LOL玩家匹配机制与实时仿真实验

基本信息：

完成日期：2024年9月16-17日

用时：25+小时

问题定义：

模拟英雄联盟、王者荣耀类似的多人在线游戏的入局匹配机制系统（仅需实现一支队伍的匹配，理想条件），要求实现从等待队列中（同段位）匹配各司其职（对抗top、中路mid、发育adc、打野jungle、辅助sup）的五位玩家为一队入局，1）段位内分数尽可能接近； 2）匹配时间不宜过长。

理论分析&算法设计：

这个问题是一个基于线性数据算结构的三条件优化搜索问题，可以使用数组（顺序存储）、链表（链式存储）作为数据容器，二者各有利弊，笔者选用C++标准库STL里的vector容器（可以扩容的数组设计）。

先排队的玩家居于vector容器（以下简称数组）的前端，依次累积，系统将从最前端元素进行遍历，队伍里最早等待的玩家被锁定进入当前局。总体而言进行三轮筛选：（1）凑齐五种角色；（2）利用分数表征元素迭代缩小搜索；（3）当表征元素达到特定标准且时间未超设定最大等待时间时，匹配入局；当时间超过最大等待时间时，选取保底匹配结果入局。

笔者建立Player类，使用vector库push_back函数完成player入队等待、erase函数完成出队入局；将角色功能种类数量化（type=0,1,2,3,4），以【极差】作为分数表征元素，设置目标最大极差，同时加入计时函数进行匹配时间约束，通过逻辑与、或条件完成系统建构。

图 1       Player类定义

实验设计：

（1）运行环境&数据来源：

利用C++ random库实现符合泊松分布的随机数生成，模拟一时间段内入队等待玩家数量；利用python scipy、numpy库实现偏峰beta分布随机数生成，模拟入队玩家段位分数，进行C++调用Python的混合编译运行（VS选用Release，添加附加包含目录、附加库目录和附加依赖项，注意python解释器路径的DLLs、Scripts目录和自身父目录要添加到系统环境变量）；利用op.gg网站获得LOL Platinum玩家不同分段（I、II、III、IV）的分布数据，每个分段100分，并计算beta分布形状双参数，使用matlab绘图辅助验证；利用C++ fstream库进行文件读写，将实验结果数据分别存储到三个txt文本文件中。

图 2 OP.GG网站获取LOL段位分数据（以铂金段位作为实验参考）

图 3       MATLAB绘图验证（铂金段位四分段数量占比）

图 4       MATLAB绘图验证（各分段以分段中间分作为分段平均值和众数，铂金段位均值、众数比对）

（2）条件假设：

假设五大角色偏好率服从古典概型，泊松分布参数为平均2.0人/秒，beta分布α、β分别为1.08、1.62，最低匹配度匹配时间上限设为60秒，目标极差goal_gap设为90分（代码里设置的goal_gap并非真实的goal_gap），初始搜索极差bound设为400(最大可能分差)，迭代公式为bound=int((goal_gap-10)/3.0+maxgap(当前匹配数据的极差)*2.0/3)； 局内平均游戏时间24分钟（1440秒）；

（3）实验指标（反馈）：

打印同队玩家（最长）匹配时间、最大分差、等待玩家数随时间变化的数据、同队玩家在等待队伍中的位次和角色与段位分、每组队伍匹配用时（笔者未实现，理论可行）、预选入局队伍实时（每秒）匹配情况。

图 5       预计匹配时间计算及原理

提升版本：预计匹配时间计算（已实现，与实际贴合度不高，由于数据不准确||算法不精确）、Team类（MMR预测总胜率接近）、表征元素选用匹方差（标准差）。

（4）模拟过程与数据输出：

笔者的代码并没有进行计算机非实时模拟（压缩时间轴），由于发现vector库的数据操作函数可能受到运行时间的影响（非实时计算导致预选队伍的size总是无法到达5个，在模拟数据一致的情况下），采用实时模拟的方式进行实验，分别进行为时2分钟、20分钟的实验，数据输出保存在“Line_Size.txt”（等待玩家数随时间变化的数据，append写入）、“Queue_Information.txt”（每秒已入局玩家数量、在线玩家数量、等待队列中所有玩家预计匹配的完整时间；append写入）、“Players.txt”（最大分差、同队玩家（最长）匹配时间、同队玩家在等待队伍中的位次和角色与段位分，其中2分钟实验位次记录在实验进行时代码存在纰漏，导致部分位次记录不完整；单out写入）三个文本文件内，20分钟实验的输出文件用“（20min）”标记出，2分钟实验相关实时模拟的视频参见以下链接（B站）。

链接：英雄联盟、王者荣耀--游戏匹配机制算法设计&模拟实验_哔哩哔哩_bilibili

实验结果分析：

2分钟实验/120个时间单位数据：

从“Line_Size.txt”文件中可以看到，63s-120s等待队伍玩家数量基本稳定在100名左右，一定程度上证明了数据和匹配算法的科学有效性；“Queue_Information.txt”文件中，预计匹配完整时间最后仍处于非稳状态（未收敛），在16分钟左右；“Players.txt”文件中预选队伍实时情况可以映证极差迭代缩小搜索算法的有效性。

20分钟实验/1200个时间单位数据：

根据队伍规模的变化，可以将“Line_Size.txt(20min)”文件的时间线分为7个阶段（以秒为单位）：1 第一阶段稳定(58-325），人数在80-110之间稳定波动；2 第一阶段低谷（326-384），人数在40-80之间波动，其中342秒队伍人数更是少至37个；3 第二阶段稳定（385-598），人数在70-100之间波动；4 第二阶段低谷（599-670），人数在40-70波动；5 缓慢上升期（671-795），人数从平均70逐渐抬升至平均80；6 第三阶段稳定（796-938），人数在80-110之间波动，同第一阶段稳定期；7 膨胀稳定期（939-1200），15分钟40秒左右，队列人数爆发式增长并得以维持相对稳定，最终在120-140间波动，这样也符合预计排队时间相对恒定的情况。“Queue_Information.txt(20min)”中，弥补了2分钟实验时间不足的问题，验证了预计匹配时间算法在一定程度上的科学有效，预计时间最终收敛，在60s-120s之间波动，由于笔者设置的单局游戏时间为24分钟，所以当排队队列启动时间达到24分钟时，需要考虑玩家总数、已匹配玩家数量（队列内玩家数）的减少，最终铂金段位的玩家在线总数、局内局外分配比、预计排队时间会和泊松分布的λ参数、算法的内禀属性参数（如1/3、2/3的权重参数和目标最大极差、最长匹配时间限制等）；“Players.txt(20min)”文件中预选队伍实时情况可以映证极差迭代缩小搜索算法的有效性。

心得体悟：

16、17号加上写报告花了近一天半的时间，虽然艰辛、虽然漫长，在身体状况不是很好的情况下，依然感受到学以致用的乐趣，此外搜集资料、自主学习的过程也充满着多巴胺。大公司（腾讯、网易、暴雪、碧育、米哈游等）的游戏设计师究竟每天做哪些工作？在收获满满的同时我不禁也产生了这样的疑问，上学期的高级语言程序设计实训课我也几乎用100% C++自己开发了一个植物大战僵尸游戏，放到了Github上。

10月6号补充进行了20分钟的排队实验和相关分析、总结。

参考资料：

（1）PyImport_ImportModule 返回空NULL py模块import其他库-CSDN博客（笔者使用Python3.7.1解释器，故有关目录及文件都不是python38而是python37，python37.lib对应的是Release版本的VS编译模式）；