平衡性|SE工程师：如何运用大数据和AI解决手游平衡性的难题？( 四 ) 英雄|游戏|pvp

文章插图
你们可能觉得，这么低的概率是否会对运气过于依赖？但在不断的实践中，我们发现有些角色始终会出现在最优阵容中，还有些角色根本没有在第一代阵容出现，因此第五步对整体阵容是否强势的影响并不大。

文章插图
我们的GA过程主要是通过战斗、评估、基因提升的不断循环过程，由于评估和提高过程并不发生在游戏内，所以我们需要一个调试与结果沟通的流程，为此我们使用了API，因为我们将游戏的一部分研发做了外包。
因此，使用API适合我们这种研发方式，但如果所有成员都在同一个研发团队，可能就不需要这么做。

文章插图
在提高之前，我们还增加了基因转化流程，以便让这个方法可以运用到其他游戏里。简单来说，战斗部分是直接使用在游戏里的，而基因提升过程是与团队共享，基因评估与转化则是可以定制化的，所以这种方法对所有游戏都可以用。

文章插图
这是我们对PvE战斗的评估结果，蓝色是胜利结果，绿色是战败数值，X轴是进化代际，Y轴是战斗时间。可以看到，一开始的时候，几乎所有阵容都是失败的。首次获胜阵容出现之后，每一代都会有更多的胜利阵容出现，而且战斗时间也开始减少，PvE战斗的胜利相对容易，所以这种模式的测试问题不大。

文章插图
这是PvP模式的结果，我们看到，适应值越高，阵容表现就越好。为了测试最佳阵容，我们分别对训练阵容和测试阵容进行了300次战斗，结果它们之间的胜率很接近，意味着我们的最佳阵容能够战胜大多数的阵容。
平衡性数据分析的视觉化
在增加了新角色和物品之后，最佳阵容的表现就有了差别，即便是有视频回放，你也很难看出所以然。因为GA方法很复杂，因此需要用视觉化的方式理解这些信息。

文章插图
由于游戏更新频繁，视觉化工具必须是低成本的，而且增加功能或者改变功能必须是很容易做到。我们选择了开源的Apache Zeppelin（包括它所需要的工具），这样就可以在任何需要的时候看到视觉化的结果。

文章插图
在这张表格里，我们可以看到一个阵容的15次战斗表现，每次战斗都会有很多细节信息，包括AI类型、武器装备以及战斗中发生的事情。总的来说，第一部分展示的是战斗结果，随后是每个角色的更多细节信息，但这种表格依然很难看懂。我们可以通过降维和抽象方式让结果视觉化：

【精彩生活】jing111.com小编为您精选以下内容，希望对您有所帮助：