Evolution och tillståndsmaskiner är kända koncept inom både AI-forskning och spelindustrin. Tillståndsmaskiner har länge använts för att simulera artificella motståndare, samtidigt som evolution i många fall applicerats för att få agenter att själva upptäcka bra lösningar på problem. Arbetet använder sig av evolution för att undersöka om det går att evolvera fram bättre tillståndsövergångar i en stokastisk tillståndsmaskin än hos en fördefinierad tillståndsmaskin. Två homogena lag med två agenter vardera skapas, vilka tävlar på en arena där det går ut på att döda det andra laget först. Det ena laget delar en ständigt evolverande beteendemall medan det andra laget består av fördefinierade agenter, på så sätt att de har bedömts som duktiga på att spela spelet. De evolverande lagets framgång mäts i hur mycket hälsa de har kvar när en match är över. Utvärderingen visar en klar förbättring från 3% till 25% vinstchans hos en agent som startar med helt slumpade övergångsvärden och sedan evolverar dessa i 230 generationer emot en godtyckligt vald fördefinierad agent.