Integrazione di Agenti con Machine Learning per Dynamic Difficulty Adjustment (DDA) nei videogiochi multiplayer

Questa tesi esplora l’integrazione tra agenti intelligenti e tecniche di machine learning per implementare un sistema di Dynamic Difficulty Adjustment (DDA) nei videogiochi multiplayer, con un focus sull'applicazione in Unity. L’obiettivo è stato creare un ambiente di gioco bilanciato, in cui la difficoltà si adatta dinamicamente per migliorare l’esperienza dei giocatori. Nella prima parte, viene analizzato il contesto dei motori di gioco, giustificando la scelta di Unity come piattaforma di sviluppo grazie alle sue funzionalità avanzate, tra cui le Unity Web Requests per la comunicazione client-server e il pacchetto Mirror per il multiplayer. La tesi approfondisce l’uso del linguaggio C# e le sue potenzialità per lo sviluppo di giochi dinamici. La seconda parte si focalizza sull'architettura BDI (Belief-Desire-Intention) per la gestione di agenti intelligenti, descrivendo l’uso di JASON e l’interazione tra agenti e ambiente tramite API REST. Gli agenti sono stati progettati per reagire alle dinamiche del gioco, contribuendo a un adattamento in tempo reale. Successivamente, vengono descritte le tecniche di machine learning, i modelli sviluppati e il loro processo di addestramento. Il sistema utilizza sensori virtuali per prevedere situazioni di squilibrio, consentendo agli agenti di adattare regole e strategie per riequilibrare il gameplay. I risultati mostrano che il sistema migliora l’equità e l’engagement, dimostrandosi robusto e flessibile, con buone prestazioni predittive e tempi di risposta adeguati. Le conclusioni sottolineano il potenziale di questo approccio nel creare esperienze di gioco innovative e delineano possibili sviluppi per scenari più complessi. Questo lavoro rappresenta un contributo significativo verso l’adozione di tecnologie intelligenti nei videogiochi, fornendo un framework per giochi adattivi e per l’interazione tra agenti e machine learning.