Procedural Content Metageneration via Program Search and Continual Abstraction Discovery· 通过程序搜索和持续抽象发现自动生成内容
Large language models can generate executable programs, which makes it possible to search directly over procedural content generators rather than individual levels. We study this approach in Sokoban, Zelda, Dangerous Dave, and Lode Runner. Each run evolves complete Python generators through language-model mutation and crossover. We introduce Continual Abstraction Discovery, or CAD, which extracts reusable primitives from high-fitness programs into a run-specific helper module. A 2x2 experiment crosses CAD with access to a fixed hand-written domain API. The completed data set contains 160 complete runs, with at least ten 50-generation runs in every cell. CAD raises mean final best fitness in all eight domain and API comparisons. Across all CAD runs, learned libraries are adopted by most lat
研究通过程序搜索和学习抽象来自动生成游戏内容。
- 核心方法
- 利用大型语言模型生成可执行的Python代码，结合语言模型变异与交叉操作来演化程序生成器，并引入持续抽象发现（CAD）机制，从适应度高的程序中提取可重用的原语。
- 适合谁读
- 研究者 / 工程师
- 要解决的问题
- 传统的游戏内容生成方法难以直接生成高质量的程序代码，本论文旨在通过程序搜索和学习抽象技术解决这一问题。
- 关键实验
- 实验设计包括4个经典游戏（Sokoban、Zelda、Dangerous Dave、Lode Runner），每种游戏条件下进行160次完整运行，每种组合至少10次50代的运行。
- 主要贡献
- 1. 提出了程序搜索和持续抽象发现的新方法；2. 在多个经典游戏中验证了方法的有效性；3. CAD提高了程序生成器的适应度。
- 意义与局限
- 该方法为自动内容生成提供了新的思路，尤其是在程序级面上；然而，依赖于特定游戏API的固定辅助模块可能限制了方法的泛化能力。