课程简介

案例背景:
对于策略、卡牌等类型的游戏，数值设计及游戏平衡性是影响游戏体验的最核心因素，也是对于、设计者的巨大挑战。这个议题中将以自走棋游戏《战歌竞技场》为例，分享我们团队将神经网络、最优化算法等机器学习工具引入游戏平衡性分析的实践案例。

自走棋是近年兴起的一个类似于卡牌策略类的游戏品类。游戏中玩家不需要亲自操作角色进行战斗，而要思考如何排兵布阵、在有限的资源下合理搭配不同棋子组成自己的阵容与对手进行“自动”战斗。由于不同种族、职业、技能使棋子间具有复杂的相互加成或相互克制的特性，这类游戏的数值设计难度巨大。游戏中具有近200个不同星级的棋子、20多个种族与职业，那怕微小的调整也会牵一发而动全身。而如果平衡性出现问题使游戏有空子可钻，则会导致玩家为了追求胜利而只选择平衡性异常的阵容，使游戏的多样性、可玩性、趣味性大打折扣。

传统的平衡性分析方法，往往依赖于游戏上线后的玩家数据进行后置的量化分析，上线前则只能依靠游戏策划进行人工评估。但这样却有明显弊端：（1）游戏上线后才发现问题，意味着已经对玩家体验造成伤害；（2）对于数值复杂度如此高的游戏，人工很难在上线前进行全面分析，发现问题后也很难保证所做修改不会引入新的未知影响。

解决思路:
1. 通过搭建自对弈平台，进行大量阵容之间的自动对局。
2. 基于神经网络实现对复杂阵容进行量化分析。
3. 通过最优化算法搜索不平衡阵容。

成果：
1. 基于自研的自对弈平台，我们实现了亿级的自动模拟对阵，在上线前便能收集海量对阵数据，
2. 基于神经网络实现对于复杂阵容实力（包含多个不同职业、种族、技能的棋子）的精确量化分析。
3. 算法评估的阵容数据与上线后玩家真实数据高度一致。
4. 方案可复用于多种策略类游戏。

目标收益

1. 了解神经网络的创新用途：游戏模拟与结果预测
2. 了解最优化算法在多游戏元素最佳组合搜索中的应用方法
3. 了解将AI用于自走棋及其他策略游戏平衡性分析的思路及方案

培训对象

课程内容

案例方向

---

高效运维/传统测试/AIOPS/AItest/AI产品研发

案例背景

---

对于策略、卡牌等类型的游戏，数值设计及游戏平衡性是影响游戏体验的最核心因素，也是对于、设计者的巨大挑战。这个议题中将以自走棋游戏《战歌竞技场》为例，分享我们团队将神经网络、最优化算法等机器学习工具引入游戏平衡性分析的实践案例。

自走棋是近年兴起的一个类似于卡牌策略类的游戏品类。游戏中玩家不需要亲自操作角色进行战斗，而要思考如何排兵布阵、在有限的资源下合理搭配不同棋子组成自己的阵容与对手进行“自动”战斗。由于不同种族、职业、技能使棋子间具有复杂的相互加成或相互克制的特性，这类游戏的数值设计难度巨大。游戏中具有近200个不同星级的棋子、20多个种族与职业，那怕微小的调整也会牵一发而动全身。而如果平衡性出现问题使游戏有空子可钻，则会导致玩家为了追求胜利而只选择平衡性异常的阵容，使游戏的多样性、可玩性、趣味性大打折扣。

传统的平衡性分析方法，往往依赖于游戏上线后的玩家数据进行后置的量化分析，上线前则只能依靠游戏策划进行人工评估。但这样却有明显弊端：（1）游戏上线后才发现问题，意味着已经对玩家体验造成伤害；（2）对于数值复杂度如此高的游戏，人工很难在上线前进行全面分析，发现问题后也很难保证所做修改不会引入新的未知影响。

收益

---

1. 了解神经网络的创新用途：游戏模拟与结果预测
2. 了解最优化算法在多游戏元素最佳组合搜索中的应用方法
3. 了解将AI用于自走棋及其他策略游戏平衡性分析的思路及方案

解决思路

---

1. 通过搭建自对弈平台，进行大量阵容之间的自动对局。
2. 基于神经网络实现对复杂阵容进行量化分析。
3. 通过最优化算法搜索不平衡阵容。

结果

---

1. 基于自研的自对弈平台，我们实现了亿级的自动模拟对阵，在上线前便能收集海量对阵数据，
2. 基于神经网络实现对于复杂阵容实力（包含多个不同职业、种族、技能的棋子）的精确量化分析。
3. 算法评估的阵容数据与上线后玩家真实数据高度一致。
4. 方案可复用于多种策略类游戏。