Det finns många sätt att utveckla studien i framtiden. Det som kräver minst ändringar för att genomföras är en utökad studie av det här arbetet. Där samma experiment genomförs igen, men med fler körningar samt med andra parametrar. Syftet bakom en sådan studie skulle vara att undersöka generaliseringen av resultatet från denna studie och se hur resultatet ändras beroende på parameteruppsättningen. Resultatet skulle då bättre presentera FINS och PMOEA algoritmernas förmågor att hantera aspekterna som undersöktes. Problemet med
45
den här typen av studie är att den fortfarande undersöker endast en bråkdel av alla de möjliga uppsättningarna av algoritmerna. Som tidigare nämnt varierar resultatet på uppsättningen av den underliggande evolutionära algoritmen. Med detta kan arbetet även byggas vidare genom att arbeta med en annan uppsättning av den underliggande evolutionära algoritmen. Detta skulle involvera en ny representation, urval, mutation, rekombination och fitnessfunktion. Ett intressant alternativ är en sökrymd som är svårare att genomsökas, till exempel experimentet som genomfördes i Lehman & Stanley (2011) eller Mouret (2011) där sökrymden är konstruerad att vara svårgenomsökt. Detta skulle placera Novelty Search algoritmerna i en miljö där de har bevisats fungera bättre. Att återskapa denna studie på det här sättet skulle förbättra förståelsen över algoritmernas generalitet. Trots det kan man lägga fram argumentet att den här typen av undersökningar endast kan påpeka generaliteten, men inte bevisa den. Detta då varje uppsättning av den evolutionära algoritmen skapar olika resultat.
Studiens fokus skulle kunna förändras. Istället för att maximera mätvärden kan studien fokusera runt speltestares upplevelser med nivåerna som skapas. Arbetets metod skulle då vara att ta in speltestare som får provspela nivåer skapade genom de olika algoritmerna och sedan undersöka hur nivåerna upplevdes. För att genomföra detta krävs en översättning från nivåkartor till spelbara nivåer, vilket i sin tur är subjektivt till studien och kan som sådan göra det svårare att urskilja om resultatet kommer från testspelarnas upplevelser med spelet och dess mekaniker, eller om det beror på nivåernas utseende. Alternativt skulle studien kunna fokuseras på att skapa nivåer som maximerar mer spelarorienterade mål, såsom nivåorienterade speldesignmönster som risk and reward, vilket diskuteras i Holmgård et al. (2015). Detta skulle passa för Novelty Search då sökrymden är mer abstrakt och svårare att optimeras för fitnessfunktioner.
Strukturen på arbetet, att jämföra två eller flera algoritmer baserat på deras förmåga att hantera individer som har krav, skulle kunna genomföras med andra algoritmer. Ett exempel skulle vara vad Lehman & Stanley (2011) kallar Novelty Search with local competition. Liknande den här studien så arbetar de med en NSGA-2, dock fokuserar algoritmerna på att utveckla individer baserat på nischer som individerna har. Studiens metod skulle vara att jämföra antingen FINS eller PMOEA i denna studie mot den som Lehman & Stanley (2011) introducerade och sedan undersöka hur väl algoritmerna hanterar att utveckla individer som följer de krav som ställs.
46
Referenser
Ashlock, D., Lee, C. & McGuinness, C. (2011). Search-Based Procedural Generation of
Maze-Like Levels. IEEE Transactions on computational intelligence and AI in games. 3(3). ss.
260-273, DOI: 10.1109/TCIAIG.2011.2138707
Bentley J.L. (1975) Multidimensional binary search trees used for associative searching. Communications of the ACM. 18(9). ss. 509-517. DOI: 10.1145/361002.361007
Bourg, D.M & Seemann, G. (2004). AI for Game Developers. Sebastopol CA: O’Reilly
Correia, J., Machado, P., Romero, J. & Carballal, A. (2013). Evolving figurative images using
expression-based evolutionary art. I Proceedings of the fourth International Conference
on Computational Creativity (ICCC), ss. 24–31.
Eiben, A.E. & Smith, J.E. (2015). Introduction to Evolutionary Computing. Berlin: Springer. DOI: https://doi.org/10.1007/978-3-662-44874-8
Ejvegård. R. (2009). Vetenskaplig metod. 4.uppl., Lund: Studentlitteratur.
Emmerich, M.T. & Deutz, A.H. (2018). A tutorial on multiobjective optimization:
fundamentals and evolutionary methods. Natural computing: an international journal.
17(3). ss. 585-609. DOI: 10.1007/s11047-018-9685-y
Evertsson. J. (2014). Rumsbaserad bangenerering. Kandidat Uppsats, Institutionen Datalogi. Skövde: Högskolan i Skövde. URN: urn:nbn:se:his:diva-9431
Gomes, J., Mariano, P. & Christensen, A.L. (2015). Devising Effective Novelty Search
Algorithms: A Comprehensive Empirical Study. I Proceedings of the 2015 annual
conference on genetic and evolutionary computation. Spain, Madrid 11-15 Juli 2015. ss. 943-950. DOI: 10.1145/2739480.2754736
Hao, X. & Liu, J. (2015). A multiagent evolutionary algorithm with direct and indirect
combined representation for constraint satisfaction problems. Soft Computing, 21(3). ss.
781-793. DOI: https://doi.org/10.1007/s00500-015-1815-1
Helge. A. (2018). Procedurell Generering - Rum och Korridorer: En jämförelse av BSP och
Bucks algoritm som metoder för procedurell generering av dungeons. Kandidat Uppsats,
Institutionen Informationsteknologi. Skövde: Högskolan i Skövde. URN: urn:nbn:se:his:diva-15288
Holmgård, C., Liapis, A., Yannakakis, G.N. & Togelius. J. (2015). Procedural Personas as
Critics for Dungeon Generation. I Mora, A. & Squillero, G. (red) Applications of
evolutionary computation. Springer: Cham. ss. 332-343. DOI: doi.org/10.1007/978-3-319-16549-3_27
Kalyanmoy, D., Pratap, A. & Agarwal, S. (2002). A Fast and Elitist Multiobjective Genetic
Algorithm: NSGA-II. I IEEE Transactions on evolutionary computation, 6(2). ss. 182-197
Kimbrough, S. O., Koehler, G.J. & Wood, D.H. (2008). On a Feasible–Infeasible Two-Population (FI-2Pop) genetic algorithm for constrained optimization: Distance tracing and
47
no free lunch. European journal of operational research. 190(2). ss. 310-327. DOI: https://doi.org/10.1016/j.ejor.2007.06.028
Lehman, J. & Stanley, K.O. (2010). Efficiently Evolving Programs through the Search for
Novelty. i Proceedings of the 12th annual conference on genetic and evolutionary
computation. USA, Portland, Oregon 7-11 juli 2010. ss. 837-844. DOI: 10.1145/1830483.1830638
Lehman, J. & Stanley, K.O. (2011). Evolving a Diversity of Creatures through Novelty Search
and Local Competition. I Proceedings of the 13th annual conference on genetic and
evolutionary computation. Ireland, Dublin 12-16 Juli 2011. ss.211-218. DOI: 10.1145/2001576.2001606
Liapis, A., Yannakakis, G.N. & Togelius, J. (2013a). Sentient Sketchbook: Computer-Aided
Game Level Authoring. I Proceedings of the 8th International Conference on Foundations
of Digital Games. ss. 1-8.
Liapis, A., Yannakakis, G.N. & Togelius, J. (2013b). Enhancements to constrained Novelty
Search: two-population Novelty Search for generating game content. I Proceedings of the
15th annual conference on Genetic and evolutionary computation. The Netherlands, Amsterdam 6 - 10 Juli. ss. 343-350. DOI: 10.1145/2463372.2463416
Liapis, A., Yannakakis, G.N. & Togelius. (2015). Constrained Novelty Search: A Study on
Game Content Generation. Evolutionary Computation, 23(1), ss. 101-129. DOI:
10.1162/EVCO_a_00123
Lipowski, A. & Lipowska, D. (2012). Roulette-wheel selection via stochastic acceptance. Physica A: Statistical mechanics and its applications, 391(6), ss. 2193-2196. DOI: https://doi.org/10.1016/j.physa.2011.12.004
Mateas, M. & Mawhorter, P. (2010). Procedural level generation using occupancy-regulated
extension. I Proceedings of the 2010 IEEE conference on computational intelligence and
Games. Ireland, Dublin 18-21 Augusti 2010. ss. 351- 358. DOI: 10.1109/ITW.2010.5593333 Melotti, A.S. & Moraes, C.H.V. (2018). Evolving Roguelike Dungeons with Deluged Novelty
Search Local Competition. IEEE Transactions on Games, ss. 1-10. DOI:
10.1109/TG.2018.2859424
Minecraft (2009) [datorprogram]. Skapare: Magnus Petterson. Stockholm: Mojang
Mouret, J.B. (2011). Novelty-based Multiobjectivization. New horizons in evolutionary robotics. 341(1). Berlin:Springer. ss. 139-154. DOI: https://doi.org/10.1007/978-3-642-18272-3_10
Negnevitsky, W. (2005). Artificial intelligence: A guide to intelligent systems. 2. uppl., Boston: Addison-Wesley
Preuss, M., Liapis, A. & Togelius, J. (2014). Searching for good and diverse game levels. I 2014 IEEE Conference on Computational Intelligence and Games. Germany, Dortmund 26-29 Augusti 2014, ss 1-8. DOI: 10.1109/CIG.2014.6932908
48
Ramasubramanian, V. & Kuldip, K. (1992). Fast K-dimensional tree algorithms for nearest
neighbor search with application to vector quantization encoding. I IEEE transactions on
signal processing. 40(3). Ss. 518- 531. DOI: 10.1109/78.120795
Rogelberg, S. G. & Stanton J. M. (2007). Introduction: Understanding and Dealing With
Organizational Survey Nonresponse. Organizational Research Methods. 10(2), ss.
195-209
Schwab, B. (2009). AI game engine programming. 3. Uppl., Course Technology
Shaker, N., Smith, G. & Yannankakis G.N. (2016). Evaluating content generators. I Shaker, N., Togelius, J. & Nelson, M.J (red.) Procedural Content generation in games. Springer, ss. 215-224. DOI: https://doi.org/10.1007/978-3-319-42716-4
Spelunky (2008) [Datorprogram]. Skapare: Derek Yu. San Francisco: Mossmouth LLC
Togelius, J. & Shaker, N. (2016). The search-based approach. I Shaker, N., Togelius, J. & Nelson, M.J (red.) Procedural Content generation in games. Springer, ss. 17-30. DOI: https://doi.org/10.1007/978-3-319-42716-4
Yao, J., Lin, C., Xie, X., Wang, A.J. & Hung, C.C. (2010). Path planning for virtual human
motion using Improved A* algorithm. I Seventh International Conference on Information
Technology: New generations. Las Vegas, NV, USA 12-14 April 2010, ss. 1154 – 1158. DOI: 10.1109/ITNG.2010.53
Young, K. (2009). Understanding online gaming addiction and treatment issues for
adolescents. The American journal of Family Therapy. 37(5). Ss. 355-377. DOI:
https://doi.org/10.1080/01926180902942191
Valtchanov, V. & Brown, J. A. (2012). Evolving Dungeon Crawler Levels With Relative
Placement. I C3S2E ‘12 proceedings of the Fitfth Interational C* Conference on Computer Science and Software Engineering, Montreal, Quebec, Canada 27-29 juni 2012, ss. 27-35.
I
Appendix A - Resultat: Andel av populationen som
följer alla kraven
II
Andel av populationen som följer alla kraven
Experiment 1 Traditionell EA FINS PMOEA Novelty Search Medelvärdet 78.408 ± 2.405 45.755 ± 4.252 99.748 ± 3.584 90.83 ± 3.384
Maxvärdet 91 53.8 100 95.8
Experiment 2 Traditionell EA FINS PMOEA Novelty Search Medelvärdet 64.102 ± 4.092 18.88 ± 2.123 98.909 ± 8.186 73.662 ± 6.972
Maxvärdet 69.2 24.4 100 81
Experiment 3 Traditionell EA FINS PMOEA Novelty Search Medelvärdet 58.559 ± 6.805 9.788 ± 1.41 95.142 ± 14.752 63.208 ± 10.628
III
Appendix B - Resultat: Medelvärdet av fitnessvärdet
hos individerna som följer alla kraven
IV
Medelvärdet av fitnessvärdet hos individerna som följer alla kraven
Experiment 1 Traditionell EA FINS PMOEA Novelty Search
Medelvärdet 26.319 ± 2.333 17.226 ± 1.059 17.976 ± 2.396 15.709 ± 0.697
Maxvärdet 28.0018 19.0072 21.9700 17.0267
Experiment 2 Traditionell EA FINS PMOEA Novelty Search
Medelvärdet 139,837 ± 26,159 61,142 ± 2,923 69,707 ± 5,543 69,468 ± 4,263
Maxvärdet 167.6997 67.6292 76.3580 75.0954
Experiment 3 Traditionell EA FINS PMOEA Novelty Search
Medelvärdet 230.274 ± 40.207 112.144 ± 7.918 142.92 ± 13.184 117.485 ± 5.891
V
Appendix C - Resultat: Medelvärdet av diversiteten
hos individerna som följer alla kraven
VI