浅谈数学模型在UGC/AIGC游戏数值配置调参中的应用(AI智能体)

浅谈数学模型在UGC/AIGC游戏数值配置调参中的应用

ygluu 卢益贵

关键词：UGC、AIGC、AI智能体、大模型、数学模型、游戏数值调参、游戏策划

一、前言

在策划大大群提出《游戏工厂：AI（AIGC/ChatGPT）与流程式游戏开发》讨论之后就已完成本文的构想，现在才得以整理提出。

众所周知，无论UGC还是AIGC，都面临一个同样问题：复杂的参数调教和简单的人机交互（含AI）的矛盾。UGC毕竟他是U，没有B的强大实力，U肯定希望简单工作就能高效产出。同样，AI还不是完美的，AI也希望简单化以提升AI成品合格率，这和U的需求相吻合。

借旧图抛砖引玉：

本文将阐述以数学模型为基础提出简化数值调参的一些思路。

注：不少策划大佬讨论说属性不可能这么调，非常感谢大佬们的关注，确实是。但本文讲是思路：如何根据数据特征来抽象模型达到降维的目的，实际举例的数据有可能不成立。哪些数值是宏观调控，哪些是微观调控的是要区别去对待的，也不能一个模型通吃所有需求。

二、从音响系统的EQ调教说起

以3段EQ调频为例，提升高、中、低任意一个频点都会用数学模型来拉动相邻频点的提升，以达到频点缓和过渡的目的。

图2.1 三段EQ调频图

三、玩家等级升级经验值调参的数学模型设计

借助EQ频点提升的数学模型原理，我们可以用它来设计玩家等级升级经验值调参的数学模型。

图3.1 玩家等级升级经验值曲线图1（直线型）

根据图31，玩家等级升级经验值设置所需的维度只有4个：MinLv（最小等级）、MaxLv（最大等级）、MinUpExp（最小升级经验值）、MaxUpExp（最大升级经验值）。我们再参考EQ分段原理，引入段位维度Seg（Seq=3、5、7...），如图2.2、2.3所示：

图3.2 玩家等级升级经验值曲线图2（凹形）

图3.3 玩家等级升级经验值曲线图3（凸形）

如果经验值按10000递增话，这时再引入取整精度（Digit），如果图3.4所示：

图3.4  按取整精度获得每级升级所需经验值（200级阶梯值）

最终UGC或者AIGC调整玩家等级升级经验值所需的维度有：MinLv、MaxLv、MinUpExp、MaxUpExp、Seg、Digit，常用维度只有4个：MinLv、MaxLv、MinUpExp、MaxUpExp，次常用维度：Seg、Digit。

与传统的200级分别调整的情况相比要简单得多。

同理，玩家的攻防等属性值的调整也可以适用以上数学模型原理。具体公式就不列举了，有点数学基础的基本能实现。

四、BOSS战斗力调参的数学模型设计

我们可以借鉴图2.1，将BOSS的众多属性按攻、敏、防三类进行排序，如图4.1所示：

图4.1 BOSS战斗力调参设计

那么UGC/AIGC仅需调整BOSS的攻、敏、防三个维度的数值。

五、玩家战斗力调参的数学模型设计

玩家战斗力调参和BOSS就不一样了，BOSS是已知属性数值的，而玩家战斗力需要穿戴装备、成长线递进等才能形成最终战斗力。

图5.1 玩家战斗力调参设计

等级系统、装备系统、任务系统等各个子系统可以独立调参，当整体调参的时候也可以将所有子系统同时调参。那么UGC/AIGC调参维度远比人工要的维度要少得多。

六、数值爆表的防控

为防止数值爆表，我们可以使用图6.1所示的数学模型进行最大值防控。

图6.1 数值爆表的防控模型

七、可视化交互

无论是否进入游戏，所有被调整的数值都是无法可视化的，参考EQ的分段数学模型，UGC/AIGC调参的可视化交互界面如图7.1：

图7.1  UGC/AIGC调参的可视化交互界面

如果是UGC，用户可以直接推动五段滑杆。如果是AIGC，AI直接输出相应幅度值推动滑杆，这样AI的正确率远比直接修改200级的配置表来说高得多。

八、结束语

实际应用远比本文所述的要复杂得多，本文的示例不一定成立，但UGC/AIGC对游戏配置调参的要求不变：

1、降维：复杂事情简单做

2、抽象：抽象出数学模型或者行为模型

3、如果前2点都做不到那么是否可以整游戏的设计？（因为你面对的是你无法改变的User和AI）

图8.1 抽象高度