KakuroAI : διαδικαστική παραγωγή περιεχομένου με προσαρμοστική δυσκολία χρησιμοποιώντας ενισχυτική μάθηση
| dc.contributor.advisor | Αλέπης, Ευθύμιος | |
| dc.contributor.author | Μουρλάς, Παναγιώτης | |
| dc.date.accessioned | 2025-05-22T06:29:10Z | |
| dc.date.available | 2025-05-22T06:29:10Z | |
| dc.date.issued | 2025-05 | |
| dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17781 | |
| dc.description.abstract | Η παρούσα πτυχιακή εργασία παρουσιάζει το KakuroAI, ένα σύστημα που συνδυάζει τη Διαδικαστική Παραγωγή Περιεχομένου (PCG) με Ενισχυτική Μάθηση (RL) για τη δημιουργία παζλ Κακούρο προσαρμοστικής δυσκολίας. Τα παζλ Κακούρο είναι λογικά παζλ με αριθμούς που απαιτούν από τους παίκτες να συμπληρώσουν ένα πλέγμα ακολουθώντας συγκεκριμένους περιορισμούς αθροίσματος. Παρά τη δημοτικότητά τους, η δημιουργία παζλ Κακούρο με συγκεκριμένο επίπεδο δυσκολίας παραμένει μια πρόκληση. Το σύστημά μας αντιμετωπίζει αυτό το πρόβλημα χρησιμοποιώντας έναν πράκτορα RL που εκπαιδεύεται να προσαρμόζει τις παραμέτρους παραγωγής παζλ με βάση τις μετρήσεις απόδοσης του παίκτη. Η εργασία περιγράφει την αρχιτεκτονική του συστήματος, τον αλγόριθμο παραγωγής παζλ, και το μοντέλο RL που χρησιμοποιείται για την προσαρμογή της δυσκολίας. Υλοποιήσαμε το σύστημα χρησιμοποιώντας το πλαίσιο Unity MLAgents και τον αλγόριθμο Βελτιστοποίησης Εγγύς Πολιτικής (Proximal Policy Optimization ή PPO). Το σύστημα παρακολουθεί διάφορες μετρικές απόδοσης του παίκτη, συμπεριλαμβανομένου του χρόνου επίλυσης, των σφαλμάτων, και της χρήσης υποδείξεων, για να δημιουργήσει ένα μοντέλο της ικανότητας του παίκτη και να προσαρμόσει τη δυσκολία αναλόγως. Αξιολογήσαμε το σύστημα μέσω πειραμάτων σε προσομοιωμένες συνεδρίες παιχνιδιού. Τα αποτελέσματα δείχνουν ότι το σύστημα KakuroAI μπορεί να παράγει αποτελεσματικά παζλ Κακούρο που προσαρμόζονται στο επίπεδο ικανότητας του παίκτη, διατηρώντας μια ισορροπία μεταξύ πρόκλησης και εφικτότητας. Επιπλέον, το σύστημα επιδεικνύει βελτιωμένη απόδοση σε σύγκριση με παραδοσιακές προσεγγίσεις παραγωγής παζλ Κακούρο, παράγοντας παζλ με πιο συνεπή επίπεδα δυσκολίας και καλύτερη προσαρμογή στις ικανότητες του παίκτη. Αυτή η εργασία συνεισφέρει στο πεδίο της Διαδικαστικής Παραγωγής Περιεχομένου και των προσαρμοστικών παιχνιδιών, παρουσιάζοντας μια καινοτόμο προσέγγιση για τη δημιουργία παζλ προσαρμοστικής δυσκολίας. Οι τεχνικές που αναπτύχθηκαν σε αυτή την εργασία μπορούν να εφαρμοστούν σε άλλους τύπους παζλ και παιχνιδιών, συμβάλλοντας στη βελτίωση της εμπειρίας του παίκτη και της προσβασιμότητας. | el |
| dc.format.extent | 63 | el |
| dc.language.iso | el | el |
| dc.publisher | Πανεπιστήμιο Πειραιώς | el |
| dc.rights | Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/gr/ | * |
| dc.title | KakuroAI : διαδικαστική παραγωγή περιεχομένου με προσαρμοστική δυσκολία χρησιμοποιώντας ενισχυτική μάθηση | el |
| dc.title.alternative | KakuroAI : procedural content generation with adaptive difficulty using reinforcement learning | el |
| dc.type | Master Thesis | el |
| dc.contributor.department | Σχολή Τεχνολογιών Πληροφορικής και Επικοινωνιών. Τμήμα Πληροφορικής | el |
| dc.description.abstractEN | This thesis presents KakuroAI, a system that combines Procedural Content Generation (PCG) with Reinforcement Learning (RL) to generate adaptive difficulty Kakuro puzzles. Kakuro puzzles are logic-based number puzzles that require players to fill a grid while following specific sum constraints. Despite their popularity, generating Kakuro puzzles with a targeted difficulty level remains a challenge. Our system addresses this issue by employing an RL agent trained to adjust puzzle generation parameters based on player performance metrics. The thesis describes the system’s architecture, the puzzle generation algorithm, and the RL model used to adapt the difficulty. The system was implemented using the Unity ML-Agents framework and the Proximal Policy Optimization (PPO) algorithm. It monitors various player performance metrics, including solving time, number of mistakes, and usage of hints, to model player ability and dynamically adjust the puzzle difficulty. We evaluated the system through experiments with real players and simulated gameplay sessions. The results show that KakuroAI can effectively generate Kakuro puzzles that adapt to the player's skill level, maintaining a balance between challenge and solvability. Furthermore, the system demonstrates improved performance compared to traditional puzzle generation approaches, producing puzzles with more consistent difficulty levels and better alignment with individual player capabilities. This work contributes to the field of Procedural Content Generation and adaptive games, introducing an innovative approach for generating puzzles with personalized difficulty. The techniques developed in this thesis can be extended to other types of puzzles and games, enhancing player experience and accessibility. | el |
| dc.contributor.master | Προηγμένα Συστήματα Πληροφορικής - Ανάπτυξη Λογισμικού και Τεχνητής Νοημοσύνης | el |
| dc.subject.keyword | Kakuro | el |
| dc.subject.keyword | Procedural Content Generation (PCG) | el |
| dc.subject.keyword | Proximal policy optimization | el |
| dc.subject.keyword | Reinforcement learning | el |
| dc.subject.keyword | Unity ML-agents | el |
| dc.subject.keyword | Adaptive difficulty | el |
| dc.subject.keyword | Puzzle generation | el |
| dc.date.defense | 2025-05-05 |
Αρχεία σε αυτό το τεκμήριο
Αυτό το τεκμήριο εμφανίζεται στις ακόλουθες συλλογές
-
Τμήμα Πληροφορικής
Department of Informatics
Εκτός από όπου διευκρινίζεται διαφορετικά, το τεκμήριο διανέμεται με την ακόλουθη άδεια:
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα