Näytä suppeat kuvailutiedot

dc.contributor.advisorNieminen, Paavo
dc.contributor.advisorItkonen, Jonne
dc.contributor.authorTapio, Tomi
dc.date.accessioned2021-11-10T06:22:08Z
dc.date.available2021-11-10T06:22:08Z
dc.date.issued2021
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/78574
dc.description.abstractAutomatisoitu pelitestaus on vielä vähäistä peliteollisuudessa, ja koneoppimisalgoritmien nopea kehitys mahdollistaa koneopetetun agentin käyttämisen yhä paremmin pelimoottoreiden sisällä. Tutkimuksessa pelitestauksen osa-alueista keskitytään vaikeustason balansointiin. Tavoitteena oli tutkia, voiko agenttia käyttää bullet hell -genren pelin kenttien vaikeustasojen havainnointiin, jolloin tarve ulkopuolisille testaajille vähenisi. Tutkimusta varten toteutettiin bullet hell -genren prototyyppi, jonka kentissä agenttia simuloitiin. Opetetun agentin suoriutumista verrattiin käyttäjädataan, joka kerättiin käyttäjätesteillä. Tulokset osoittivat, että agentin opettaminen tällaisessa haasteellisessa genressä vaatii hyvin paljon opetusaikaa. Lisäksi kenttäkohtainen ylisovittaminen osoittautui suureksi haasteeksi. Tutkimuksen perusteella esitetään havaintoja agentin opettamisen tehostamiseksi, joiden katsotaan olevan hyödyksi pelikehittäjille, jotka ovat kehittämässä vaikeustasoltaan haastavaa peliä ja aikovat hyödyntää koneoppimista kehittämisessä.fi
dc.description.abstractAutomated game testing is still limited in the gaming industry and the rapid development of the machine learning algorithms makes it increasingly possible to use a machine learning agent inside the game engines. In this study, the core aspect of the game testing is a difficulty balancing. This thesis examines whether the agent could be used to detect the difficulty of the levels in the bullet hell genre, thereby reducing the need for the external testers. In this study, a machine-learned agent was simulated in a prototype implemented for the study. The performance of the agent is compared to the user data collected through the user tests. The results showed that teaching the agent in a such a challenging genre requires a lot of teaching time. In addition, the level-specific overfitting proved to be a major challenge. The study presents the findings related to enhancing agent learning that are considered to be beneficial to a game developers who are developing a challenging game and intend to leverage a machine learning in the development.en
dc.format.extent84
dc.format.mimetypeapplication/pdf
dc.language.isofi
dc.rightsIn Copyrighten
dc.subject.otherpelitestaus
dc.subject.otherbullet hell
dc.subject.othervahvistusoppiminen
dc.subject.otherimitaatio-oppiminen
dc.titleKoneopetetun agentin hyödyntäminen vaikeustason balansointiin bullet hell -peligenressä
dc.typemaster thesis
dc.identifier.urnURN:NBN:fi:jyu-202111105595
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysotestaus
dc.subject.ysokoneoppiminen
dc.subject.ysopelit
dc.format.contentfulltext
dc.rights.urlhttps://rightsstatements.org/page/InC/1.0/
dc.type.okmG2


Aineistoon kuuluvat tiedostot

Thumbnail

Aineisto kuuluu seuraaviin kokoelmiin

Näytä suppeat kuvailutiedot

In Copyright
Ellei muuten mainita, aineiston lisenssi on In Copyright