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。
其中, 表示结果概率, 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:
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:
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。