游戏中掉落系统的设计

我们在游戏中会采用不同的随机方式。而玩家感觉起来像随机的事件其实也不完全是按随机事件来设计的。下面我们来谈谈这些做法。

1、计数随机

在早期游戏中,有些道具的掉落是和怪物被击杀的次数相关的,通常在成千上万次的击杀后掉落某些物品。如果玩家并不是特别细心的话是发现不了这种计数似掉落的。

这种做法的好处是只要玩家杀到一定数量的怪物是肯定可以得到回报的。但缺点是一旦被玩家发现之后,玩家会利用这个设计来达成一些自己的目的。比如升级装备,玩家会先用一些不好的装备来升级,最后在快要成功的时候,换上自己真正想要升级的装备。而且一旦有几个玩家发现这个问题,那这个技巧就会被快速传播,然后对经济产耗形成巨大冲击。

这种设计在单机游戏中更为的多见。而目前市面上的游戏多数都不采用这种设计方法了。

2、逐个百分比掉落

在早期的MMORPG中道具的物品种类并没有那么的丰富,怪物身上往往掉落的东西不会超过五种。(种类不是数量)

这时候比较流行的掉落方式是逐个百分比掉落。假设我们有ABCD四个道具,那我们会先计算A是否掉落,然后计算A的掉落数量,再计算B是否掉落以及掉落数量,然后直到所有道具循环完毕。来看下实例,我们先设置概率和最大掉落和最小掉落数量。

在这里插入图片描述
ABCD的掉落几率分布为15%,20%,25%,30%。当确定A掉落后,掉落数量的概率是均等的,掉1个和2个的概率分别为50%。

我们和概率进行对比,如果小于等于概率则生成掉落,大于就代表没有掉落。

这里要注意一点,我们在这里要用到四个随机数而不是一个。为什么要用四个而不是一个,我们希望不同物品的随机事件是独立的不是一个互相影响事件。如果只用一个随机数会发生什么结果那?一旦掉落了物品A,那么势必BCD全部都会掉落。(掉落A证明随机数是小于15%)这样的体验是非常诡异的,一个良好的体验肯定是让玩家尽量在每次掉落中都能获取物品。达到这样的设计目的明显我们不能只用一个随机数。

采用四个随机数我们得到如下图的一组随机数
在这里插入图片描述
它非常易于理解并且对于单个物品的总体产出是很稳定的。但它有一个问题,无法控制掉落组合的精确数量,比如我们想要掉1个A加1个B的概率是5%,我们是无法做到的。这种设计更加的适合关卡掉落,而不适合用在礼包掉落。

3、权重掉落组似掉落

由逐个百分比掉落引出的问题无法配置精确的组合,于是我们找到了一种可以解决这个问题的掉落方式:权重掉落组似掉落。

我们之前逐步掉落的方式的思路是这样的,循环判断每个道具的概率然后把他们放进一个掉落包中,然后掉落这个掉落包。
在这里插入图片描述
我们再来看看权重掉落组似掉落的思路是什么样的。从下图可以看出和逐步掉落的方式的流程是非常接近的。但是它多了一步,它拥有母集和子集的概念。
在这里插入图片描述
具体实现环节让我们来解析一下。之前看到的掉落设计方式其实都是单表的,而权重掉落组似掉落是拥有两张表的。

先来看下母集表,如下图所示
在这里插入图片描述
母集中掉落编号30700004产生三个子集,他们分别代表一个木箱子中可能会掉落的金币,材料和装备。然后我们根据三个子集的编号在子集表中寻找道具以及对应权重。子集如下图所示:
在这里插入图片描述
我们先来看第一个子集,它掉落的是金币,首先看权重,这里只有一条数据,那掉落的只能事它,然后再从最小数量和最大数量之间随机掉落数量。这里相当于开木箱子是100%获得金币的,如果我们想要玩家只有50%概率获得金币,可以再加入一条权重2000的空掉落集就可以了。根据流程会先判断子集中掉落哪一种道具,然后再根据道具的掉落最大最小数量算出掉落数量。

权重的掉落和前面的“圆桌理论”的实现方式有些类似。我们再来看第二个子集,它拥有三个掉落选择,我们先把掉落玄铁,饰品,马鞍的权重加在一起得到权重总值3000。然后我们随机1-3000的一个数值。当这个数值小于等于1000的时候掉落玄铁,大于等于1001小于2000的时候掉落饰品,大于等于2001小于3000的时候掉落马鞍。然后在根据道具的掉落最大最小数量算出掉落数量。

这里要注意一个问题,不同类型的道具在配置的时候一定要配置好它们对应的道具类型。类型将决定程序去哪张表寻找道具,如果配置错误会导致找不到这个掉落道具。而更为严重的问题是有些程序会直接跳过这条BUG不做任何报错,这就会导致我们预期的掉落物品实际上根本没有掉落。这会对经济系统的投放产生很大影响。所以请大家一定要杜绝这种问题的发生。

第三个子集的计算流程也是一样的,我们从权重中可以看出铁盾的掉落概率为50%,长袍和锁子甲的掉落概率各为25%。

最后,我们把三个子集的物品放在一起形成最终的掉落。

这种设计的优点在于你可以灵活的组合各种子集,从而形成一个非常丰富的掉落组合,并且不管是任何系统关联的掉落都可以只用一个母集的编号来对应。这对程序维护成本和程序效率是大有帮助的。缺点是母集和子集之间关联性强,容易出现数据问题,对数值自身要求较高。

4、进阶掉落

权重掉落组似掉落是目前较为主流的做法。但随着游戏在不断的发展,我们遇到了新的问题。比如某玩家想要获得某关键武器A,可是他的运气就是十分的差,在多次击杀相关BOSS之后就是不掉落武器A。玩家十分恼怒,并最终打电话像客服投诉。(非常真实的案例)

客服反馈了这个问题。但我们会发现权重掉落组似掉落中数值策划是无法控制某物品必然掉落的,此时我们结合计数掉落设计出进阶掉落。

进阶掉落其实是在权重掉落组似掉落基础上做了进化的版本,核心思想还是一样的,它多了一步前置的判断,在每次母集掉落之前会判断一次母集是否满足一定条件并产生进阶掉落。

流程如下图所示:
在这里插入图片描述
如何判断是否产生进阶掉落那?我们在母集表中先添加三列数据:进阶组别,最小进阶次数,最大进阶次数。如下图所示:
在这里插入图片描述
我们先看第一行数据,母集有一个70400001的子集,我们在这个子集里装的是金币,它对应的进阶母集是70400002,70400001进阶到70400002最少需要2次,最多需要3次。

这里有些人会质疑如何保证在这个进阶次数区间内就一定进阶。我们来解释一下这个流程。假设最小进阶次数a,最大进阶次数b。然后我们先统计出掉落次数x,再随机一个a到b的随机数y,之后判断x是否大于等于y,是的话产生进阶掉落,不是的话还是掉落之前的母集。

流程图如下:
在这里插入图片描述
我们套用这个流程再来看之前的数据

条件如下:

a=2
b=3

第一次掉落开始,x=1,第一次开始掉落。y随机到2,判定失败,还是产生之前掉落。
第二次掉落开始,x=2。y随机到3,运气真是太差了,如果随机到2判定就成功了,但是失败之后还是产生之前掉落。
第三次掉落开始,x=3。y随机到2,判断成功,产生进阶掉落,另外x的次数被重置为0。

这里大家可以看到在第二次掉落开始的时候,如果随机到2的话,那么在第二次掉落的时候就会发生进阶掉落。第三次掉落的时候结果是必然成功的。这就保证掉落次数达到最大进阶次数时必定发生进阶。

进阶掉落其实是可以叠加多次的。还是之前的数据,70400001进阶70400002所用次数时2-3次,再来看70400002进阶到70400003需要3-5次,可以算出70400001进阶到70400003需要6-15次。那也就意味着,我们每打开6-15个木箱子的时候,我们就会得到1次掉落钻石的机会,钻石的数量为20。这样我们就可以计算出从木箱子获得钻石的期望为每打开10.5个木箱子可得到20个钻石。1个木箱子约含有2钻石的价值,这样玩家获得木箱子的成本必然要大于2钻石。

子集如下图所示:
在这里插入图片描述
进阶掉落是目前很多游戏都在采用的做法。你可以把想要对进阶产生影响的因素通过不同的方式来计算统计,然后使之成为判断进阶条件。比如很多游戏的VIP等级就是会对随机产生影响,VIP等级高的人更容易刷出商店中的高级道具。我们在这里就不对这些元素一一介绍了,其道理和进阶掉落都是一样的。
怪物掉落

之前给大家介绍了几种掉落的方式,怪物掉落一般使用的是进阶掉落,但也不是所有子集都进阶。

说一下我们的设计思路。首先,我们要规划所有的子集类型。举例来说

1、货币子集。这个子集是控制掉落货币的子集。怪物掉落的货币一般来说是不会有很大波动,我们可以通过这个掉落来算出每个怪物的产出货币量,最终控制总产出符合我们的预期。这个货币子集可能根据怪物类型而不同。比如有些游戏人形生物掉落货币会比动物多,有些游戏动物植物甚至是不掉落货币的。

2、材料子集。这里的材料包含普通材料和宝石等等。如果有特殊需要,材料子集也可以分多个子集。我们会根据材料的稀缺性来决定产出的量级,并且不会让玩家轻易获得珍稀材料。

3、装备子集。装备子集是玩家非常在意的一个掉落子集。一般情况下,我们会给玩家投放一些基础装备让他们可以通过日常杀怪获得这些装备。稀有装备有严格的进阶掉落控制,玩家可以在击杀一定量的怪物后可以获得一件稀有装备。这样保证在一定时间内给玩家一个较大收获,刺激玩家继续杀怪。

注:本文节选自《平衡掌控者—游戏数值战斗设计》

  • 6
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
众所周知,人工智能是当前最热门的话题之一, 计算机技术与互联网技术的快速发展更是将对人工智能的研究推向一个新的高潮。 人工智能是研究模拟和扩展人类智能的理论与方法及其应用的一门新兴技术科学。 作为人工智能核心研究领域之一的机器学习, 其研究动机是为了使计算机系统具有人的学习能力以实现人工智能。 那么, 什么是机器学习呢? 机器学习 (Machine Learning) 是对研究问题进行模型假设,利用计算机从训练数据学习得到模型参数,并最终对数据进行预测和分析的一门学科。 机器学习的用途 机器学习是一种通用的数据处理技术,其包含了大量的学习算法。不同的学习算法在不同的行业及应用能够表现出不同的性能和优势。目前,机器学习已成功地应用于下列领域: 互联网领域----语音识别、搜索引擎、语言翻译、垃圾邮件过滤、自然语言处理等 生物领域----基因序列分析、DNA 序列预测、蛋白质结构预测等 自动化领域----人脸识别、无人驾驶技术、图像处理、信号处理等 金融领域----证券市场分析、信用卡欺诈检测等 医学领域----疾病鉴别/诊断、流行病爆发预测等 刑侦领域----潜在犯罪识别与预测、模拟人工智能侦探等 新闻领域----新闻推荐系统游戏领域----游戏战略规划等 从上述所列举的应用可知,机器学习正在成为各行各业都会经常使用到的分析工具,尤其是在各领域数据量爆炸的今天,各行业都希望通过数据处理与分析手段,得到数据有价值的信息,以便明确客户的需求和指引企业的发展。
下面是一个基本的Unity游戏背包丢弃物品,物品掉落在地上的代码系统。请注意,这是一个非常基本的示例,你可能需要进行修改和优化以适应你的具体游戏需求。 ``` using UnityEngine; using System.Collections.Generic; public class Inventory : MonoBehaviour { public List<GameObject> items = new List<GameObject>(); // 存储物品的列表 public GameObject itemPrefab; // 物品的预制体 public void DropItem(int index) { // 检查物品索引是否有效 if (index < 0 || index >= items.Count) { Debug.LogError("Invalid item index"); return; } // 从列表删除物品 GameObject item = items[index]; items.RemoveAt(index); // 创建一个新的物品实例,并将其放置在玩家位置上方一定高度处 Vector3 playerPos = transform.position; Vector3 dropPos = new Vector3(playerPos.x, playerPos.y + 1.0f, playerPos.z); GameObject dropItem = Instantiate(itemPrefab, dropPos, Quaternion.identity); // 将物品的模型设置为刚被删除的物品的模型,并添加一个附加物体以存储物品数据 dropItem.GetComponentInChildren<MeshFilter>().mesh = item.GetComponentInChildren<MeshFilter>().mesh; dropItem.GetComponentInChildren<MeshRenderer>().material = item.GetComponentInChildren<MeshRenderer>().material; dropItem.AddComponent<ItemData>().item = item.GetComponent<ItemData>().item; } } public class ItemData : MonoBehaviour { public Item item; // 物品数据 } public class Item : MonoBehaviour { public string itemName; // 物品名称 public int itemID; // 物品ID // 其他物品数据... } ``` 在这个代码示例,`Inventory`类存储了一个包含物品的列表`items`,并提供了一个方法`DropItem()`来丢弃列表的物品。当调用该方法时,它将从列表删除指定索引处的物品,然后将其实例化为一个新的物体,将其放置在玩家位置上方一定高度处,并将物品模型和数据添加到新的物体上。 `ItemData`类是一个用于存储物品数据的附加物体。它包含一个名为`item`的公共变量,该变量存储了一个指向`Item`类的引用,`Item`类包含了有关物品的所有数据。 请注意,这个代码示例是非常基础的,你可能需要在其基础上进行扩展和优化以满足你的具体游戏需求。例如,你可能需要在物品上添加其他组件以实现交互或特殊效果,或者你可能需要在物品丢弃时产生不同的动画或声音效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值