游戏策划与系统设计 / 系统课时

用期望值算随机收益

用期望值算随机收益

随机奖励系统需要同时满足刺激感和长期经济平衡。期望值提供了一种统一计算方法,可以把不同概率、不同奖励组合转换为长期平均收益。

学习目标

  • 理解期望值在随机奖励设计中的作用
  • 学会计算单次随机事件的平均收益
  • 使用期望值比较不同掉落方案的长期价值

随机收益的期望值

期望值表示一次随机行为长期重复后的平均结果。在游戏数值设计中,它可以用于计算宝箱、掉落表、抽奖池等系统的平均产出。

基本计算方式是:每个结果的收益乘以该结果出现的概率,再将所有结果相加。

E(X)=p1x1+p2x2+...+pnxnE(X)=p_1x_1+p_2x_2+...+p_nx_n

其中,pp 表示结果概率,xx 表示对应收益。

例如,一个奖励箱有以下结果:

奖励 概率 收益价值
普通材料 80% 10
稀有材料 15% 50
高级装备 5% 200

期望收益为:

0.8×10+0.15×50+0.05×200=25.50.8\times10+0.15\times50+0.05\times200=25.5

表示玩家长期平均每开启一次宝箱,获得的价值约为 25.5 单位。

使用代码验证随机收益模型

在实际开发中,可以通过模拟大量随机结果验证理论期望是否接近实际产出。下面是一个简单的 Python 模拟示例。

python
import random

rewards = [
    (0.8, 10),
    (0.15, 50),
    (0.05, 200),
]

# 模拟大量开启,观察实际平均收益
count = 100000
total = 0

for _ in range(count):
    value = random.random()
    current = 0
    for probability, reward in rewards:
        current += probability
        if value <= current:
            total += reward
            break

print(total / count)

预期输出

text
约 25.5

实际结果会有少量波动,因为随机模拟不是无限次数实验。

用期望值比较不同方案

当两个奖励方案的表现不同,不能只看最高奖励,而应该比较长期收益。

例如:

方案 A:每次固定获得 30 点资源。

方案 B:90% 获得 10 点资源,10% 获得 250 点资源。

方案 B 的期望值为:

0.9×10+0.1×250=340.9\times10+0.1\times250=34

虽然方案 B 的平均收益更高,但玩家大部分时间会获得低奖励,需要结合波动范围判断是否符合体验目标。

期望值之外还要关注波动

两个系统可能拥有相同期望值,但玩家体验完全不同。

例如,一个系统每次固定获得 20 点,另一个系统可能获得 0 点或 40 点,两者长期平均都是 20 点,但第二个系统的不确定性更高。

设计随机收益时,通常还需要关注:

  • 平均收益:控制经济系统长期产出
  • 方差:控制奖励波动程度
  • 极端结果:控制最高和最低体验
  • 获得频率:控制玩家反馈节奏

期望值解决的是“长期平均给多少”的问题,而完整的随机设计还需要解决“玩家多久感受到一次奖励”和“波动是否可接受”的问题。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

用期望值算随机收益

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通