

2

4

6

8

10

12

14

16

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

1عدد مرات الموت واالنتحار على الجهاز

انتحار

موت

0

2

4

6

8

10

12

1 3 5 7 9 111315171921232527293133353739414345474951535557596163


انتحار

موت



0

2

4

6

8

10

12

14

16

18

20

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73


انتحار

موت

0

2

4

6

8

10

12

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55


انتحار

موت



0

2

4

6

8

10

12

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


انتحار

موت



0 5 10 15 20

17

131925313743495561677379859197

103109115121127133139145151157163169175181187193199205211217223229235241247253259265271277283

جمع األجهزة عدد مرات الموت واالنتحار على

موت

انتحار


األؼراض تجمع 133

ذدغ األغشاع .8.4.3.5

ة، وقد توزع بحسب األجهزة وفقا لألشكال تضمن هذا تجمع الزخابر والعتاد واللوازم الطب

0

2

4

6

8

10

12

14

16

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

1ما تم جمعه ف كل مرحلة على الجهاز

درع

دعم صح

ذخابر

0

2

4

6

8

10

12

14

16

1 3 5 7 9 111315171921232527293133353739414345474951535557596163


درع

دعم صح

ذخابر



0

2

4

6

8

10

12

14

16

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73


درع

دعم صح

ذخابر

0

2

4

6

8

10

12

14

16

18

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55


درع

دعم صح

ذخابر



0

2

4

6

8

10

12

14

16

18

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


درع

دعم صح

ذخابر

57% 19%

24%

عدد األغراض الت تم جمعها

درع دعم صح ذخابر



0 2 4 6 8 10 12 14 16 18

1

8

15

22

29

36

43

50

57

64

71

78

85

92

99

106

113

120

127

134

141

148

155

162

169

176

183

190

197

204

211

218

225

232

239

246

253

260

267

274

281

288

ما تم جمعه ف كل مرحلة

ذخابر

دعم صح

درع


المتفجرة الطلقات عدد 137

شج .8.4.3.6 ػذد انطهماخ انرفد

فدنا ف حساب نسبة عدد الطلقات المتفجرة من عدد الطلقات الكل المستخدم، وقد ظهرت بالشكل ت

اآلت على كل من األجهزة

0

20

40

60

80

100

120

140

0.1

53

84

61

54

0.0

14

92

53

73

0.0

15

38

46

15

0.0

11

36

36

36

0.0

25

31

64

56

0.0

13

15

78

95

0.0

13

69

86

3

0.0

12

34

56

79

0.0

11

90

47

62 0 0

0.0

11

49

42

53

0.0

10

41

66

67

0.0

14

28

57

14 0

0.0

44

11

76

47

0.0

12

65

82

28

0.1

44

92

75

36

0.6

06

06

06

06

0.0

60

60

60

61

0.0

14

49

27

54

0.0

71

42

85

71 0

رة من الكل على الجهاز 1عدد الطلقات المتفج

متفجر

رشاش

0

20

40

60

80

100

120

140

160

0.0

23

80

95

24

0.0

15

38

46

15

0.0

09

34

57

94

0.0

23

80

95

24 0

0.0

21

73

91

3

0.5

42

85

71

43

0.0

49

38

27

16

0.0

80

45

97

7 1

0.0

53

57

14

29

0.0

28

03

73

83

0.3

66

66

66

67

0.8

63

63

63

64

0.2

0.0

23

25

58

14

0.1

25

0.0

29

41

17

65

0.1

71

87

5

0.1

76

47

05

88 0

0.0

40

81

63

27


متفجر

رشاش



0

20

40

60

80

100

120

140

160

1800

.11

11

11

11

1 0

0.1

21

95

12

2

0.2

97

87

23

4

0.3

16

66

66

67

0.7

39

72

60

27

0.0

15

62

5

0.0

23

80

95

24

0.0

71

42

85

71

0.0

22

22

22

22

0.4

88

88

88

89

0.3

97

72

72

73 0 0

0.0

09

00

90

09

0.1

25 0

0.0

17

85

71

43

0.0

10

86

95

65

0.0

57

47

12

64

0.0

15

26

71

76

0.0

12

34

56

79

0.0

21

73

91

3

0.1

89

18

91

89

0.6

47

05

88

24


متفجر

رشاش

0

20

40

60

80

100

120

140

0.0

42

25

35

21

0.0

34

48

27

59

0.1

28

20

51

28

0.0

08

62

06

90

.30

61

22

44

90

.01

72

41

37

90

.00

91

74

31

20

.40

.04

34

78

26

1 00

.37

31

34

32

80

.14

70

58

82

40

.01

09

89

01

1 00

.10

34

48

27

60

.83

33

33

33

3 00

.01

92

30

76

90

.01

56

25

0.0

20

83

33

33

0.8

80

.01

66

66

66

70

.45

28

30

18

9 00

.01

85

18

51

90

.64

58

33

33

30

.60

56

33

80

30

.54

43

03

79

7


متفجر

رشاش



0

20

40

60

80

100

120

140

1600

.51

51

51

51

5

0.5

41

66

66

67

0.0

21

05

26

32

0.0

09

52

38

1

0.6

30

43

47

83 0

0.0

21

50

53

76 0

0.0

29

41

17

65 0

0.0

29

41

17

65

0.4

61

53

84

62

0.3

27

58

62

07

0.7

25

80

64

52

0.0

14

70

58

82

0.0

82

08

95

52

0.0

37

03

70

37

0.0

35

71

42

86

0.0

19

23

07

69

0.6

84

21

05

26

0.8

26

08

69

57

0.5

18

07

22

89

0.0

41

66

66

67

0.0

12

34

56

79


متفجر

رشاش



0 20 40 60 80 100 120 140 160 180

0.153846154

0.011363636

0.01369863

0

0.010416667

0.044117647

0.606060606

0.071428571

0.013888889

0.243902439

0.02

0.04109589

0.129032258

0.035294118

0.016393443

0.37037037

0.209677419

0.378378378

0.243243243

0.4

0.37037037

0.032258065

0

0.081081081

0.019607843

0.008695652

0.357142857

0.025641026

0.049180328

0

0.035714286

0.029850746

0.12605042

0.240963855

0.925925926

0

0

0.042553191

0.380952381

0.794871795

0.23943662

0.010989011

0.039215686

0

0.38

0.114583333

0.083333333

0.5375

رة والرشاشة عدد الطلقات المتفج

رشاش

متفجر


القفز أجهزة استخدام مرات وعدد القفز مرات عدد 141

ػذد يشاخ انمفض ػذد يشاخ اسرخذاو أخضج انمفض .8.4.3.7

توضح بالنسبة لكل لعبة تمت باألشكال

0

5

10

15

20

25

30

35

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

1عدد مرات القفز واستخدام أجهزة القفز على الجهاز

قفز

أجهزة قفز

0

5

10

15

20

25

30

35

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64


قفز

أجهزة قفز



0

5

10

15

20

25

30

35

40

45

50

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73


قفز

أجهزة قفز

0

5

10

15

20

25

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55


قفز

أجهزة قفز



0

2

4

6

8

10

12

14

16

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


قفز

أجهزة قفز



0 10 20 30 40 50 60

1

8

15

22

29

36

43

50

57

64

71

78

85

92

99

106

113

120

127

134

141

148

155

162

169

176

183

190

197

204

211

218

225

232

239

246

253

260

267

274

281

288

عدد مرات القفز واستخدام أجهزة القفز

قفز

أجهزة قفز


موته مرات وعدد الالعب تلقاها الت الضربات عدد 145

يشاخ يذ ػذد انضشتاخ انر ذهماا انالػة ػذد .8.4.3.8

توضح العالقة بن الضربات الممتة والضربات المضرة فقط، ومكن التعبر عن هذه العالقة

باألشكال التالة

0

10

20

30

40

50

60

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

1عدد الضربات ف كل لعبة على الجهاز

ضربات ممتة

ضربات مضرة

0

10

20

30

40

50

60

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64


ضربات ممتة

ضربات مضرة



0

10

20

30

40

50

60

70

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73


ضربات ممتة

ضربات مضرة

-10

0

10

20

30

40

50

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55


ضربات ممتة

ضربات مضرة



0

10

20

30

40

50

60

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


ضربات ممتة

ضربات مضرة



-10 0 10 20 30 40 50 60 70

1

7

13

19

25

31

37

43

49

55

61

67

73

79

85

91

97

103

109

115

121

127

133

139

145

151

157

163

169

175

181

187

193

199

205

211

217

223

229

235

241

247

253

259

265

271

277

283

ة ف كل لعبة ف كل لعبة عدد الضربات الممتة والمضر

ضربات مضرة

ضربات ممتة


للنماذج ابةإحص دراسة 149

دساسح إحظائح نهارج .8.5

SLPاللون األزرق عبر عن المزات الت تم اختارها باستخدام

MLPباستخدام اللون األخضر عبر عن المزات الت تم اختارها

اللون األحمر عبر عن المزات الت لم تم اختارها

52

54

56

58

60

62

64

66

68

1 2 3 4 5 6 7

Pe

rfo

rman

ce

Nr of selected features

Feature selection with SLP- Engagement

0

10

20

30

40

50

60

70

80

1 2 3 4 5 6 7 8 9 10 11

Pe

rfo

rman

ce


Feature selection with 2_2 MLP- Engagement


للنماذج إحصابة دراسة 150



60

61

62

63

64

65

66

67

68

69

70

1 2 3 4 5

pe

rfo

rma

nc

e


Feature selection with SLP- Frustration

05

1015202530354045505560657075808590

1 2 3 4 5 6 7 8 9

pe

rfo

rman

ce


Feature selection with 2_2 MLP- Frustration



727476788082848688909294

1 2 3 4 5 6 7

Pe

rfo

rman

ce


Feature selection with SLP- Challenge

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8

Pe

rfo

rman

ce


Feature selection with MLP- Challenge



المأخوذة من الالعب والنتابج الت توقعها النموذج التكف التفضالتقرب التالة نالحظ من التجربة

ء، وكفة تجاوب النموذج التكف مع تبن األشكال الثالثة التالة قرب األدا وولد مرحلة على أساسها.

تفضالت الالعب

0

20

40

60

80

100

120

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Pe

rfo

rma

nc

e

Games

Challenge Model Perf. VS Reported Player Pref.

0

50

100

150

200

250

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Challenge Model Perf. VS Reported Player Pref.

Model Performance Reported Player Preference



بن الشكل التال تجربة إجراء لعب لالعبن بشكل متناوب، حث تم إجراء لعب لالعب األول ثم

الثان تباعا ومن ثم لعب الالعب األول مرة أخرى ونرى كؾ قوم النموذج بالتكؾ مع لعب العبن

مختلفن باإلسلوب.

0

20

40

60

80

1001

23

4

5

6

7

8

9

1011

1213

14

15

16

17

18

19

20

2122

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Model Performance 94.498.297.897.694.896.596.5 97 95.795.895.8 93 88.692.895.8

Reported PlayerPreferences

0 66.7 100 100 100 33.333.333.366.766.766.733.366.766.7 100

0

20

40

60

80

100

120

Pe

rfo

rma

nc

e

2 Players Preferences Over alternate gameplay



العاشرالفصل

مخطط النظام ودلل المستخدم


النظام مخطط 162

يخطظ انظاو .13

نوضح فما ل مخطط كل نموذج ضمن النظام وكفة بنابه والتعامل معه.

الخراس انضاخ رج انرفضالخ .13.1

للفصل الخط ومن ثم SLPكون على مرحلتن كما تكلمنا سابقا ، تم ف األولى اختار المزات حسب

وقد تم الشرح المفصل لذلك، وكون حسب المخطط. MLPختار المزات اإلضافة حسب ا

Phase-1: Feature Selection Phase-2: MLP Topology Optimization

SLP Accuracy

(3-fold CV)

SFS features selection

MLP

Selected Feature

Subset

MLP topology

with best

accuracy

(3-fold CV)


المزات الختار التكف النموذج 163

الخراس انضاخ انرج انركف .13.1

أخذ نفس النموذج السابق ولكن بعد إقحام المزات القابلة للتحكم جمعها ف حال عدم اختارها أصال

Phase-1: Feature Selection Phase-2: MLP Topology Optimization

SLP Accuracy

(3-fold CV)

SFS features selection

MLP

Selected Feature

Subset

MLP topology

with best

accuracy

(3-fold CV)

Remaining

controllable

features


الالعب للعب تبعا مراحل محتوى لتولد التكف النموذج 164

نرنذ يحر يشاحم ذثؼا نهؼة انالػةانرج انركف .13.2

بن الشكل التال كفة عمل النموذج التكف لتولد محتوى مراحل تبعا للعب الالعب

Phase-1: Initial Gameplay Phase-2: Adaptation Mode

Random

game Adaptation

Model

Set of controllable

features on a

fixed step

Engine

Manager

Extract best

controllable

features for next

game

Phase-3: Continues Gameplay

Engine

Manager

Generate

game with

specified

controllable

features

Extract gameplay features for

specified player

Extract gameplay features for

specified player


المستخدم دلل 165

دنم انسرخذو .13.3

تبن األشكال التالة كفة اللعب التكف

والمعلومات العامة المتعلقة بالالعبتم إدخال االسم والجنس

شاشة لعب أول لعبة عشوابة



لعب المرحلة

اختار حالة المشاعر المراد تولد مرحلة جددة اعتمادا علها



االنتهاء من لعب المرحلة

أخذ معلومات حول شعور الالعب حول اندماجته ف المرحلة الت لعبها



عب حول مدى احباطه ف المرحلة الت لعبهاأخذ معلومات حول شعور الال

أخذ معلومات حول شعور الالعب حول مدى التحدي ف المرحلة الت لعبها



الحادي عشرالفصل

الدراسة المستقبلة


المستقبلة الدراسة 172

نذساسح انسرمثهحا .11

الذي اضطرنا لعل من أكبر المشكالت الت واجهتنا ف بحثنا عدم وجود عنات إحصابة كافة األمر

نطمح مستقبال أن نقوم بتجمع عنات تدرب أكثر (،Layeredإلى االكتفاء بالمراحل ذات الطبقات)

لنستطع تعمم النظام بشكل أكبر. نطمح أن نقوم مستقبال بتطور خوارزمة بناء المحتوى لتستطع بناء

د من متعة الالعب وتجربته.مراحل أعقد والتحكم بالمحتوى المولد بشكل أكبر األمر الذي ز

اإلخشاءاخ انرخزج نهذساسح انسرمثهح .11.1

نطرح هنا بعض النقاط الت أخذناها بعن االعتبار لدراستنا المستقبلة كما نطرح بعض األفكار لتطور

أكثر فأكثر. -إن كان النموذج التكف أو نموذج التفضالت–النماذج

ذسدم خغ حشكاخ انالػث .11.1.1

مل ثانة أي أن موقعه 150ل جمع حركات الالعبن، كل لوحده وذلك بفاصل زمن بمقدار تم تسج

الحال وهل هوي ف حالة إطالق سالح وف أي مستوى موجود هو اآلن .. إلخ. تم تخزن جمع هذه

المعطات ف قاعدة معطات الالعبن لالستفادة منها الحقا .

ا المستقبلة للتعمق أكثر فأكثر ف دراسة إسلوب الالعبن بشكل لحظ تفد هذه التسجالت ف دراستن

ولس على مدار مرحلة لعب كاملة كما ه الدراسة الحالة.

ذسدم ػاطف انخ .11.1.1

وذلك ألخذ معلومات عن -شرطة رضاهم بالتصور–تم تسجل جمع وجوه الالعبن أثناء اللعب

د مرورهم على كل حدث ضمن المرحلة الواحدة.المشاعر الت خاضوها أكثر فأكثر عن

تفد هذه التسجالت ف ربط المحتوى مع حركة الالعب اللحظة مع المحتوى الذي راه. نأمل مستقبال ف إدخال دراسة هذه التسجالت ضمن الدراسة للحصول على دقة أكبر فأكبر من خالل معرفة

المشاعر بشكل لحظ.


الوجوه عواطؾ تسجل 173

عبن أثناء لعبه اللعبة ومشاعر الحرة!شكل وضح وجه أحد الال

شكل وضح وجه أحد الالعبن أثناء لعبه اللعبة ومشاعر االمتعاض!


الموضوعة بالموسقا التالعب 174

انرالػة تانسما انضػح .11.1.2

ف الدراسة المستقبلة والمرحلة القادمة سوؾ تم بالتالعب بالموسقا الموضوعة لالعب أثنا لعبه اللعبة

قا دورا كبرا جدا ف حالة الالعب أثناء اللعب أو حتى ف كفة لعبه ضمن حدود معنة. تلعب الموس

اللعبة ومحاربته األعداء.

انضادج ف انشاػش انالحمح انذسسح .11.1.3

الدراسة المستقبلة أن تم زادة المشاعر المدروسة لتشمل الملل وقابلة التخمن والت شرحت مكن ف

سابقا ف هذه الدراسة.

فما ل بحثن تم االستفادة منهما أثناء تصمم المراحل وبناء النماذج ف دراستنا، تتح الدراستن نذكر

التالتن تطور كل من العملتن السابقتن أكثر فأكثر، نطرح هنا األفكار القابلة للتطور ف الدراسة

المستقبلة فما خص هاتن العملتن.


المراحل تصمم تطور 175

ذظى انشاحمذطش .11.1.4

السند من خالل الذكاء الصنع و geometryم مصمموا مراحل األلعاب ؼالبا عبر علم الهندسة صم

AI scripting [12]ومن خالل استبدال العناصر بن المراحل إلنشاء مراحل جددة. حسب ما ورد ف

صمم فال وجد هناك فهم بسط وموحد لهذه العملة بمجملها، ولكن وجد جهد كبر بذل ف صنع ت

كبر عن طرق قواعد محددة أو معرفة مسبقة بتصمم المراحل.

الدراسة واللعب. تعرض التصمم مستوى مشتركة لبناء المراحل على لؽة هناك لس لذلك، ونتجة

. first-person shooter (FPS)لمراحل ألعاب من نمط أنماط تصمم [12]

Crysis 2لعبة

بن نمط تصمم مرحلة ما وبن عناصر cause-effectفعل -ن نمط مسببعالقة م ( FPS)تقدم ألعاب

و لالهتمام إثارة أكثر فأكثر مستوات ف خلق للمصممن تسمح األنماط هذه .gameplayلعب اللعبة

.تكون متنوعة أكثر لالعبن


التموضع كسب صػ 176 Patterns for Positional Advantage

Patterns for Positionalطغ كسة انرضغ .11.1.4.1

Advantage

ف التموضع على حساب entityفإنها تقوم على أن كسب كابن واحد [12]هذه الصػ كما وردت ف

كسب فرصة لمحاربة كابنات آخرى بدون أن تعرض الكابن نفسه كابن آخر. كسب التموضع ؼالبا

هذه الصػ مع وصفها وقابلة تطبقها والعواقب . سنقوم هنا بعرض counter attackلهجوم معاكس

مع الصػ األخرى. الناجمة عنها وعالقاتها

يضغ انم اطح .11.1.4.1.1

الوصف

اآلخرن بمهاجمة قناص موقع ف لشخصة أكثر األنماط شوعا . مكن من واحدة ه القناص مواقع

حتمل مستوى من جزء على طل مرتفع موقع أي .محمة بنفسها تبقى بنما المدى البعدة األسلحة مع

حد على أو أوالشخصات ، قبل الالعبن، من استخدامها بها المقصود كون قد. قناص كون موقع أن

.سواء

برمجة تطلب حث. إضافة دراسة تطلب ولس لالعب عدو قبل من لالستخدام قناص موقع إنشاء

مكانها ف حال كانت ف مكان قناص لالعب، ف تبقى أن إلنشاء السلوك المطلوب، حؾ جب خاصة

.المدى طولة أسلحة مع ومهاجمة الالعب إذا كان متاحا ، coverؼطاء حماة باستخدام وذلك


القناصة موضع 177

من فوق ألسفل موقع قناص

قابلة التطبق

عن المستوى األساس للمرحلة القناص الموقع ارتفاع

للقناص المتاحة المساحة كبرة كم ه

للقناص المتاح الؽطاء مقدار

قناص من قناص تؽط أن مكن الت المساحة حجم

منطقة واضحة من القناص موقع إلى الوصول قابلةكم ه

العواقب

أو الؽطاء استخدام ف الحرص توخ إلى الالعب قناص فسضطر موقع عدوا ذو واجه الالعب عندما

اجتاز وترة وإبطاء من التوتر زد أن مكن وهذا. النار ألطالق التعرض لتجنب البدل ل التماس

.لالعب بشكل عام تحدا خلق حن أن هذا ف المرحلة



مهاجمة على فهو قادر التوتر حن خفض ف اللعب عموما وترة إبطاء إلى ؤدي الالعب قناص موقع

بقة عن كان موضع القناص لس معزولة فإذا ذلك، ومع. لنرانهم التعرض دون العدو شخصات

. وبالتال، زادةaccess pointإله وصول نقطة عن سوؾ سضطر للدفاع الالعب المرحلة، فإن

.التوتر لده حدة

العالقات

نقطة أو ساحة لتؽطة وضعها كثرة ومكن أخرى patternsوصػ أنماط مع القناص تتفاعل مواقع

.للقناصة مواقع أضا ه الثابتة األبراج معظم. االختناق

موقع فإن الالعب واجه ،Half-Life 2 1 من لعبة”Route Kanal“ مرحلة ف. ذلك على األمثلة

.الشكل ف موضح هو كما للعدو، قناص

Half-Life 2من Route Kanalمرحلة



ستطع الالعب إن هاجم . الؽطاء من جدا القلل لده الالعب واجه مركز قناصة للعدو ولكن

كون أن وجب ،exposedكشفه فهو مجرد من ؼطاء تم ولكن ،NPCالعدو الؽر العبة شخصات

.حذرا لتم المرحلة بنجاح

على الالعب حث كون Killzone 2 ضمن لعبة " Corinth River" مرحلة ف قناص موقع هناك

. NPCالعدو الؽر العبة شخصات على تحتوي والت على منطقة متوسطة الحجم طل مرتفع ممشى

فإن الالعب فوق، من أسفل إلى رالنظ خالل من ولكن ،coverوالعدو محم بؽطاء العب من كال

.معهم والتؽلب علهم واالشتباك العدو شخصات على العثور ستمكن من

Killzone 2لعبة

Halo 3بن الشكل التال موقع قناص من أسفل ألعلى من لعبة


Gallery المعرض 180

Halo 3لعبة -قناص من أسفل ألعلى

Gallery انؼشع .11.1.4.1.1

الوصف

لها والت تكون على شكل المجاورة موازة للمناطق مرتفعة ةمنطق هو المعرض، فإن [12]حسب

أن تهاجم الشخصات ضمن الممر بسهولة. المرتفعة المنطقة مكن للشخصات ف. ضق ممر


مؽطى ممر وعرض طول

ممر فوق المرتفعة المناطق ارتفاع


Gallery المعرض 181

ممر ف المتاحة ؼطاء مقدار

العواقب

ه للمهاجمة ممر ف الشخصات. المرحلة لخلق تحدي لالعب مصمم قبل من المعرض ستخدم

هو ذلك من القصد كون قد مرتفعة، منطقة العب ف كان إذا. إن وجد الؽطاء استخدام إلى وتحتاج

.الدوة القنابل من نوع محدد مثل خاص ألسلحة استخدام تمكن

العالقات

.خالل الممر تتحرك من الشخصات أن معن حث ممر عنصرتؽطة إضافة مع قناص، لموقع مشابهة

ووجد مرحلة Half-Life 2ف " Urban Flight " ف معرض هناك .ذلك على األمثلة

“Floodgate” من لعبةHalo 3.

.العب الى تصل ان قبل العدو معظم شخصات على تكون مهمة الالعب ؼالبا القضاء

Halo 3لعبة –المعرض


الخنق نقطة 182 Choke Point

Choke Pointمطح انخك .11.1.4.1.2

الوصف

نقطة ؼرفة ولكن إلى بدل وه مثال مدخل وجود طرق عدم مع ضقة منطقة ه االختناق نقطة

خالل من عدو تحرك أو أي العب. ذلك خالؾ على مفتوحة ف أماكن مناطق توجد أن االختناق مكن

.نقطة خنق تعرض للهجوم


االختناق نقطة فتحة عرض

الختناقا نقطة طول

العواقب

التوتر حدة مما سبب ازادة العدو، لنران االختناق، فإنه تعرض نقطة خالل من نتقل العب كان إذا

مهاجمتهم االختناق، فإن الالعب سكون قادرا على نقطة عبر العدو إذا تحركت شخصات. لدى الالعب

.والتحدي التوتر من وبالتال الحد قلل، احتمال خطر مع

باعتبار أن عدد أعداء أكبر سكون اآلثار األخرة على الالعب من قلل عرض منطقة الخنق ادةز

. واحد وقت نقطة الخنق ف خالل من التحرك على قادرا

المذكورة سابقا ألنه سكون هناك مكان أكبر للشخصة ف من اآلثار أضا أن تقلل طول لزادة مكن

.retreatالتراجع واالختباء

العالقات

نقطة ،ذلك على األمثلة للمهاجم. ؼطاء وتوفر قناص، مع موقع بالتزامن االختناق نقطة استخدام مكن

.Killzone 2ف لعبة ”Corinth River“اختناق ف مرحلة


الواسعة القتال أماكن صػ 183 Patterns for Large-scale Combat

Patterns for Large-scaleطغ أياك انمرال اناسؼح .11.1.4.1

Combat

أو القالع. strongholdات الواسعة كصػ التحصن وجد أنماط وصػ أخرى للمراحل ذات المساح

Arena انساحح اناسؼح .11.1.4.1.1

تعبر عن منطقة مفتوحة، أو عن ممر عرض بشكل كاؾ. مكن للعدو أن أت فه بأعداد كبرة وعلى

شكل موجات مهاجمة.

.PCG تم بناء هذه المساحة ف المحرك الرسوم للدراسة كما تم شرحه ف كفة بناء المراحل


Stronghold التحصن 184

11.1.4.1.1. Strongholdانر حظ

. مكن للمدافعن عن الحصن أن coverوه عبارة عن منطقة محصنة، ؼالبا تؤمن تؽطة جدة

قاوموا األعداء القادمن مع بقابهم بشكل آمن. كون لموقع الحصن مناطق دخول قللة ومحدودة

وبالتال مكن لالعبن أن أخذوا ؼطاء بسهولة.

Call od Duty MW3 2012لعبة - strongholdالتحصن

Turretانثشج .11.1.4.1.2

ستخدم من قصد بالبرج هنا سالح قوي جدا والذي كون عادة ثابتا بمكان محدد، مكن لهذا السالح أن

قبل الالعبن أو من قبل الشخصات ؼر الالعبة. بما أن السالح قوي جدا فجب التفكر ف كفة

.unbalancedل كبر لك ال خلق مراحل ؼر متوازنة وأماكن وضعه بشك


البدلة الطرق صػ 185 Patterns for Alternate Routes

Call of Duty MW3 - سالح ثقل

Patterns for Alternate Routesطغ انطشق انثذهح .11.1.4.2

مثل وجود قسم من مرحلة تح المرور باتجاهن مكن لالعب أن ختار بنهما وهنا جب األخذ بعناة

واصفات كل قسم من الطرقن.

Split Levelيح سحهح يمس .11.1.4.2.1

كما تكلمنا سابقا كوجود قسم من مرحلة تح المرور باتجاهن مكن لالعب أن ختار بنهما وهنا جب

األخذ بعناة واصفات كل قسم من الطرقن.


المخفة األماكن 186 Hidden Area

Call of Duty –اختار طرق بدلة

Hidden Areaاألياك انخفح .11.1.4.2.1

. عادة تحتوي على أنواع خاصة itemsألؼراض مكن أن تعبر عن ؼرفة صؽرة تحتوي العدد من ا

special من األسلحة أو من زادة الطاقةpower-up مكن أن تكون ف ألعاب آخرى عن طرق .

وه األشهر ف هذا المجال ألنها تعتمد على SplinterCellمخبأة ف سبل الوصول للهدؾ مثل لعبة

هذا اإلسلوب بالذات ف لعبها.


الؽطاب الهجوم طرق 187 Flanking Route

Splinter Cell –بأة األماكن المخ

Flanking Route طشك اندو انغطائ .11.1.4.2.2

مكن الشخصات من أن تأخذ كسب عبر عن منطقة تحت مقاومة عله والت تحتوي على طرق بدل

.positional advantageموضع


التطورة العصبونة طرق عن التفضل تعلم توسعة 188 Extending Neuro-evolutionary Preference

Learning through Player Modeling

Extending ذسؼح ذؼهى انرفضم ػ طشك انؼظثح انرطسح .11.1.5

Neuro-evolutionary Preference Learning through Player

Modeling

Player modelingزخح انالػة .11.1.5.1

تقوم خرابط التنظم الذات بشكل تكراري بضبط إسقاط ذو أبعاد SOMخرابط التنظم الذات

(.vector quantizationقللة لفضاء الدخل وذلك باستخدام تكمم األشعة )

منظمة ف شبكة منخفضة البعد )بعدن أو ثالثة(. الخرابط ذاتة التنظم تحوي على نورونات

dكل نورون ف الشبكة )الخارطة( تصل مع شعاع الدخل بواسطة شعاع ربط من البعد

حوي على أوزان الربط:

{ }

نات المجاورة من الخارطة عن طرق إضافة لشعاع الدخل، النورونات متصلة مع النورو

شبكة جوارات وه الت تولد بنة الخارطة.

تدرب الخارطة عتمد على مبدأ التنافسة والذي سمح للخارطة ذاتة التنظم أن تجد الترابطات

بن أشعة الدخل وتسقطهم على خارطة طبوؼرافة والت ه تابعة لألوزان المدربة. نتابج

ذاتة التنظم هو إسقاط لبانات الدخل إلى فضاء ثناب البعد )خارطة( كون تدرب الخارطة

للنورونات المتجاورة فها نفس أشعة األوزان.

ما مز الخرابط ذاتة التنظم عن خوارزمات تكمم األشعة القاسة أن تحدث الجوارات

أن كل جوار النورون ( أيbest-matching neuronالطبلوجة للنورون األكثر مطابقة )

تمدد نحو الدخل الحال.

وقاة الطبولوجا من إسقاط الخرابط ذاتة التنظم ه ذات فابدة قللة ف حالة الخرابط ذاتة

التعلم الصؽرة وأفضلة عالقة النورون المجاور تهمل، مما جعل الخرابط الصؽرة تقربا

ة.مطابقة للطرق القاسة ف تكمم األشع


المستخرجة المزات 189

-Emergent selfتم استخدام خرابط ذاتة التنظم كبرة تدعى بالخرابط ذاتة التنظم المنبثقة )

organizing maps للمساعدة ف [1]( لتعظم االختالؾ وتقنات إظهار مكن االعتماد علها

تمز العناقد ف إسقاط قلل البعد للبانات.

قدة تعط مؤشرات متعددة عن خصابص العناقد هناك العدد من مقاس جودة قاس العن

تم استخدام متوسط خطأ [1]المتولدة، لكن ال وجد قاس ضمن تقرب لألداء بدقة عالة. ف

ESOMالتكمم والخطأ الطبوؼراف كمقاس ألداء تدرب

| |

( والت تحسب topology preservationوالخطأ الطبوؼراف قس وقاة الطبولوجا )

كتناسب بن جمع أشعة الدخل والؽر مقابلة للنرورونن األكثر مطابقة وثان أكثر مطابقة.

انضاخ انسرخشخح .11.1.5.1

تسجل عدة مقاس من أجل كل لعبة تحوي عناصر من حالة اللعبة ومدخالت الالعب وعدة مزات تم

ه [1]ف MazeBallإحصابة تم استخراجها، مزات اللعب الت تم اختارها من أجل لعبة

األداء

نسبة ( وG( والنسبة من الشبكة الت تم زارتها )Sالنتجة النهابة لالعب والت نعبر عنها )

(Pالطرق الت تم تؽطتها عدة مرات )


التجارب 190

الزمن

وعدد المتوسط واالنحراؾ المعاري لمجاالت الزمن الت بقى فها الالعب بخلة معنة

ثانة. 1 ,0.9 ,0.8 ,0.7 ,0.6 ,0.5هذه المجاالت األكبر من

المسافة

قرب عالمة، وبن الكرة وأقرب المتوسط واالنحراؾ المعاري للبعد اإلقلدي بن الكرة وأ

عدو، ومتوسط وانحراؾ معاري للبعد عن كل األعداء، ومتوسط وانحراؾ معاري لبعد

منهاتن بن الكرة وأقرب عالمة، وبن الكرة وأقرب عدو، ومتوسط وانحراؾ معاري لبعد

منهاتن عن جمع األعداء

مدخالت الالعب

( مقسومة على عدد المرات 180( أو للخلؾ )90-ار )( أو الس90عدد مرات االلتفاؾ للمن )

وعدد الت تم فها ضؽط أزرار المن والسار واألسفل، عدد مرات الضؽط لألعلى

ومتوسط واالنحراؾ المعاري لعدد مرات ضؽط المفتاح مرات ضؽط مفتاح الفراغ

المن أو الساري

الكمرا

والطرق الظاهرة والعرامات الظاهرة سط واالنحراؾ المعاري لألعداء الظاهرن المتو

( وتالحم اإلطار D)( والبعدHومتحوالت الكمرا والت ه االرتفاع )

انرداسب .11.1.5.2

ESOMوالذن تم إجادهم بواسطة MazeBallستم عرض أنماط الالعبن للعبة

زوج من األلعاب ذات األجوبة المبلػ عنها الواضحة 111لبانات المستخدمة تحوي على مجموعة ا [1]

فتم SLPلعبة كمجموع، أما 133على ESOM)اللعبة األولى أفضل أو الثانة(، حث تم تدرب

,92 ,86 ,83 ,97تدربه على األزواج واضحة اإلجابة من أجل كل حالة شعورة والت كان عددها


التجارب 191

من أجل التحدي واإلثارة والقلق والمتعة واالسترخاء واإلحباط على التسلسل 90 ,90

نمذجة الالعب تأخذ بعن االعتبار مزات اللعب المتعلقة بسلوك الالعب ف اللعبة ما عن استبعاد

الكمرا ومدخالت الالعب لجعل النموذج عتمد على أداء الالعب ولس على شكل معن لعب من اللعبة.

الختار مجموعة المزات الت تعط عنقدة جدة لعنات البانات. وبسبب SFSكما ذكر ستم استعمال

عشر مرات من أجل كل مرة تم اختار مزة ESOMالطبعة الؽر حتمة للخوارزمة تم تدرب

تحدد جودة ، تم أخذ المتوسط للخطأ الطبوؼراف وخطأ التكمم وتم استخدامهما لSFSجددة ف

تم اختار المجموعة الجزبة من المزات الت تولد SFSمجموعة المزات المختارة. ف كل تكرار ف

أقل متوسط خطأ طبوؼراف، وتتوقؾ الخوارزمة عندما صبح متوسط خطأ التكمم أعلى من متوسط

.[1]خطأ الطبوؼرافا

لى نورونات مرتبة ف شبكة مربعة تحوي ع toroid-shapedعلى شبكة ESOMبعد تدرب

15x40 ( باستخدام خوارزمة الدفعbatch( حث ظهر الشكل تؽر وسط خطأ الطبوؼرافا )TE )

حث تم إقافها بعد اختار ثالث مزات: النتجة SFSتكرارات 12( على QEومتوسط خطأ التكمم )

متوسط عدد المرات الت بقى فها الالعب داخل ( وG( النسبة من الشبكة الت تم زارتها )Sالنهابة )

( ثانة ) 0.6خلة معنة لمدة تتجاوز


التجارب 192

تم تعرؾ خمس أنماط من الالعبن بعد

ESOMف Pومصفوفة Uمراقبة مصفوفة

Uف الشكل التال تم تطبع قم المصفوفة

ومن ثم رسمها كخارطة طبوؼرافة كون فها

عد اإلقلدي بن أشعة األوزان القم األعلى للب

للنورونات المجاورة مظللة باألبض

والرمادة لتشكل هضبات على الخارطة،

وأبعاد النورونات الت لها شعاع أوزان أقل

مجاورة تم رسمها كبحار )لون أزرق(

ه خارطة Pوودان خضراء، بنما مصفوفة

حرارة فها األسود واألحمر الؽامق مثلون

ق ذات كثافة عالة من النورونات األكثر مناط

مطابقة، بنما مناطق الكثافة المنخفضة تم

تلونها باألبض

ESOMمستوات المحتوى المرسومة ف الشكل تظهر قم أوزان الربط من أجل كل نورون ف

نة باألبض.كطؾ رمادي التدرج حث أن القم األعلى ألوزان الربط ملونة باألسود والقم األقل ملو

الجدول التال والشكل السابق وضحان صفات األصناؾ الخمسة من الالعبن.

ثانة 0.6تعبر عن الالعب الذي قؾ ألكثر من ( waryحذر )العنات من العنقود األول تم تسمتها

ت العنقود ( ف آخر اللعبة. عناS( ولده نتجة منخفضة ) عدد كبر من المرات)قم كبرة لـ

كبرة( Gوالذي مل إلى استكشاؾ قسم كبر من المتاهة )قم ( Explorerمتجول )الثان تم تسمتها

ولك ولكن بنتجة المتجوللده صفات تشبه ( winnerرابح )بنما توقؾ باستمرار. العنقود الثالث


الالعب نمذجة من المشتق ضلالتف تعلم 193 Player Model-Driven Preference Learning

( صؽرة استمرار)قم حث تحرك ب (impetuousطابش )نهابة أعلى. نمط العنقود الرابع هو

حصل (neutralمحاد )ونتجة نهابة قللة وقسم قلل من المتاهة تم استكشافه، النمط الخامس هو

. و Gولده قم معتدلة من الحذرعلى نتجة نهابة عالة أكثر من الالعب -كمتوسط-

-Player Modelذؼهى انرفضم انشرك ي زخح انالػة .11.1.5.3

Driven Preference Learning

ف هذا القسم ستم مقارنة تعلم التفضل باستخدام العصبونة التطورة المعارة وتعلم التفضل

باالعتماد على أنماط الالعبن الذن تم تمزهم بواسطة التنظم الذات عند نمذجة تفضل الالعب )دون

. من أجل كل حالة SLPختار المزات من أجل نموذج ال SFSاستخدام نموذج الالعب( تم تطبق

مرة على كل مزات اللعب. قمة األداء ه المتوسط من أجل SFS 12شعورة مبلػ عنها تم تشؽل

( وتم إقاؾ fold cross validation-3) جمع مرات اللعب عن طرق التأكد التصالب ثالث الطوى

SFS ال رفع من أداء الشبكة. عندما كون إضافة مزة جددة

عشر مرات مع مجموعة المزات المختارة كدخل والمزة ذات SLPتم تدرب SFSبعد كل تشؽل

األداء األعلى تختار.

كثالثة دخل ESOMبشكل مماثل تم تشؽل تعلم التفضل المشتق من نموذج الالعب وتم معاملة

عن طرق خمس مداخل ثنابة لها تمثل SLPطة مع كونها مرتب SFSإضافة من المزات من أجل

خمس عناقد لالعبن.


الالعب نمذجة من المشتق التفضل تعلم 194 Player Model-Driven Preference Learning

من أجل كل حالة شعورة من أجل SLPظهر الجدول التال متوسط األداء للخمس والعشرن

والت لها دخل منفرد حوي على التصنفات الخمسة الت تم SLPشبكة 12التجربتن. تم تدرب

ض متوسط األداء لها على نفس الجدول. النتابج الت تم الحصول علها وتم عر ESOMاشتقاقها من

تعط نفس االستنتاجات للست حاالت شعورة المدروسة. وكما واضح فإن استعمال نمط الالعب

%30.23فحسب لتوقع التفضل ؤدي إلى نتابج منخفضة الدقة كثرا ، أقلها ف حالة التحدي حث فقط

عنها ؼر المربة تم تقدرها بشكل صحح واألداء من أجل الحاالت الشعورة من التفضالت المبلػ

. هذه النتابج توضح أن توجب إضافة مزات لعب أضا لتدرب نموذج التفضل %40الباقة فوق

ألنماط الالعبن ؼر فعال من أجل توقع تفضل ناجح. ESOMوتقدر

تحسنت دقة توقع التفضل SLPواستخدامها لتدرب SFSعندما تم اختار مجموعة من المزات عبر

متنبا جد SLPمما قول أن %80بشكل كبر، من اجل اإلثارة والمتعة واإلرهاق كانت الدقة بحدود

للحاالت الشعورة آخذن بعن االعتبار أن نمذجة المشاعر أمر معقد والطبعة الضججة للمعلومات

المبلػ عنها.

فإننا نجد أن أداء SLPبتؽذة نموذج ESOMالالعب مع نموذج التفضل، أي أن تقوم عند دمج نمذجة

التوقع لنموذج التفضل الناتج قد تحسن بشكل أكبر من أجل جمع الحاالت الشعورة الست عند مقارنته

قمة عتبر ذو %5وحدها. والتحسن ف األداء عتبر تحسن ذو قمة )تحسن SLPمع األداء الناتج عن

تعلم ( من أجل جمع الحاالت الشعورة عدا المتعة. هذه التأثرات اإلحصابة الكبرة تقترح أن [1]ف

التفضل المشتق من تمذجة الالعب ستطع فعلا أن حسن أداء توقع تفضل الالعب، وأكثر من ذلك

ة )كمتعلم للتفضالت( ناجح ف فإن تركب التنظم الذات )كتقنة لنمذجة الالعب( والعصبونة التطور

التقاط الترابط بن مزات اللعب والتفضل المبلػ عنه لالعب.


الالعب نموذج ف الموروثة المعلومات 195

انؼهياخ انسثح ف رج انالػة .11.1.5.4

باستخدام ثلث البانات )مجموعة التدرب( بنما تم SLPف التجارب المعروضة سابقا كان تم تدرب

هناك معرفة SLPبتؽذة ESOMلتال عندما تقوم على كل مجموعة البانات، وبا ESOMتدرب

( مكن أن تدخل. مع أنه ال وجد معلومات عن التفضل validation setضمنة عن مجموعة التحقق )

ف مجموعة البانات هذه فإنه ستم البحث عن تبثر هذه المعرفة الموروثة على دقة التوقع من أجل

فضل واضح( والمتعة )الت أعطت أقل تحسن ف األداء(. ف هذه التحدي )الحالة الت تحوي أكثر ت

تعلم التفضل المشتق من تمذجة الالعب على المعلومات الواضحة المبلػ عنها التجارب تم استخدام

للتفضل، تم تحدد األداء عن طرق التحقق التصالب أحادي الطة حث أن ثلث معلومات التفضل

ا بشكل عشواب واستخدامها من أجل التدرب والبقة من أجل التحقق.الواضحة تم اختاره

النتابج ف الجدول التال توضح تحسنات إحصابة هامة ف األداء تم تحققها حتى عندما لم تستخدم

العنات ف مجموعة التحقق ف تدرب الشبكة )حث تم استخدام تحقق تصالب بطة واحدة( ف الواقع

ء ف مقاربة تعلم التفضل المشتق من تمذجة الالعب أكبر اآلن، مكن أن نعزو ذلك إلى تحسن األدا

استعمال طة وحدة ف هذه الدراسة وأضا لوجود الضجج ف بانات التفضل ؼر الواضحة

والت تم التدرب علها مسبقا . باإلضافة لذلك فإن االختالؾ ف األداء عود إلى ESOMالمستخدمة ف

عناقد مختلفة تم تعرفها مكن أن كون سببه جودة تصنفة الالعبن حث مكن أن تؤثر على تحسن

توقع التفضل.



الفصل الثان عشر

اللغة البرمجة المستخدمة

والمخطط الزمن

والمراجع


والمراجع الزمن والمخطط المستخدمة البرمجة اللؽة 198

انشاخغ انهغح انثشيدح انسرخذيح انخطظ انضي .11

سرخذيحانهغاخ انثشيدح ان .11.1

نظرا لمالبمتها لتطبقات األلعاب بسبب سرعتها ++cمبن باستخدام لؽة الـ Cube[13] المحرك

.++cأضا بلؽة PCGوتم التعدل عله وتولد المراحل عن طرقه باستخدام العالة

تم التعامل مع قاعدة معطات لتخزن عنات التدرب وبعض المعلومات اإلحصابة عن االعبن

. #Cباستخدام تطبق قمنا بتطوره بلؽة

ألن Javaأما النظام الذي قوم بالتنبؤ بمشاعر الالعب )تحدي، احباط، اندماجة( فقد تم تطوره بلؽة

عملات البحث واالختبارات المبدبة للخوارزمات والنماذج تمت بالتوازي مع بناء المراحل وحتى قبل

المحرك بحد ذاتها.ومعرفة لؽة Cubeاختار المحرك

تؤمن الترابط بن عملها بشكل Systemتم التخاطب بن هذه التطبقات عن طرق استدعاءات نظام

.بلنابسط وواضح عن طرق بروتوكوالت معرفة من ق


الزمن المخطط 199

انخطظ انضي .11.1

تم العمل وفق المخطط التال

وبشكل مفصل لمراحل العمل


المراجع 200

شاخغان .11.2

[1] H´ector P. Mart´ınez, Kenneth Hullett, and Georgios N. Yannakakis, Member, IEEE: "Extending Neuro-evolutionary Preference Learning through Player Modeling" 2010 IEEE Conference on Computational Intelligence and Games.

[2] Christopher Pedersen, Julian Togelius Member, IEEE, and Georgios N. Yannakakis, Member, IEEE: “Modeling Player Experience for Content Creation”.

[3] Erin J. Hastings, Ratan K. Guha, and Kenneth O. Stanley: Demonstrating Automatic Content Generation in the Galactic Arms Race Video Game. In Proceedings of the Artificial Intelligence and Interactive Digital Entertainment Conference Demonstration Program. University of Central Florida, Orlando, FL 32816, AIIDE 2009.

[4] Antonios Liapis, Georgios N. Yannakakis: Neuroevolutionary Constrained Optimization for Content Generation.

[5] Webstite, last visit: June, 2012, http://speedtree.com

[6] Stanley, K.O.: Compositional pattern producing networks: A novel abstraction of development. Genetic Programming and Evolvable Machines Special Issue on Developmental Systems 8(2), 2007.

[7] Webstite, last visit: June, 2012, http://game.itu.dk/pcg

[8] Webstite, last visit: June, 2012, http://pcgames.fdg2010.org

[9] Webstite, last visit: June, 2012, http://pcg.wikidot.com

[10] Togelius, J., Schmidhuber, J.: An Experiment in Automatic Game Design. In Proceedings of the IEEE Symposium on Computational Intelligence and Games, Perth, Australia.

[11] Browne, C.: Automatic generation and evaluation of recombination games, PhD thesis, Queensland University of Technology, 2008.

[12] Togelius, J., De Nardi, R., Lucas. S.M.: Towards automatic personalised content creation in racing games. In: Proceedings of the IEEE Symposium on Computa-tional Intelligence and Games, 2007.

[13] Webstite, last visit: June, 2012, Cube Engine: http://cubeengine.com

http://speedtree.com/

http://game.itu.dk/pcg

http://pcgames.fdg2010.org/

http://pcg.wikidot.com/

http://cubeengine.com/


المراجع 201

[14] Webstite, last visit: June, 2012, OcTree: http://anteru.net/2008/07/25/242/

[15] Evolving Interesting maps for first person shooter: Luigi Cardamone, Georgios N.Yannakakis, Julian Togelius, and Pier Luca Lanzi

[16] Payam Refaeilzadeh, Lei Tang, Haun Liu: Cross-Validation, Arizona State University.

[17] Petri Lankoski, Staffan Björk: Gameplay Design Patterns for Believable Non-Player Characters. Media Lab, University of Art and Design Helsinki.

[18] Noor Shaker, Georgios N. Yannakakis, Member, IEEE, and Julian Togelius, Member, IEEE: Feature Analysis for Modeling Game Content Quality, 2010.

[19] “Entertainment modeling through physiology in physical play,” International Journal of Human-Computer Studies, vol. 66, pp. 741–755, 2008.

[20] Georgios N. Yannakakis: “Modeling Player Experience in Super Mario Bros” in Proceedings of the IEEE Symposium on Computational Intelligence and Games. Milan, Italy: IEEE, September 2009.

[21] Georgios N. Yannakakis, M. Maragoudakis, and J. Hallam: “Preference Learning for Cognitive Modeling: A Case Study on Entertainment Preferences,” IEEE Systems, Man and Cybernetics; Part A: Systems and Humans, vol. 39, no. 6, pp. 1165–1175, November 2009.

[22] G. N. Yannakakis and J. Hallam: “Game and Player Feature Selection for Entertainment Capture,” in Proceedings of the IEEE Symposium on Computational Intelligence and Games. Hawaii, USA: IEEE, April 2007, pp. 244–251.

[23] J. Togelius, T. Schaul, J. Schmidhuber and F. Gomez, “Countering poisonous inputs with memetic neuroevolution,” in Parallel Problem Solving From Nature 10, 2008.

[24] ——, “Entertainment modeling through physiology in physical play,” International Journal of Human-Computer Studies, vol. 66, pp. 741– 755, 2008.

[25] M. Mejia-Lavalle and G. Arroyo-Figueroa, “Power System Database Feature Selection Using a Relaxed Perceptron Paradigm,” in Proceedings of 5th Mexican International Conference on Artificial Intelligence, LNCS. Springer Berlin/Heidelberg, 2006, pp. 522–531.

http://anteru.net/2008/07/25/242/


المراجع 202

[26] Kenneth Hullett, Jim Whitehead: Design Patterns in FPS Levels, University of California, Santa Cruz, 2009.

[17] Noor Shaker, Georgios N. Yannakakis, Member, IEEE, and Julian Togelius, Member, IEEE. Feature Analysis for Modeling Game Content Quality, 2010.

pcg in first person shooter games through player modeling - documentation

Entertainment & Humor

fps games2012

searchbased pcg

galactic arms race gar

super mario

controllable features

ceiled arena