Demasi and Cruz zbudowali inteligentnych agentów wykorzystując technikę algorytmów genetycznych w celu zostawienia agentów najlepiej przystosowanych do poziomu gracza. W celu przyspieszenia procesu nauczania wykorzystywana jest metoda koewolucji online. Koewolucja online wykorzystuje uprzednio zdefiniowane modele (agentów z dobrze dobranymi cechami genetycznymi) jako rodziców następnego pokolenia. Modele te tworzone są poprzez uczenie offline lub ręcznie, jeżeli kodowanie genetyczne agenta jest wystarczająco proste.
Inne prace na polu dynamicznego wyważania rozgrywki bazują na hipotezach, że interakcja gracz-oponent – bardziej niż elementy audiowizualne, kontekst lub gatunek gry – jest wartością w głównej mierze określającą jakość rozrywki danej gry.
Dalsze badania przeprowadzone przez Yannakakisa i Hallama pokazały, że sieci neuronowe mogą wyciągnąć bardziej prawdopodobną wartość satysfakcji gracza wprowadzając odpowiednią wartość "wyzwania i ciekawości" (ang. challenge and curiosity – zasadnicze czynniki jakościowe opisujące rozgrywkę według Malone’a) i informacje o preferencjach gracza. Podejście konstruowania modeli graczy, które może przewidzieć, jakie warianty gry są mniej lub bardziej interesujące, nazywa się "modelowaniem rozrywki" (ang. entertainment modeling).