Procedural Content Generation: A Taxonomy

Abstract

Prosedyregenerering av data representerer et viktig område innen datavitenskap og digital kunst, og gir et potensial for automatisert produksjon av variert og komplekst innhold. Denne oppgaven tar for seg en undersøkelse og kategorisering av de vanligste metodene brukt i prosedyregenerering. Oppgaven gir innsikt i virkemåten, fordeler og begrensninger ved de ulike metodene. Fem ulike kategorier ble identifisert: søkebaserte, grammatikk-baserte, støybaserte, regelbaserte, og maskinlæringsbaserte metoder.

En gransking av hver metode blir gjort, med et innblikk i deres unike styrker og svakheter. Det avsløres at den optimale metoden sterkt avhenger av de spesifikke kravene til applikasjonen, noe som understreker betydningen av å være strategisk når du velger metoden din.

Oppgaven gir også en kort oversikt over hvilke typer applikasjoner som passer best for hver type kategori, og fungerer som en praktisk veiledning for utviklere og forskere. Til slutt anerkjenner den prosedyregenerering som et voksende felt, hvor det fremheves potensial for fremtidige nye, og hybride metoder, drevet av teknologiske fremskritt. Dette arbeidet bidrar til en større forståelse av det komplekse feltet av prosedyregenerering og fungerer som en verdifull ressurs for de som navigerer gjennom dette domenet.

Procedural Content Generation (PCG) represents an important area in the field of computer science and digital arts, offering the potential for automated creation of diverse and complex content. This thesis provides an examination and categorization of the key methods used in PCG, and gives insight into the mechanics, advantages, and limitations of each approach. Five distinct categories were identified: search-based, grammar-based, noise-based, rule-based, and machine learning-based methods.

An exploration of each method is made, delving into their unique strengths and weaknesses. It is shown that the optimal PCG method is heavily dependent on the specific requirements of the application, highlighting the importance of being strategic when selecting your method.

The thesis also provides a brief overview of the types of applications that are best suited for each category, acting as a practical guide for developers and researchers. Finally, it recognizes the dynamic and evolving nature of PCG, where it suggests the potential for future hybrid and novel methods powered by technological advancements. This work contributes to a greater understanding of the complex field of PCG and serves as a valuable resource for those navigating through this domain.