Şu anda, oyuncular tarafından verilen hasarın her zaman 0,8 ile 1,2 arasında rastgele bir faktörle çarpıldığı çok oyunculu bir dövüş sistemi ile uğraşıyorum.

Teoride, gerçek anlamda rastgele bir RNG, sonunda birçok kez aynı sayıyı verebilir ( Tetris ikilemine bakınız ). Bu, oyuncunun her zaman çok yüksek hasar almasına neden olurken, diğeri her zaman çok düşük hasar verir.

Bunun olmadığından emin olmak için ne yapabilirim? Bazı RNG'ler tekrarlamadan kaçınmakta diğerlerinden daha mı iyi?

Önceden ayarlanmış bir hasar sonucu listesi ve karışma listesini Tetris'in yaptığı gibi çözebilirsiniz.

Diyelim ki oyuncu doğrusal bir dağılımla 0.8x - 1.2x arası hasar verecek. [0.8, 0.9, 1.0, 1.1, 1.2] listesine alın. Rasgele karıştırın , böylece elde edersiniz, örneğin [1.2, 1.0, 0.8, 0.9, 1.1].

Oyuncunun ilk hasar vermesi durumunda, 1.2x. Sonra 1x. Sonra, vb, 1.1x. Yalnızca dizi boş olduğunda yeni bir dizi oluşturup karıştırmalısınız.

Uygulamada, muhtemelen bir kerede 4+ diziye bunu yapmak isteyeceksiniz (örn. [0.8,0.8.0.8,0.8,0.9,0.9,0.9,0.9, ...] ile başlar). Aksi halde, dizinin süresi oyuncuların bir sonraki vuruşlarının "iyi" olup olmadığını anlayabilecekleri kadar düşüktür. (Her ne kadar bu, savaşa daha fazla strateji ekleyebilse de, Dragon Quest IX'in Hoimi tablosunda olduğu gibi , insanların şifa numaralarına bakarak nasıl sorgulayabileceklerini ve nadir bir düşüş garanti edene kadar ince ayar yapabileceklerini keşfettiler .)

Aslında bunu yapmak için bazı kodlar yazdım . Bunun amacı şanssız çizgileri düzeltmek için istatistik kullanıyor. Bunu yapabilmenizin yolu, etkinliğin kaç kez gerçekleştiğini takip etmek ve PRNG tarafından oluşturulan sayıyı önyargılı hale getirmek için kullanmaktır.

Öncelikle, olayların yüzdesini nasıl takip ederiz? Bunu yapmanın saf yolu, şimdiye kadar üretilen tüm sayıları bellekte tutmak ve onları ortalamaktır: hangisi işe yarayacak ama korkunç derecede verimsiz. Küçük bir düşünceden sonra aşağıdakileri gündeme getirdim (temelde kümülatif bir hareketli ortalama ).

Aşağıdaki PRNG numunelerini alın (numunenin> = 0,5 olması durumunda işlem yapalım):

Values: 0.1, 0.5, 0.9, 0.4, 0.8
Events: 0  , 1  , 1  , 0  , 1
Percentage: 60%

Her değerin nihai sonucun 1 / 5'ine katkıda bulunduğuna dikkat edin. Buna başka bir yoldan bakalım:

Values: 0.1, 0.5
Events: 0  , 1

0Değerin% 50'sine ve değerin% 50'sine katkıda bulunduğuna dikkat edin 1. Biraz daha ileri götürülmüş:

Values: [0.1, 0.5], 0.9
Events: [0  , 1  ], 1

Şimdi ilk değerler, değerin% 66'sına ve son% 33'üne katkıda bulunur. Temel olarak bunu aşağıdaki prosese damlatabiliriz:

result = // 0 or 1 depending on the result of the event that was just generated
new_samples = samples + 1

average = (average * samples / new_samples) + (result * 1 / new_samples)
// Essentially:
average = (average * samples / new_samples) + (result / new_samples)

// You might want to limit this to, say, 100.
// Leaving it to carry on increasing can lead to unfairness
// if the game draws on forever.
samples = new_samples

Şimdi PRNG'den örneklenen değerin sonucunu önyargılı hale getirmemiz gerekiyor, çünkü burada bir yüzde şans için gidiyoruz (işler, RTS'deki rastgele miktarlara karşı). Bunu açıklamak zor olacak çünkü 'başıma geldi'. Eğer ortalama daha düşükse, olayın meydana gelme şansını arttırmamız gerektiği ve bunun tersi de geçerlidir. Yani bazı örnekler

average = 0.1
desired = 0.5
corrected_chance = 83%

average = 0.2
desired = 0.5
corrected_chance = 71%

average = 0.5
desired = 0.5
corrected_change = 50%

Şimdi “başıma gelenler”, ilk örnekte% 83'ün yalnızca "0.6'dan 0.6" (başka bir deyişle "0.5'ten 0.5 artı 0.1") olduğu anlamına geliyor. Rastgele olay terimlerinde şu anlama gelir:

procced = (sample * 0.6) > 0.1
// or
procced = (sample * 0.6) <= 0.5

Dolayısıyla bir etkinlik oluşturmak için temel olarak aşağıdaki kodu kullanırsınız:

total = average + desired
sample = rng_sample() * total // where the RNG provides a value between 0 and 1
procced = sample <= desired

Ve böylece özümde koyduğum kodu alırsın. Bunların rastgele hasar durum senaryosunda kullanılabileceğinden eminim, ancak bunu anlamaya zamanım olmadı.

Feragatname: Bu, tüm evde üretilen istatistikler, bu alanda eğitimim yok. Birim testlerim yine de başarılı.

İstediğiniz şey aslında PRNG'lerin tam tersi, doğrusal olmayan bir dağılım. Kurallarınızda bir miktar azalan getiri mantığı koymanız yeterlidir, 1.0x üzerindeki her şeyin bir tür "kritik vuruş" olduğunu varsayarsak, her turda bir kriter alma şansını yakalayabilmenizi sağlarsınız. hangi noktaya Y ye sıfırlanırlar. Sonra her turda iki rulo yaparsınız, biri ölçmek ya da ölçmek için diğeri gerçek büyüklük için.

Sid Meier, GDC 2010'da bu konu ve Uygarlık oyunları hakkında mükemmel bir konuşma yaptı. Bağlantıyı daha sonra bulup yapıştırmaya çalışacağım. Temelde, algılanan rasgelelik, gerçek rasgelelikle aynı değildir. İşleri adil hissettirmek için önceki sonuçları analiz etmeniz ve oyuncuların psikolojisine dikkat etmeniz gerekir.

Her ne pahasına olursa olsun, kötü şans çizgisinden kaçının (eğer önceki iki dönüş şanssızdıysa, bir sonraki şanslı olmanız gerekir). Oyuncu daima AI rakiplerinden daha şanslı olmalıdır.

Değişen önyargı kullanın

$0$$1$$r$$b$$0$

Genel dağıtım, aşağıdaki formülle önyargılı olacaktır:

$r^{\exp (-b)}$

$b$$1$$b$$0$

Bu sayıyı alın ve istediğiniz aralığa uygun şekilde ölçekleyin.

Bir oyuncu olumlu bir şekilde yuvarlandığında, önyargıdan çıkar. Oyuncu elverişsiz bir şekilde yuvarlandığında, önyargıya ekleyin. Değişen miktar, rulonun ne kadar elverişli olduğu (düz bir miktar (veya bir kombinasyon)) ile ölçeklenebilir. Gittiğiniz hissi sağlayacak şekilde belirli değerleri ayarlamanız gerekecektir.