✌️ 🧕🏾 👦 游戏中的应用方法和准确性失真。可视图表进行比较 🍚 👃🏾 🌌

可以根据以不同方式获得的准确性来计算游戏中击中的事实：

与一个伪随机数比较（也可以通过不同的方式获得[ 1 ]）；
与两个伪随机数中的最大或最小比较；
比较两个或多个随机数的平均值（也可以将平均值视为不同的值）。

准确性奖金也可以以不同的方式实施，从而由于各种原因引起玩家的不满。

同样，造成的损失可以用不同的方式计算，尤其是在骰子的基础上。

所有这些不同的方法都会影响游戏玩法：游戏的复杂性和可预测性。根据所追求的目标，每个人可能都是一个不错的决定，因此，有意识地做出选择是最有益的。

本文将以不同的方式展示实际概率变化的直观图表，这将使他们能够快速导航并做出最佳决策。

精度操纵

通常，当玩家被告知角色的准确度为60％时，他会认为此信息为：“每10击中，我就可以指望6次击中。” 而且，如果10次命中他将观察到1次命中而不是6次命中，那么他几乎可以肯定会认为游戏中的事故已被打破。如果这种情况发生在100次射击中，他将对此特别有信心。为了避免此类麻烦，开发人员通常会秘密地操纵命中的真实概率（ 甚至放弃随机性元素 ）。
例如，在游戏《火焰纹章：装订刀片》中，为了准确确定命中，不是比较一个随机数，而是比较两个随机数的平均值[ 2 ]。

这种操纵的结果是，针对良好的攻击（> 50％）比具有均匀分布的攻击下降的频率要高得多，而非激烈的攻击（<50％）的下降频率则要低得多。以下是这种概率分布的变化方式：

例如，对于指示的精度的10％，实际精度为1.9％。而实际为75％，则为87.24％。

但是，为此，您可以通过许多其他方式更改准确性。

例如，您可以取3个随机数的平均值：

结果导致的失真变得更加惊人：10％的精度变为0.41％； 75％的准确性变为92.69％。

但是，平均值也可以计算为几何平均值。以下是具有2个随机数的几何平均值的更改：

这里10％变成4.83％，75％变成88.18％。但是，最有趣的是，转换以算术平均值的30％而不是50％发生。因此，如果您要确保玩家始终具有优势，那么只需确保其最低准确度永远不会低于30％，并且敌人经常会如此之低（ 对于敌人，您可以使用算术平均值，或者甚至更失真的东西 ）。

3个数的几何均值会导致大致相同的结果，但分布范围较大：

这里10％变成1.95％，而75％变成93.98％。

通常，为了增强或削弱某些技能，当两个随机数之一被选择为最大或最小时，会引入一种更简单的操作：

结果，命中的可能性变化很大。例如，选择最小的数字时，将10％的精度转换为19.02％，将75％的精度转换为93.75％。
例如，此方法用在技能“滑心”中的“无冬之夜”游戏中，其中在救恩检查失败的情况下，进行第二次意志力检查[ 3 ]。

无冬之夜-精灵战士[ 4 ]

下表是不同计算方法的精度失真表。

在上一篇有关概率操纵的文章中，展示了一种用于非常罕见事件的方法，其中事件的概率随时间增加：

开发者Carsten Germer使用受控随机性功能来处理罕见事件和不仅事件[ 5 ]。例如，为了保证定期损失特别稀有的奖金（每10,000个机会中有1个机会），在每次“未命中”之后，机会的顺序依次为：1到9,900； 1至9800； 1到9700 ...依此类推，直到记录事件为止。为了保证没有频繁的稀有性，他引入了一个附加变量，该变量在上次操作后的下10次检查期间将操作阻塞100％。

玩家对风险评估的误解[ 1 ]

使用此方法时，此罕见事件的概率如何变化：

如您所见，最终与10,000分之一的概率无关，但是就游戏而言，这可能就足够了。尽管它看起来更像是无意中掩盖了开发人员本人的真实概率，但这可能会导致在将来的程序改进中做出错误的决定。

下面，我还对1％事件进行了更改，随着尝试次数的增加，它至少会发生一次。失真算法：前10次尝试-保证错过。然后，对于每个未击中，被击中之前，概率都会增加1％（0.1％和0.01％）。然后一切从头开始。

但是，如果您作为开发人员的主要目标是确保1％事件中的用户不会连续出现1000次未命中，那么在连续200次未命中后设置100％命中将更加容易和透明。这将使您免于播放器难得的困惑，并使您可以使程序代码更简洁，更友好，以便将来进行改进。

不同的方式来获得准确性奖金

如果游戏中的准确性没有什么额外的奖励，并且开发人员可以轻松控制这些奖励，那么最简单的方法就是通过简单地添加基本值，以最简单的方法线性提高准确性 。这种方法最容易在游戏中实现，并且对于玩家而言始终是可以理解的。使用这种方法，有可能达到100％的准确性，而这并不总是与开发人员的计划相对应。

如果游戏计划在准确性上有很多重要的奖励，那么为了不超过保证的100％准确性，您可以将最终准确性计算为一系列额外的抛出 （ 通常不太可能是单独 抛出）。例如，如果命中率为70％，奖励为50％，则命中的最终概率将为85％，就像在至少一个命中足够时检查两个连续的罚球一样。

有点奇特的方法是通过减少遗漏概率的奖励将奖励的本质改变为准确性 。

// newAccuracy -    % // baseAccuracy -    % // bonusAccuracy -     % let newAccuracy = 100 - ( (1 - baseAccuracy * 0.01) / (1 + bonusAccuracy * 0.01) ) * 100;

确保始终有机会错过任何奖金。因此，游戏可以使“准确性”的奖励超过100％，至少为1000％。而且仍然会有错过的机会。但是玩家更容易混淆，因此令人失望。

大多数情况下，使用的方法是简单地将奖金加起来，这对于玩家来说是最容易理解的，并且对于开发人员来说很容易实现。

基于骰子的伤害分布

该项目完全基于出版物“ 概率与游戏：Red Blob Games [6]造成的伤害损失 ”的视觉数据。在这里，我简要介绍此出版物的一些示例和结论。在原始文章中，您将收到更详细的结论和交互式分布图，以及用于选择各种独特组合的交互式可定制功能。

骰子伤害计算的最明显（但不是唯一）示例是基于最大值为12的伤害计算得出的。可以使用不同的骰子获得结果（ 例如，如果您玩棋盘游戏且没有任何特殊骰子） ）：

1d12-一个骰子有12个面