对抗类游戏平衡性评价与环境预测方法(6)

　　以WAR3为例，我们可以简单地将兽、人、暗夜、亡灵作为4个策略，也可以将同一个种族的不同套路例如暗夜-乱矿流、暗夜-吹风流视为不同的策略，还可以将同一个种族、同一个套路但首发不同英雄视为不同的策略，甚至还可以继续细分。那么到底细分到哪个粒度可以认为是“够了”，或者说2个策略相似到何种地步就可以认为是同一个策略？

　　这个问题笔者认为只能说因游戏而已。

　　有的游戏很容易给出2个策略之间数值上的相似/差异程度，例如炉石传说的2个套牌之间可以用不同卡牌的张数来体现差异，从而很容易归类出相似套路的卡组；而有的游戏则不好判断2个策略到底差别有多大，例如MOBA里一个五人队伍把辅助A换成辅助B，有可能最终队伍的战术玩法完全没有区别，也有可能完全不同。

　　另一方面，有的游戏DAU高、对局数据量很大，即使将策略划分得很细致，搞出几十几百个策略，策略之间的两两对局胜率也不会出现空缺值，而有的游戏DAU低、对局数据不足，稍微把策略划分细致一点就出现大量空缺值，自然也就让平衡性的计算无从下手了。

　　4游戏环境预测

　　4.1简单粗暴的环境预测

　　从第三节中可以看出，游戏环境与游戏平衡性计算关系密切，一方面计算P=U·A·ET时游戏环境（E）是必不可少的要素，另一方面在存在数据空缺值时也可以通过游戏环境进行一定程度地弥补。

　　虽然当前的游戏环境是很容易通过数据统计的方式得到的，但游戏环境是动态变化的，如果仅仅利用“当前游戏环境”来评估游戏平衡性，那么评估结果仅仅只是“当前环境”的评价，在指导后续游戏调整上还存在不足。如果能够预测在不加入其他干预的情况下游戏环境会如何变化，对于游戏设计者来说将更加能够把控游戏环境与玩家体验。

　　但是对游戏环境的预测是一门很复杂的学问，涉及很多方面。本文提出一种较为简单粗暴的环境预测方法，该方法假设玩家都是追逐胜率的，会根据游戏环境调整自己的策略选择胜率最高的策略，而这一行为又会影响游戏环境，从而形成一个循环，最终达到稳定，即全部玩家都选择同样/相似的策略，大家的胜率都是50%。

　　具体而言，整个预测过程是一个迭代循环：

　　1、根据P=U0·A·E0T求解对于当前游戏环境E0和对战胜率A而言的最佳玩家策略U0