Candidato
Simão Paulo Rato Alves Reis
Data, Hora e Local
11 de janeiro, às 14:00, na Sala de Atos da FEUP
Presidente do Júri
Doutor Carlos Miguel Ferraz Baquero-Moreno, Professor Catedrático, Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto
Vogais
Doutor João Alberto Fabro, Professor Associado do Departamento Acadêmico de Informática do Universidade Tecnológica Federal do Paraná, Brasil;
Doutor Rui Filipe Fernandes Prada, Professor Associado do Instituto Superior Técnico da Universidade de Lisboa;
Doutora Pétia Georgieva Georgieva, Professora Associada com Agregação do Departamento de Eletrónica, Telecomunicações e Informática da Universidade de Aveiro (representante da Comissão Científica do MAP-i);
Doutor Luís Paulo Gonçalves dos Reis, Professor Associado com Agregação do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto (Orientador);
Doutor Henrique Daniel de Avelar Lopes Cardoso, Professor Associado do Departamento de Engenharia Informática da Faculdade de Engenharia da Universidade do Porto.
A tese foi coorientada pelo Doutor Nuno Lau, Professor Associado da Universidade de Aveiro.
Resumo:
“Esta tese estuda o problema de equilíbrio no desenvolvimento de jogos, nomeadamente de jogos para dois jogadores. Especificamente, pretende-se investigar a viabilidade da Inteligência Artificial (IA) como ferramenta auxiliar para corrigir propriedades de jogos. Dividimos a nossa investigação em dois caminhos: Equilíbrio de Poder, onde o objetivo é ajustar as estratégias de jogo para que estas se tornem ferramentas efetivas de vitória; Equilíbrio de Dificuldade, onde o objetivo é ajustar propriedades de jogos em tempo real para que jogadores mais fracos ou em desvantagem possam competir contra jogadores mais fortes, ou jogadores em vantagem. Ambos os domínios exigem afinações no jogo, mas diferem no tempo e no seu objetivo, um lida com o desequilíbrio no desenho de jogos, enquanto o outro lida com o desigualdade nas habilidades dos jogadores. Para o Equilíbrio de Poder, a nossa metodologia foi definir um ecossistema completo de equilíbrio de meta-jogos baseado na franquia de vídeo jogos Pokémon e construir uma competição de IA onde as múltiplas tarefas associadas (batalha, previsão, construção de equipas e equilíbrio do meta-jogo) estão presentes e podem ser testados num domínio comum. Para equilibrar o metajogo, seguimos um modelo adversarial onde os construtores de equipas pretendem restringir-se ao uso de Pokémon ótimos enquanto os agentes equilibradores incentivam o máximo possível de Pokémon distintos a serem escolhidos pelos construtores de equipa. Isto resulta em agentes capazes de jogar, construindo equipas eficazes e afinar a lista de Pokémon ao longo do tempo. Discutimos como os nossos modelos podem ser extendidos noutros domínios de vídeo jogos. Para o Equilíbrio de Dificuldade, propomos uma estrutura de Ajuste de Dificuldade Dinâmico Multijogador onde um agente Mestre de Jogo (MJ) é treinado e inserido num jogo, e dependendo do estado do jogo implementa mecanismos de handicap. O regime de treino segue uma ordem específica. Para generalizar situações de vantagem, perturbações parametrizadas nas ações de um agente de referência são usadas para simular vários graus de habilidade no jogo, e a vantagem de cada jogador é usada para traçar curvas, estas avaliadas para recompensar o MJ. Isto resulta na capacidade do MJ de otimizar um conjunto de critérios de desenho de jogo e criar oportunidades para o jogador atrás de recuperar. Mostramos que existem ferramentas de IA adequadas para cada tarefa, e é razoável pensar em equilíbrio de poder e dificuldade como problemas separados, mas onde ambos podem ser assistidos automaticamente e facilitados, e ambos aumentam a nossa compreensão do campo de equilíbrio automatizado de jogos.”