O zet Oyun programlama, video oyunlar n n yaz l m gelistirme bolumudur. Diger yaz l mlardan farkl olarak oyun icindeki nesnelerin surekli guncellenmesini gerektirmektedir. Guncelleme islevinde, nesnenin dunya icinde bulundugu yer, h z, ivme gibi ziksel ozellikleri, carp sma islemleri, animasyon guncellemeleri ve kullan c girdisinin ele al nmas gibi cok cesitli islemler kapsanmaktad r. Yuksek guncelleme frekans gereksinimi de dikkate al nd g nda yaz lan kodun performans ve kalitesi on plana c kmaktad r. Oyun alan , yaz l m karakteristiklerinden kullan labilirligin otesinde kullan c n n eglenmesini saglamay hede emektedir. Yapay zekan n uygulama alanlar n n ve tekniklerinin gelismesi oyunlar n eglendirici yonunu artt rmaktad r. Bu cal smada, bir platform oyunu (Dawn) gelistirilerek oyun icerisindeki kurguyu, gecerli kullan c ya gore uyarlayan bir yapay zeka entegre edilmesi amac yla platform oyununu karakterize edebilecek oznitelikler c kar lm s ve olculmustur. Genel olarak, c kar lan oznitelikler girdi ve c kt oznitelikleri olarak grupland r larak girdi ozniteliklerinin c kt oznitelikleri ile iliskisi ortaya konmaya cal s lm st r. Belirlenen en temel c kt ozniteligi, kullan c performans d r. Kullan c performans n n olcumunde bolum tamamlanma zaman , kahraman n olum nedeni ve bolumlerde ugrad g zarar oznitelikleri baz al nm st r. Sistem, bu sayede bolum icerisindeki dusman secimini ve bir sonraki bolum onerisini kullan c n n performans na gore belirlemektedir.
Oyun programlama, video oyunlar n n yaz l m gelistirme bolumudur. Yaz l m muhendisligi uzerinde onemli cal smalar gerektiren oyun programlama; gra k tasar m ile birlikte varl k sistemi, kullan c arayuzu, zik motoru, girdi isleyicisi, yapay zeka bileseni, oyun mant g , seviye ve ses sistemlerinin gelistirilerek bir butun olusturacak sekilde biraraya getirilmesidir [1].
Oyun programlama, diger yaz l mlardan farkl olarak oyun icindeki nesnelerin surekli guncellenmesini gerektirmektedir. Bu islem icin ideal sure saniyede 60 kere olarak tan mlanm st r. Guncelleme islemi genel olarak her model nesnesine ait \update" fonksiyonu ile yap lmaktad r. Bu fonksiyonda nesnenin dunya icinde bulundugu yer, h z, ivme gibi ziksel ozellikleri, carp sma islemleri, animasyon guncellemeleri ve kullan c girdisinin ele al nmas gibi cok cesitli islemler kapsanmaktad r. Dolay s yla bu karmas k islevin gerceklestiriminde guncelleme frekans da dikkate al nd g nda yaz lan kodun performans ve kalitesi on plana c kmaktad r. Hede enen guncelleme suresine ulas lamamas , kullan c n n oyunda donmalar ile kars lasmas na neden olacakt r.
Oyun alan , yaz l m karakteristiklerinden kullan labilirligin otesinde, kullan c n n eglenmesini saglamay hede emektedir. Cok oyunculu ilk video oyunlar ndan tek oyunculu populer video oyunlar na gecis sureci yapay zekan n uygulama alanlar n n ve tekniklerinin gelismesiyle ac klanabilir. Zira yapay zekan n varl g , oyunun eglendiriciligini korumakta hatta art rmaktad r. 1990'l y llar n sonlar na dogru oyunlara entegre edilen ilk yapay zeka uygulamalar kullan c n n oyun icerisindeki konumuna gore, daha once belirlenmis bir cozum kumesinden oyuncuya kars kullan lacak bir eylemin secilip uygulanmas n icermekteydi. Daha sonralar yarat lan yapay zekalarda ise yapay zekaya kullan c n n belirli bir ozelligi aktar larak etkisi artt r lmaya cal s lm st r.
Bu cal smada, bir platform oyunu (Dawn) gelistirilerek oyun, kullan c lar n oynay s performanslar na gore eylem belirleyen bir yapay zeka ile donat lmaya cal s lm st r. Sozkonusu yapay zeka bileseni icin ilk olarak eylem bileseni (c kt ozniteligi) ve onunla nedensellik iliskisi icerisinde bulunabilecek girdi oznitelikleri belirlenip olcum yap lm st r. O lcme sonucunda, hesaplanan girdi ve c kt oznitelikleri aras ndaki formulasyon (ogrenme modeli) c kart lm st r. Bu formulasyon yeni oynama performanslar nda oyuncuya kars eylemin bir baska ifade ile gerekli c kt n n o andaki girdi degerlerine gore hesaplanmas nda kullan lacakt r. Bu sekilde yapay zeka entegre edilmis oyun, musteri memnuniyetini ve eglendirici yonunu artt rmaktad r.
Bildirinin devam nda, ilk olarak literaturdeki benzer cal smalardan bahsedilmistir. Daha sonra ise gerceklestirilen oyunda yapay zekan n uygulanma sekli ve uygulan rken kullan lan girdi ozniteliklerinin belirlenmesinde kullan lan kriterler anlat lm st r. Bir sonraki bolumde, gelistirilen yapay zekan n ayr nt lar , uygulamada kars las labilecek sorunlar ve bu sorunlar n nas l as labilecegi aktar lm st r. Sonuc bolumunde ise elde edilen sonuclar ve kazan mlar tart s lm st r. 2
Oyun yapay zekas , en genel tan m yla oyunlara bir cesit yapay zekan n entegre edilmesidir. Oyun yapay zekas terimi, oyun icerisinde carp sma tespitinin yap lmas gibi nispeten s n rl bir islevi kars lamak icin kullan labilirken oyunda bir sinir ag algoritmas n n uygulanmas gibi daha karmas k bir gerceklestirimin varl g n da kastediyor olabilir. Bu cal smada, belirtilen iki uc tan m aras nda yer alan bir yapay zeka tan m benimsenmektedir [2].
Video oyunlar n n eglendiriciliginin art r lmas icin oyunlara yapay zeka entegre edilmektedir. Oyuna entegre edilecek yapay zeka icin oyuncu davran s n n modellenmesi vazgecilmez bir gereksinimdir cunku temel hedef oyuncuyu yenmekten ziyade onun eglenmesini saglamakt r. Oyunlarda oyuncu davran s modellenirken farkl bilissel seviyeler dikkate al nmaktad r. Oyuncu pro linin c kart lmas en ust bilissel seviyeye kars l k gelirken diger seviyeler s ras yla oyuncunun strateji, taktik ve eylem davran s modellerinin olusturulmas n icermektedir. Oyuncu pro linden eylem davran s modeline dogru ilerlerken modelin kapsay c l g , hassasiyeti, genel gecerligi azal rken dogrudan olculebilir eylemler nedeniyle olusturulmas daha kolay hale gelmektedir [3].
Video oyunlar nda oyuncu modelini kullanan yapay zeka uc farkl rolden birini ustlenmektedir: Antrenor (koc) rolu, rakip rolu ve arkadas rolu. Antrenor rolu, bu modeller aras nda en az ayr nt l olan d r. Bu modeldeki bir yapay zekan n yapmas gereken oyuncuya, oyunun temel mekaniklerini gostermek ve oyuncuyu yonlendirmektir. Dolay s yla gelistirilecek bu turde bir yapay zekan n statik ya da dinamik olmas kullan c ac s ndan, oyun deneyimi icin fark yaratmayacakt r. Rakip rolundeki oyun yapay zekas ise, oyunun gucluk seviyesini oyuncunun yetenegine ve oyuncunun oynama stiline uygun sekilde duzenlemeye cal s r. Yap lan arast rmalar rakip rolunun dogru bir sekilde derecelendirilmesinin onemini vurgulamaktad r. Zira rakip karakterlerin cok zay f olmas oyuna ilginin kaybedilmesine neden olurken cok guclu rakipler oyuncuyu y ld rarak oyundan c kar r. Arkadas rolu de rakip rolune benzerlik gostermektedir. Arkadas rolundeki yapay zeka, kullan c ile birlikte cal sarak, rakip rolundeki yapay zekaya kars eylem almaktad r. Bu sebeple gelistirilen yapay zeka, kullan c n n ald g eylemleri yorumlayarak ve alacag eylemleri tahmin ederek hareket etmelidir [3].
Oyun yapay zekas na rakip modeli dahil edilirken oyun ortam nda gozlemlenecek oznitelikler belirlenir. O lculen oznitelikler kullan larak o andaki oynama performans n degerlendirecek bir degerlendirme fonksiyonuna gereksinim vard r. Bu degerlendirme fonksiyonu c kt s ve mevcut rakip modeli oyuna yap lacak uyarlama icin kullan lacak girdilerdir. Bu sekilde bir ornek olay tabanl oyun yapay zeka uyarlamas Bakkes et al.'da [4] gorulmektedir.
Video oyunlar nda oyunun gucluk seviyesinin uygun sekilde ayarlanmas iyi bir oyun tasar m n n vazgecilmezlerindendir. Oyunun gucluk seviyesi belirlenirken oyun dinamik yap s n n bir kenara b rak l p oyuncunun bak s ac s na odaklan lmas dogru bir yaklas md r. Bir oyundaki gucluk seviyesi onceden tan mlanm s sorunlar (challenge) kombinasyonu ya da dizisi uzerinden tan mlan r. Oyuncunun her bir sorunun ustesinden gelirken yasad g kesikli gucluk degerleri, oyuncunun ogrenme egrisinin tahminlenmesini saglar. Amac, bu kesikli gucluk degerlerinin oyuncunun yetenegini, ogrenme egrisini iyi bir sekilde temsil ediyor olmas d r [5]. 3
Video oyunlar na, farkl eylem turlerine sahip olan yapay zekalar eklenebilir. Bu yapay zekalar, kullan c y yonlendirmek, kullan c ya yard m etmek ya da kullan c ya kars olmak seklinde farkl eylemlerle donat lm st r. Her bir farkl yapay zeka turunun, kullan c n n oyundan ald g memnuniyeti olabilecek en yuksek seviyeye c kartmak icin, ayarlanmalar gereken belirli bir etkilesim seviyeleri vard r. Dawn icin uygulad g m z yapay zeka, sadece kullan c ya kars eylem almaktad r.
Bu cal smada gerceklestirilen yapay zeka uyarlamas , oyuncu davran s modelini c kar rken oyuncunun dogrudan olculebilir eylemlerini baz ald g ndan oyuncu bilissel seviyesi eylem duzeyinde temsil edilmektedir.
Bu tur yapay zekan n, kullan c memnuniyetini en yuksek seviyeye c kartabilmesi icin, zorlugunun, kullan c n n deneyimi seviyesinde olmas gerekmektedir. Bu seviyenin dogru ayarlanmas cok onemlidir, zira bu seviye cok yuksekse, kullan c yapay zekaya kars basar s z olmaktan b k p oyunu b rakabilir veya bu seviye cok dusukse, kullan c oyunu eglendirici ve zorlay c bulmay p yine ayn sekilde oyunu oynamaktan vazgecebilir. Uygulanacak yapay zekadaki en uygun seviye, kullan c n n sahip oldugu tecrubenin seviyesidir. Yani, yapay zekan n seviyesi, kullan c n n performans na gore olculmelidir. 3.1
Gelistirilen yapay zeka \haxe" dili [6] ve \ ixel" [7] kutuphanesi kullan larak prototip bir oyun uzerinde gelistirilmistir. \Haxe" yuksek seviyeli, ac k kaynak bir programlama dili ve derleyicidir. \Flixel" kutuphanesi ise ozellikle h zl prototip gelistirmek icin uygun olup \haxe" dilinin saglad g coklu platformlara derlenme ozelligi sayesinde oyun farkl platformlara tek kod altyap s ndan (code base) derlenebilmektedir. Kod duzenleyici olarak \FlashDevelop" kullan lm st r. Nesneye dayal yaklas m izlenip, \Bitbucket" uzerinden versiyon kontrolu yap lm st r. 3.2
Oyuncunun O lculen O znitelikleri Dawn icindeki oyuncu performans , belirli girdi oznitelikleri birlestirilerek elde edilmis bir veridir. Ancak bu girdi ozniteliklerinin saptanmas nda belirli kriterler olmas gerekir. Bu kriterler belirlendiginde, sonucta ortaya c kan girdi ozniteliklerinin say s ne kadar fazla olursa, yapay zekan n hassasiyeti ve bunun sonucunda belirlenen oyuncu performans o kadar dogru hesaplanabilir. Ancak bu say n n fazla olmas oyun suresince kullan c performans hesaplan rken olusacak islem yuku dolay s ile, altbolum gecisleri s ras nda ya da belirli ozel altbolumlerdeki veri degisimi s ras nda olusabilecek islem yavasl g , program n ulasabilecegi kullan c say s ndan odun verebilir. Bu tur bir odunun verilmesi, kullan c n n oyundan s k l p b rakmas na yol acabilir. Bu sebeple veri ak s n n oyunu yavaslatmamas icin girdi ozniteliklerinin belirli bir dengeyle saptanmas gerekmektedir. Oyun icin kullan c performans n en iyi sekilde belirleyen oznitelikler secilmelidir. Dawn icin bu girdi oznitelikleri; { oyuncunun altbolum icinde dusmanlardan ald g zarar, { altbolum tamamlama suresi, { altbolum icindeki tum dusmanlar yok etme suresi ve { hangi tur dusmandan daha cok zarar gordugudur.
Bu ozniteliklerden kullan c n n altbolumu tamamlama suresi, oyunun rekabetci yan n artt rmak icin secilmistir. Kullan c n n bolumu bitirme suresi, ortalaman n alt nda bir sure ise kullan c performans artacak, uzerinde ise azalacakt r. Bu artma ve azalma degeri oyuncu performans na oransal bir etki ile hesaplanmaktad r. 3.3
Bu cal smada, Bakkes at al. [4] taraf ndan onerilen ornek olay tabanl oyun yapay zeka modeli belirlenen ozniteliklere uyarlanm st r. Dawn'da, Sekil 1'deki rakip modeli, oyun icerisindeki dusmanlar n kullan c ya kars ald klar eylemlerin ozelliklerini yans tmaktad r. Degerlendirme fonksiyonu, kullan c n n ald g eylemlerdeki basar oran n olcerek, rakip modeli k sm ile birlikte, uyarlama mekanizmas na etki eder. Uyarlama mekanizmas nda ise, kullan c n n performans temelinde rakip modelindeki ozellikler tekrar ayarlanarak yapay zeka guncellenmis olur.
Sekil 1. Ornek olay tabanl oyun yapay zeka uyarlamas modeli [4].
Sekil 1'de gorulen yapay zeka uyarlamas modelinin, rakip bir yapay zeka olan \turret"e uygulanmas , Sekil 2'de gosterilmistir. Prototip oyununda gelistirilen \Turret" dusman belirli aral klar ile bakt g yone dogru ates etmektedir. Sekil 2'nin ilk k sm nda goruldugu sekilde \turret", oyuncunun bulundugu yone belirli aral klarla ates etmektedir. \Turret"in bu ozelligi rakip modelini belirlemektedir. Degerlendirme fonksiyonu, kod icerisinde her saniyede 60 defa cagr lan \update" fonksiyonunun icine yerlestirilerek, oyuncunun rakip modeli tan mlayan ozellikleri degistikce, uygulama mekanizmas n etkiler. Bu durumda Sekil 2 ikinci k sma gecilirken, oyuncu ve \turret" aras ndaki ac hesaplanarak, \turret" oyuncunun bulundugu tarafa doner ve oyuncu performans degisirse, \turret"in son atesinden itibaren gecen sureyi hesaplayarak, ates s kl g n artt r r ya da azalt r.
Sekil 2. Turret dusman na yapay zeka uyarlamas .
Oyuncu performans na etki eden ilk faktor altbolum bitirme suresinin olculerek degerlendirilmesi seklindedir. Gelistirilen oyun bir platform oyunu oldugu icin altbolum bitirme suresi oyuncu performans hakk nda yuksek oncelikli olarak bilgi saglayacakt r. Altbolumleri bitirmek icin gereken ortalama sure cesitli sekillerde belirlenebilir. Prototip olarak gelistirilen oyunda bu sureler yaklas k degerler olarak bolumdeki dusman say s ve engellere gore belirlenmistir. Fakat bu surenin, her bolum icin yeteri kadar kullan c ile test edilip belirlenmesi daha uygun olacakt r. Ayr ca altbolumlerde al nan zarar belli bir s n r n alt nda ise kul
Sekil 3. Oyuncu performans n n guncellenmesi.
Sekil 4. Altbolum havuzundan oyuncu performans na en yak n altbolum secimi. lan c performans artt r lacak, bu s n r n uzerinde ise azalt lacakt r. Altbolumlerdeki tum dusmanlar oldurme suresi ise her bir altbolumu gecmek icin o altbolumdeki tum dusmanlar oldurene kadar gecen suredir. Bu bilgiyle de ayn sekilde oyuncu performans uzerinde oransal bir oynama yap lm st r (Sekil 3).
Dawn icindeki yapay zeka, oyuncu performans n belirtilen verilere gore olcup, kullan c n n tecrube ve yetenek verilerine dayanarak, kullan c y zorlayacak ama kullan c n n basar l olabilecegi altbolumleri belirlemektedir. Altbolum secimi yap l rken oncelikle bolum bilgisini iceren dosya okunur. Bu dosyada bolumu bitirmek icin gecilmesi gereken altbolum say s , bolum sonu canavar n n altbolum bilgisi ve altbolum havuzu bulunmaktad r. Altbolum havuzu dizisinde altbolumun ismi, zorluk derecesi, ortalama bitirme suresi gibi bilgiler yer almaktad r. Oyuncu bir altbolumu tamamlad g nda diger altbolum secimi yap l rken altbolum havuzundaki zorluk dereceleri aras nda oyuncu performans na en yak n komsu degere sahip altbolum bulunarak oyuncunun kendi seviyesinde bir bolum ile kars lasmas hede enmektedir (Sekil 4). 3.4
Performans girdisi yapay zekaya yans t l rken, performans girdisi dusman n belirlenmis ozniteliklerini artt rmak ya da azaltmak icin bir oran olarak kullan lm st r. Buna ornek olarak prototip oyununda gelistirilen \Turret" dusman verilebilir. Bu dusman belirli aral klar ile bakt g yone dogru ates etmektedir. Burada dusman n ates etme s kl g , normal degeri ile oyuncu performans n n ters orant s al narak guncellenmistir. Bu sayede performans yuksek olan bir oyuncu kars s na, daha s k ates eden, yani oyuncunun yeteneklerine daha uygun bir dusman c kart lmas hede enmistir (Sekil 5).
Bu girdinin oran olarak kullan ld g baska niteliklerden ornek vermek gerekirse bunlar, dusman n hareket h z (Sekil 6), uygulad g zarar miktar gibi ozelSekil 5. Turret'in ates etme s kl g n n oyuncu performans na gore guncellenmesi.
Sekil 6. Dusman n hareket h z n n oyuncu performans na gore guncellenmesi.
Sekil 7. Bolum sonu canavar n n ates etme ozelliginin ac l p kapat lmas . liklerdir. Ayr ca bu performans girdisi sadece oran olarak degil ayn zamanda dusman n baz ozelliklerini kapatmak veya acmak icin de kullan lm st r. Sekil 7'de goruldugu uzere prototipte gelistirilen bolum sonu canavar n n ates etme ozelligi oyuncu performans belirli bir degerin alt nda oldugunda kapat lm st r. Ancak not edilmelidir ki bolum sonu canavar ile o an savasan oyuncunun performans n isabetli at slar yaparak artt rmas halinde kapat lan ozellik performans artt g anda dinamik olarak ac lacak ve ates etme s kl g eniyilestirilecektir. Boylelikle oyun seyrederken es zamanl olarak zorluk derecesi ayarlanmaktad r.
Sekil 8. Oyun suresince bir kullan c ya ait performans-zaman gra gi. 4
Sonuc olarak, izlenen yontem dogrultusunda gelistirilen prototip oyun, zorluk derecesini oyun baslamadan oyuncuya sormak yerine dinamik olarak kendisi belirlemektedir. Oyuncu oyun icinde dusmanlara ve oyun mekanisklerine al st kca degisen oyuncu seviyesine gore oyun kendini zorlast rmakta, oyuncuya zor geldigi zamanlarda ise kendisini dinamik olarak kolaylast rmaktad r. Uyarlanan yapay zekan n cok say da oynama performans verisini isleyerek oyunun zorluk seviyesini daha iyi dengelemesi mumkundur.
Ayr ca farkl turde bir oyun icin oyuna uygun oznitelikler secilerek benzer bir metodoloji uygulanarak yapay zeka uyarlamas gerceklestirilebilir.
Sekil 8'de, elde edilmis olan gra k, bir kullan c n n oyun suresince elde edilen performans zaman gra gidir. Gra kte, oyuncu performans n n baslang c degeri 0.1'dir. Kullan c , 100. saniye civarlar na kadar, performans n n dusuk olmas ndan, baz kolay altbolumler ile kars lasm s ve performans n artt rm st r. Ancak 100. ve 150. saniye aral g nda, artan performans degerinden dolay , baz altbolumler zor gelmis ve kullan c performans dusmustur. 150 ve 250 aral g nda, kullan c n n oyuna al sarak, performans n artt rd g gorulmektedir. 250. saniyeden sonra ise, kullan c n n performans degeri, yaklas k sabit bir deger alarak ilerlemektedir ve bu da kullan c n n ulast g istikrarl performans degerini gostermektedir. Eger oyuncu, oturumu kapatmadan tekrar oyuna baslamak isterse, baslang c degeri olarak 0.22 al nacakt r. 1. Oehlke, Andreas, "Learning Libgdx Game Development", Packt Publishing, 2013. 2. Bourg, David M. and Seemann, Glenn, "AI for Game Developers," O'Reilly Media,
Inc., 2004. 3. S. C. J. Bakkes, P. H. M. Spronck, and G. van Lankveld, "Player behavioural modelling for video games," Entertainment Computing, vol. 3, pp. 71-79, 2012. 4. S. C. J. Bakkes, P. H. M. Spronck, and H. Jaap van den Herik, "Opponent modelling for case-based adaptive game AI," Entertainment Computing, vol. 1, pp. 27-37, 2009. 5. M.-V. Aponte, G. Levieux, and S. Natkin, "Measuring the level of di culty in single player video games," Entertainment Computing, vol. 2, pp. 205-213, 2011. 6. Haxe Foundation, [http://haxe.org/manual/introduction-what-is-haxe.html]: para.
1[Haziran 29, 2015] 7. HaxeFlixel, [https://github.com/HaxeFlixel/ ixel] [Haziran 29, 2015]