Optimizing Board Game Design and Rule Balancing through Reinforcement Learning

Abstract

In recent years, Reinforcement Learning has emerged as a powerful tool for optimizing strategies in board games, enabling Artificial Intelligence systems to challenge even the most skilled human players. This thesis explores the application of Reinforcement Learning to enhance board game development, with a particular focus on the games “Noch mal!” and its extension “Noch mal so gut!”, as well as the custom game “Simala”. By training Reinforcement Learning Agents to play these games, the thesis investigates the potential of Artificial Intelligence to assist in rule balancing, identify weaknesses, and optimize gameplay mechanics. Through the analysis of gameplay data generated by the Reinforcement Learning Agents, the study evaluates whether certain rule changes in the “Noch mal!” series can be justified and assesses the strategic impact of new mechanics introduced in “Noch mal so gut!”. Additionally, the thesis explores how Reinforcement Learning can accelerate the testing and development of a new game like “Simala” by identifying optimal rule configurations and preventing the dominance of any single strategy.The results show that Reinforcement Learning Agents can compete effectively against human players, uncovering strategic differences and weaknesses in the games analyzed. The findings suggest that Reinforcement Learning not only enhances gameplay design but also provides a data-driven approach to iterative game testing, allowing for a more efficient and balanced game development process. Overall this thesis shows the potential of Reinforcement Learning in the field of Artificial Intelligence-supported game design and shows its benefits for the development, testing, and optimization of board games.

In den letzten Jahren hat sich Reinforcement Learning als ein leistungsstarkes Werkzeug zur Optimierung von Strategien in Brettspielen etabliert, das es Künstlichen Intelligenzsystemen ermöglicht, selbst die besten menschlichen Spieler herauszufordern. Diese Arbeit untersucht die Anwendung von Reinforcement Learning zur Unterstützung der Brettspielentwicklung, mit besonderem Fokus auf die Spiele „Noch mal!“ und dessen Erweiterung „Noch mal so gut!“ sowie das eigens entwickelte Spiel „Simala“. Durch das Training von Reinforcement Learning Agenten, die diese Spiele spielen, wird untersucht, inwieweit Künstliche Intelligenz zur Regelbalancierung beitragen, Schwächen aufdecken und das Spielverhalten optimieren kann.Durch die Analyse von Spielabläufen, die von den Reinforcement-Learning-Agenten generiert werden, bewertet die Arbeit, ob bestimmte Regeländerungen in der „Noch mal!“-Reihe gerechtfertigt werden können, und untersucht die strategischen Auswirkungen neuer Mechaniken, die in „Noch mal so gut!“ eingeführt wurden. Darüber hinaus wird erforscht, wie Reinforcement Learning den Test- und Entwicklungsprozess eines neuen Spiels wie „Simala" beschleunigen kann, indem es optimale Regelkonfigurationen identifiziert und die Dominanz einer einzelnen Strategie verhindert.Die Ergebnisse zeigen, dass Reinforcement-Learning-Agenten effektiv gegen menschliche Spieler konkurrieren können und dabei strategische Unterschiede und Schwächen in den untersuchten Spielen aufdecken. Die Ergebnisse deuten darauf hin, dass Reinforcement Learning nicht nur das Spieldesign verbessert, sondern auch einen datengestützten Ansatz für iteratives Spieletesten bietet, der einen effizienteren und ausgewogeneren Entwicklungsprozess ermöglicht. Insgesamt zeigt diese Arbeit das Potenzial von Reinforcement Learning im Bereich des Künstlichen Intelligenz-unterstützten Spieldesigns und verdeutlicht dessen Nutzen für die Entwicklung, das Testen und die Optimierung von Brettspielen.