Kuiz berkaitan panduan · Sederhana Tahap
AI dalam Kuiz Penjanaan Tahap Permainan
Terokai cara penjana tahap yang dipelajari diuji untuk kebolehmainan dan cara kaedah kepelbagaian kualiti mengekalkan kandungan permainan yang pelbagai.
soalan 1 daripada 8
Apakah maksud 'penjanaan kandungan prosedur' (PCG) dalam permainan?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah maksud 'penjanaan kandungan prosedur' (PCG) dalam permainan?
- Algoritma mencipta tahap, peta atau kandungan secara automatik
- Pemain membina setiap peringkat secara manual dengan tangan
- Merakam lokasi dunia sebenar ke dalam permainan
- Sejenis perjodohan berbilang pemain
- Bagaimanakah algoritma Runtuh Fungsi Gelombang membina peta?
- Ia menyalin peta sedia ada dengan tepat
- Ia meruntuhkan jubin satu demi satu sambil menguatkuasakan peraturan bersebelahan, seperti menyelesaikan teka-teki
- Ia secara rawak membuang jubin ke bawah tanpa peraturan
- Ia meminta manusia untuk meletakkan setiap jubin
- Why do developers test generated levels with search agents or other playability checks?
- To guarantee every generated level is completable before release
- To remove the need for human designers
- To test whether levels meet defined reachability or difficulty criteria; this does not guarantee universal playability
- To increase the graphics resolution of the level
- Fungsi hingar klasik manakah yang digunakan secara meluas untuk menjana rupa bumi yang kelihatan semula jadi?
- Bunyi putih sahaja
- Algoritma pengisihan
- Jadual hash
- Perlin bising
- Apakah yang ditambahkan oleh PCGML berbanding generasi berasaskan peraturan lama?
- Ia mempelajari corak daripada tahap sedia ada menggunakan pembelajaran mesin
- Ia menghapuskan rawak sepenuhnya
- Ia hanya berfungsi untuk platformer 2D
- Ia tidak memerlukan komputer sama sekali
- Secara kasar berapa banyak planet yang didakwa No Man's Sky untuk dihasilkan secara prosedur?
- Kira-kira seribu
- Kira-kira 18 quintillion
- Kira-kira satu juta
- Betul-betul seratus
- In the Mario-level GAN study, how did researchers test whether generated levels were playable?
- They checked only whether the level image looked realistic
- They counted the number of colors in the level
- They ran an A* agent through the levels and measured whether it could complete them
- They asked the GAN to classify its own training data
- What is the goal of a quality-diversity method such as MAP-Elites in level generation?
- To make every generated level identical to one template
- To maximize image resolution without considering gameplay
- To remove all difficult levels from a training dataset
- To find high-quality levels that also vary across selected gameplay characteristics