Genetik Algoritmalarla Evrimleşen Düşman Yapay Zekâsı

Oyunlardaki düşmanların çoğu, tasarımcının önceden yazdığı davranış ağaçları ve durum makineleriyle hareket eder. Bu yaklaşım güvenilir olsa da oyuncu aynı taktiği tekrar ettiğinde kolayca tahmin edilebilir hâle gelir. Genetik algoritmalar (GA) ise düşman stratejilerini bir popülasyon olarak ele alır: başarılı taktikler hayatta kalır, birbirleriyle çaprazlanır ve küçük mutasyonlarla yeni çözümler üretir. Sonuç, oyuncunun “hep köşede bekleyip keskin nişancı kullanma” alışkanlığına zamanla karşı önlem geliştirebilen daha dinamik bir rakiptir.

``

Genetik algoritmanın temel fikri biyolojik evrimden gelir. Her düşman politikası bir kromozom, politikayı oluşturan sayısal kararlar ise gen kabul edilir. Örneğin kromozom; saldırı mesafesi, siper arama isteği, takım arkadaşına yaklaşma oranı ve geri çekilme eşiği içerebilir. Bir nesildeki tüm aday çözümler popülasyonu oluşturur. Her aday kısa bir simülasyonda oyuncuya karşı denenir; ardından başarısına göre bir uygunluk (fitness) puanı alır.

Bir düşmanın uygunluğunu sadece “oyuncuyu öldürdü mü?” sorusuyla ölçmek kötü bir fikirdir. Böyle bir ölçüm, yapay zekâyı ucuz ama eğlencesiz taktiklere itebilir. Bunun yerine hasar, hayatta kalma, alan kontrolü ve davranış çeşitliliğini dengeli biçimde puanlayabiliriz:

Burada $D$ verilen hasarını, $S$ hayatta kalma süresini, $A$ stratejik alan kontrolünü, $V$ ise son nesillerden farklı davranma miktarını temsil eder. Katsayılar oyunun türüne göre ayarlanmalıdır. Bir korku oyununda hayatta kalma yerine gerilim yaratma; bir takım nişancı oyununda ise koordinasyon daha yüksek ağırlık alabilir.

Aşağıdaki C# benzeri örnek, davranış parametreleri taşıyan basit bir genomun nasıl mutasyona uğrayabileceğini gösterir. Bu kod, doğrudan tam bir düşman sistemi değildir; evrim katmanının temel veri modelidir.

[System.Serializable]
public class EnemyGenome
{
    public float preferredRange;   // Hedefe yaklaşmak istediği mesafe
    public float coverPriority;    // Siper arama eğilimi: 0-1
    public float retreatHealth;    // Bu can oranında geri çekilir
    public float fitness;

    public EnemyGenome CloneAndMutate(float mutationRate)
    {
        var child = (EnemyGenome)MemberwiseClone();
        if (Random.value < mutationRate)
            child.preferredRange += Random.Range(-2f, 2f);
        if (Random.value < mutationRate)
            child.coverPriority = Mathf.Clamp01(child.coverPriority + Random.Range(-.15f, .15f));
        if (Random.value < mutationRate)
            child.retreatHealth = Mathf.Clamp01(child.retreatHealth + Random.Range(-.10f, .10f));
        child.fitness = 0;
        return child;
    }
}

Uygulamada her karede evrim yapmak yerine, bunu maç sonunda veya belirli karşılaşma paketleri sonrasında çalıştırmak daha mantıklıdır. Oyuncu telemetrisi; kullanılan silah, ölüm konumu, ortalama angajman mesafesi ve kaçış rotası gibi bilgileri sağlar. Sistem bu verileri doğrudan “oyuncuyu hileyle okumak” için değil, eğilimleri sınıflandırmak için kullanmalıdır.

Son olarak, evrimleşen düşman “kazanmak” yerine ilginç karşı oyun üretmeyi hedeflemelidir. Mutasyon oranını çok yükseltmek kaotik düşmanlar yaratır; çok düşürmek ise popülasyonu tekdüzeleştirir. Küçük popülasyonlar için $0.05 \leq m \leq 0.15$ aralığındaki mutasyon oranı iyi bir başlangıç noktasıdır. İnsan tasarımıyla sınırlandırılmış, telemetriyle beslenen ve eğlence metrikleriyle denetlenen bir GA sistemi; düşmanları sadece daha zor değil, daha unutulmaz da yapabilir.