Basic Search / Detailed Display

Author: 石成峰
Cheng-Feng Shi
Thesis Title: AI 多樣性與遊戲性保證研究:以大佬二遊戲為例
A Study on Gameplay Guaranteed Game AI: A Case Study on Big Two Card Game
Advisor: 戴文凱
Wen-Kai Tai
Committee: 謝東儒
Tung-Ju Hsieh
黃元欣
Yuan-Shin Hwang
Degree: 碩士
Master
Department: 電資學院 - 資訊工程系
Department of Computer Science and Information Engineering
Thesis Publication Year: 2022
Graduation Academic Year: 110
Language: 中文
Pages: 52
Keywords (in Chinese): 人工智慧機率機器學習玩家體驗
Keywords (in other languages): artificial intelligence, probability, machine learning, player experience
Reference times: Clicks: 223Downloads: 0
Share:
School Collection Retrieve National Library Collection Retrieve Error Report

棋牌類遊戲具備簡單上手、符合碎片時間休閒娛樂的需求。因此,棋牌玩家量體一直都是頗為龐大的。然而,市場上也因此充斥了非常多款的棋牌遊戲。所以,如何研發一款能夠脫穎而出的棋牌遊戲,在營運的機制上、創新玩法的設計上、視覺音效的感受上、社群互動的黏著上等等面向,是必須殫精竭慮的。

在本論文中,我們將聚焦於牌類遊戲遊玩過程的核心用戶體驗-手牌與對手; 我們提出一種方法,使現有的機器人行為能夠更加具有多樣性及
策略傾向,並以此模擬一般大眾玩家,發展出具有可控制勝率、得分並具有隱蔽性的
手牌調整系統,以及提出遊戲過程的分析方式KPI,可用於輔助預測玩家遊戲體驗。最後,我們應用此研發成果於遊戲伺服器中,藉由真人玩家的測試數據,實證研發成果實用性與效益。


Card games are easy to play and meet the demand of leisure entertainment in spare time. Therefore, the number of card players has always been quite large. However, the market is also flooded with many kinds of card games. Therefore, in order to develop a card game that stands out from the rest, it is necessary to rack one's brains in terms of operation mechanism, design of innovative gameplay, visual and sound effects, and adhesion of community interaction.

In this thesis, we will focus on the core user experience of the overall card game process - hands and opponents. We propose a machine learning model to evaluate hand playability, score and win rate, and robots in the game (Big Two) can be given the ability to simulate players' personalities and strategic tendencies, so that the overall game experience can be adjusted and expected. Finally, we have applied the results to the game server and tested the data with real players to prove the practicality and effectiveness of the results.

論文摘要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV 誌謝 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V 目錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI 圖目錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IX 表目錄 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X 1 緒論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 研究背景與動機 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 研究目標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.3 研究方法概述 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.4 研究貢獻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.5 本論文之章節架構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2 相關工作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.1 棋牌類 AI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.2 AI 模式與策略傾向 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 遊戲手牌分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4 玩家體驗相關研究 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 3 研究方法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.1 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.2 AI 策略傾向添加 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 3.2.1 定義遊戲策略 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 VI 3.2.2 策略預測模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 3.2.3 基本策略 AI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3.2.4 整合與參數添加 . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 3.3 勝率操控發牌系統 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.3.1 有效牌局篩選 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 3.3.2 手牌特徵擬合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.3.3 整合後流程 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.4 遊戲過程分析 KPI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.4.1 名詞與代號定義 . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 3.4.2 名詞與代號定義 . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4 實驗設計與結果 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.1 策略多樣性測試 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.2 隨機策略添加測試 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.3 勝率調整 AI 模擬 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 4.4 UserStudy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 4.4.1 系統有效性分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 4.4.2 系統隱蔽性分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.4.3 玩家體驗分析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 5 結論與未來工作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.1 結論 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 5.2 未來工作 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 參考文獻 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 VII 附錄一:大佬二遊戲規則 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 授權書 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

[1] Sugiyanto, G. Fernando, and W.-K. Tai, “A rule-based ai method for an agent playing
big two,” Applied Sciences, vol. 11, no. 9, 2021.
[2] F. Alvi and M. Ahmed, “Complexity analysis and playing strategies for ludo and its
variant race games,” in 2011 IEEE Conference on Computational Intelligence and
Games (CIG’11), pp. 134–141, Aug 2011.
[3] G. Shiqi, O. Fuminori, K. Yoshihiro, and T. Yoshimasa, “Supervised learning of
imperfect information data in the game of mahjong via deep convolutional neural
networks,” ゲムプログラミングワクショップ 2018 論文集, pp. 43–50, 11
2018.
[4] H. Long and K. Tomoyuki, “Improving mahjong agent by predicting types of yaku,”
ゲムプログラミングワクショップ 2019 論文集, pp. 206–212, 11 2019.
[5] S. Li, S. Li, H. Cao, K. Meng, and M. Ding, “Study on the strategy of playing
doudizhu game based on multirole modeling,” Complexity, vol. 2020, 2020.
[6] M. Alhajry, F. Alvi, and M. Ahmed, “Td(λ) and q-learning based ludo players,” in
2012 IEEE Conference on Computational Intelligence and Games (CIG), pp. 83–90,
2012.
[7] M. Ponsen, K. Tuyls, S. Jong, J. Ramon, T. Croonenborghs, and K. Driessens, “The
dynamics of human behaviour in poker,” Belgian/Netherlands Artificial Intelligence
Conference, 01 2008.
[8] M. Świechowski, “Game ai competitions: Motivation for the imitation game-playing
competition,” in 2020 15th Conference on Computer Science and Information Systems (FedCSIS), pp. 155–160, 2020.
[9] R. Shen, Y. Zheng, J. Hao, Z. Meng, Y. Chen, C. Fan, and Y. Liu, “Generating behavior-diverse game ais with evolutionary multi-objective deep reinforcement
learning,” pp. 3343–3349, 07 2020.
[10] S. Eswaran, V. Vimal, D. Seth, and T. Mukherjee, “Gaim: Game action information
mining framework for multiplayer online card games (rummy as case study),” in

無法下載圖示 Full text public date 2025/08/24 (Intranet public)
Full text public date 2025/08/24 (Internet public)
Full text public date 2025/08/24 (National library)
QR CODE