Simulation and optimization for automated board game design

Board game design often relies on time-consuming manual playtesting to tune both structural choices and pacing-related aspects: this thesis tackles this issue for a fixed-rule and turn-based board game by systematically calibrating those parameters that drive match progression and determine its temporal behavior, namely the average match duration, while accounting for intrinsic variability. To this end, the game is formalized as a Discrete-Event Simulation (DES) and implemented in Python, enabling large samples of matches to be run in substantially reduced time. Then, a key modeling choice represents the game board as a set of graphs derived from real urban networks extracted from OpenStreetMap (OSM). Therefore, the main contribution is methodological: an end-to-end, reproducible pipeline that integrates simulation, automatic optimization, and geographic graph extraction into a single workflow. Downstream of the pipeline, the optimized networks can be exported while preserving both geographic and game-related attributes, enabling external editing and supporting subsequent board design phases. Finally, the thesis explores a strategic extension through Reinforcement Learning, training a player in an ad hoc environment, and comparing its performance against random and heuristic baselines.

La progettazione di giochi da tavolo spesso può richiedere un playtesting manuale oneroso in termini di tempo, sia per tarare scelte strutturali sia per regolare aspetti che influenzano il ritmo di gioco: questa tesi affronta il problema per un gioco competitivo a turni con regole fisse, con l’obiettivo di calibrare in modo sistematico quei parametri che ne determinano lo svolgimento e la dimensione temporale, ossia la durata media delle partite, tenendo conto della variabilità intrinseca. A tal fine, il gioco viene formalizzato come Discrete-Event Simulation (DES) e implementato in Python, consentendo di eseguire grandi campioni di match in tempi notevolmente ridotti. Inoltre, una scelta modellistica centrale riguarda la rappresentazione del tabellone come un insieme di grafi derivati da reti urbane reali estratte da OpenStreetMap (OSM). Quindi, il contributo principale della tesi è metodologico e consiste nella definizione di una pipeline end-to-end e riproducibile che integra, in un unico workflow, simulazione, ottimizzazione automatica dei parametri ed estrazione di grafi da mappe geografiche. A valle della pipeline, le reti ottimizzate possono essere esportate preservando sia gli attributi geografici sia quelli game-related, così da consentire operazioni di editing esterno e supportare fasi successive di board design. Infine, la tesi esplora un’estensione sugli aspetti strategici tramite Reinforcement Learning, addestrando un giocatore in un ambiente ad hoc e confrontandone le prestazioni con baseline random ed euristiche.