Teses

The inspiration for this work comes from the belief that computers can do more than perform computational tasks, but rather tackle a concept that most people think is impossible for a computer to achieve, due to being unique to the human being: Creativity. To demonstrate this, the proposed solution consists of a level design tool with co-creativity at its core, this is achieved by presenting the user with suggestions of possible modifications to their current level. There are two types of suggestions: level layout and lighting. Level layout consists on which tiles a player can walk through or not. And the latter, lighting is how each part of the level is illuminated to provide the player with the best experience possible. These suggestions are generated by genetic algorithms with parameters that can be adjusted through an user-intuitive interface, either it being more evolved towards level layout or the lighting setup.

Machine Learning é, hoje em dia, uma área excitante devido ao maior poder de computação disponível atualmente. A descoberta de aplicações para o mundo real aumenta, mas também o desenvolvimento de novos algoritmos e estratégias nesta área. Os jogos sempre foram um excelente laboratório para o estudo destas novas ideias e o Geometry Friends é um excelente exemplo disso. Trata-se de um desafio de estratégia multi-jogador que possui a sua própria competição com o objetivo de distinguir os melhores agentes cooperativos e não cooperativos. O problema do jogador único já teve várias diferentes abordagens ao longo dos anos, com resultados muito satisfatórios. A atenção vira-se agora para a resolução da componente de cooperação associada à jogabilidade multi-jogador. Neste trabalho, nós propomos uma arquitetura consistente de um sistema de aprendizagem multi-agente, inspirado no sucesso alcançado por agentes únicos na utilização de grafos direcionados de peso e Reinforcement Learning. A motivação é construir uma base sólida para futuras soluções de cooperação que procurem expandir e explorar conhecimentos de Machine Learning. Os resultados finais demonstram que o nosso sistema superioriza-se às propostas submetidas até hoje, assente numa estrutura simples apesar das exigências complexas inerentes a um ambiente multi-agente.

Os terramotos continuam a ser um dos desastres naturais que maior destruição criam. Mesmo com os avanços tecnológicos que têm sido feitos, é impossível prever quando ocorrerá o próximo terramoto ou qual a magnitude que terá, pelo que é fundamental que toda a gente esteja preparada na eventualidade de ocorrer um terramoto. Para tal, em 2014 um jogo sério foi desenvolvido para poder ensinar as pessoas, nomeadamente crianças do ensino primário, sobre quais os comportamentos que deveriam ser adoptados antes, durante e após a ocorrência de um sismo. Este jogo, o Treme-Treme, teve um enorme sucesso e 5 anos depois ainda continua a ser usado por professores de escolas primárias como um complemento ao ensino. Para além disso, foi igualmente adoptado por escolas de crianças com dificuldades educativas, tendo um impacto maior que o inicialmente pensado. Surgiu agora a oportunidade de continuar o desenvolvimento deste jogo, sendo que este trabalho retrata todo o processo inerente à realização da nova versão. Com o passar dos anos, o código do Treme-Treme tornou-se obsoleto, pelo que o jogo foi refeito e melhorado com sucesso, usando uma nova plataforma, Godot, o que permitiu repensar todo o design do jogo para proporcionar uma experiência melhor ao jogador. Os resultados obtidos com os testes efectuados comprovam que a nova versão do jogo desperta o interesse das crianças de uma forma mais eficaz que a anterior, fazendo-se sentir a melhoria no jogo ao transmitir ainda melhor os conhecimentos pedagógicos pretendidos e representando uma melhor ferramenta ao ensino.

In game design, one of the most important tasks is associated with the playtesting process, as this is where game designers are able to understand if the game experience they are trying to create is indeed being passed to the players. How a player perceives and reacts to a game should be important in the game design process. Work developed in the Deep Learning research field has proved to be a great source of information as to understand how an agent is capable of achieving great runs and scores playing various games from scratch. The capability of testing different games using a screen capture artificial player powered by Convolutional Neural Network allows for a good understanding of how an agent is capable of extracting important features from the game screen without additional information. This Thesis, took the work developed in the Deep Reinforcement Learning field applied to Atari environments, mainly Deep-Q Networks, modulated different types of player limitations, tested and documented the results achieved. The results seem to indicate the existence of different types of playing patterns for different limitations.