МЕТОДИ ПРОЦЕДУРНОЇ ТА ГЕНЕРАТИВНОЇ ПОБУДОВИ ІГРОВОГО КОНТЕНТУ
Анотація
У статті досліджено сучасні методи процедурної та генеративної побудови ігрового контенту з акцентом на rule-based підходи та стохастичні моделі, а також розглянуто проблеми їх інтеграції для підвищення ефективності генерації. Особлива увага приділена задачам масштабованої генерації контенту в умовах обмежених обчислювальних ресурсів та високих вимог до варіативності, структурної узгодженості та реалістичності ігрових середовищ. Проведено аналіз сучасних тенденцій автоматичної генерації контенту, зокрема алгоритмічних правил, ймовірнісних моделей, марковських процесів, стохастичних граматик та гібридних підходів, які поєднують переваги детермінованих і випадкових механізмів. У роботі запропоновано формалізацію процесу генерації контенту як композиції детермінованих і стохастичних операторів, що дозволяє одночасно підвищувати контрольованість та різноманітність результатів. Введено математичну модель генеративного процесу, засновану на функції розподілу можливих станів контенту та функції обмежень, що забезпечує допустимість ігрових конфігурацій. Показано, як поєднання rule-based систем із стохастичними генераторами дозволяє досягти балансу між передбачуваністю результатів та їх варіативністю, забезпечуючи гнучку адаптацію під вимоги користувачів та динаміку ігрового процесу. Особливу увагу приділено аналізу ефективності різних підходів з точки зору обчислювальної складності, масштабованості та якості згенерованого контенту. Проведено серію експериментальних досліджень, що порівнюють запропоновану гібридну модель із базовими алгоритмами генерації, зокрема чистими rule-based системами та випадковими стохастичними генераторами. Результати демонструють, що гібридні методи дозволяють значно підвищити різноманітність контенту (на 35–50 %) при збереженні структурної цілісності, а також зменшити час генерації порівняно з класичними підходами. Дослідження підтверджує, що інтеграція детермінованих та стохастичних механізмів є ефективним шляхом підвищення якості процедурного контенту в сучасних ігрових системах. Отримані результати можуть бути використані при розробці процедурних світів, адаптивних генеративних середовищ та сучасних комп’ютерних ігор, забезпечуючи баланс між передбачуваністю, варіативністю та обчислювальною ефективністю.
Посилання
2. Hendrikx M., Meijer S., Van Der Velden J., Iosup A. Procedural content generation for games: A survey. ACM TOMM. 2013. URL: https://dl.acm.org/doi/10.1145/2422956.2422957
3. Завгородня Г. А., Завгородній В. В. Оптимізація продуктивності комп’ютерних ігор на основі методів машинного навчання. Системи та технології. 2026. Т. 71, № 1. С. 45–51. DOI: https://doi.org/10.32782/2521-6643-2026-1-71.6
4. Summerville A. et al. Procedural content generation via machine learning: A survey. IEEE Transactions on Games. 2018. DOI: https://doi.org/10.1109/TG.2018.2846639
5. Khalifa A., Togelius J. PCG via reinforcement learning. arXiv, 2020. DOI: https://doi.org/10.48550/arXiv.2001.09212
6. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. URL: https://www.deeplearningbook.org/
7. Завгородня Г. А., Завгородній В. В. Методологія розроблення системи адаптивної генерації контенту. Технології та інжиніринг. 2025. Т. 26, № 5. С. 21–30. DOI: https://doi.org/10.30857/2786-5371.2025.5.2
8. Yannakakis G. N., Togelius J. Artificial Intelligence and Games. Springer, 2018. URL: https://link.springer.com/book/10.1007/978-3-319-63519-4
9. Завгородній В. В. та ін. Метод автоматичної генерації контенту на основі процедурних алгоритмів. Вчені записки ТНУ. 2022. Т. 33 (72), № 1. С. 91–96. DOI: https://doi.org/10.32838/2663-5941/2022.1/15
10. Radford A. et al. Language models are few-shot learners. arXiv, 2020. DOI: https://doi.org/10.48550/arXiv.2005.14165
11. Завгородня Г. А., Завгородній В. В. Розробка масштабованої розподіленої архітектури для MMO-систем. Вісник ХНТУ. 2025. № 4(95). С. 99–106. DOI: https://doi.org/10.35546/kntu2078-4481.2025.4.3.11
12. Browne C. et al. A survey of Monte Carlo tree search methods. IEEE Transactions on Computational Intelligence and AI in Games. 2012. DOI: https://doi.org/10.1109/TCIAIG.2012.2186810
13. Volz V., Schrum J., Liu J., Lucas S. M., Smith A. D., & Risi S. Evolving Mario levels in the latent space of a deep convolutional generative adversarial network. In Proceedings of the Genetic and Evolutionary Computation Conference (GECCO ’18). 2018. pp. 221–228. URL: https://arxiv.org/abs/1805.00728
14. Silver D. et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016. Vol. 529. С. 484–489. DOI: https://doi.org/10.1038/nature16961
15. Goodfellow I. Generative adversarial networks. arXiv, 2014. DOI: https://doi.org/10.48550/arXiv.1406.2661
16. Liapis A., Yannakakis G., Togelius J. Sentient Sketchbook: Computer-aided game level authoring. IEEE Transactions on Games. 2013. DOI: https://doi.org/10.1109/TCIAIG.2013.2297681
17. Snodgrass S., Ontañón S. Learning to generate video game maps using Markov models. IEEE Transactions on Computational Intelligence and AI in Games. 2017. DOI: https://doi.org/10.1109/TCIAIG.2016.2623560
18. Smith G., Whitehead J., Mateas M. Tanagra: Reactive planning and constraint solving for mixed initiative level design. IEEE Transactions on Computational Intelligence and AI in Games. 2011. DOI: https://doi.org/10.1109/TCIAIG.2011.2159716
19. Dutra P. V. M., Villela S. M., Fonseca Neto R. A mixed-initiative design framework for procedural content generation using reinforcement learning. Entertainment Computing. 2025. DOI: https://doi.org/10.1016/j.entcom.2024.100759
20. Risi S., & Preuss M. From Chess and Atari to StarCraft and beyond: how game AI is driving the world of AI. Künstliche Intelligenz. 2020. Vol. 34(1). С. 7–17. DOI: https://doi.org/10.1007/s13218-020-00647-w
21. Qi Z. Research on the application of generative artificial intelligence in games. ACE – Advances in Computer Engineering and Education, 2025. DOI: https://doi.org/10.54254/2755-2721/2025.18827
22. Vaswani A. et al. Attention is all you need. arXiv, 2017. DOI: https://doi.org/10.48550/arXiv.1706.03762
23. Dormans J. Adventures in level design: generating missions and spaces for action adventure games. Proceedings of the 2010 Workshop on Procedural Content Generation in Games (PCG’10). 2010. DOI: https://doi.org/10.1145/1814256.1814257
24. Pathak D. et al. Curiosity-driven exploration by self-supervised prediction. arXiv, 2017. DOI: https://doi.org/10.48550/arXiv.1705.05363
25. Sutton R., Barto A. Reinforcement learning: an introduction. MIT Press, 2018. URL: http://incompleteideas.net/book/the-book.html
ISSN 
