ボードと他のさまざまなゲームのバランス-方法の簡単な概要

一週間前、私は子供向けゲーム開発の開発者、心理学者、数学さえ知らないようである美しい女性スーザンと話しました。 彼女は私に練習のためのゲームバランスの最も美しい方法の1つを与えて、彼女が彼女のゲームの1つを作った方法を説明しました。 しかし、後でさらに多くの手紙があります。



バランスをとるゲームの最終的な目標は 、プレーヤーのリターンまたはパーティータイムを増やすことです。 それがメカニックのプレイアビリティです：

• 勝利のための決定的な究極の戦略があるべきではありません。そうでなければ、ゲームはその変動性と興味を失います。
• プレイヤーは、ゲームが自分の行動とスキルに依存していると感じなければなりません。 そうしないと、Mass Effectが判明します。これはRPGではなく映画です。
• バランスを「償却」する必要があります。つまり、いくつかのミスを許します。そうしないと、「スカージ効果」によりスタークラフトが最初のワーカーを最初にクリックすると、4時間の完璧なゲームの後に損失が発生します。 私たちのデスクトップの公式は、ゲームごとに5〜7つの重要な決定であり、2つでは間違いを犯す可能性があります。
• Nastolokには社会的条件もあります：プレイヤーはプレイ中に脱落すべきではありません-最後まで面白いはずです。

次にメソッドについて説明します。

モデルの制限

ボードゲームが自動テストでカバーされることはほとんどありません。 Sid Meyer、 Vlaada Grabbed 、 そしてあまり知られていないゲームデザイナーの2人だけが、私に知られている個性からそのようなことをします。 その他の場合、以下が発生します。

1. 経験的バランス。 原則として、ゲーム開発者は数学に精通しており、ゲーム理論または離散数学の適用された側面を直感的に理解し、一般に正しい決定を下します。
2. 次に、「プロ」の限られた範囲でゲームテストが行​​われます。 ここでのタスクは、バランスの脆弱性を見つけることです。 一般に、同じ経験的テストは、すでに多くのペンテスターのみです。 原則として、これは100の関係者であり、統計的手法には十分ではありませんが、経験的手法には適切です。 同時に、著者はその過程で何かをひねります。そのため、1つのルールセットで30を超えるゲームがプレイされることはまれです。
3. 学習曲線を確認するために、ゲームを「通りの人々」のパブリックベータ版に配置した後。 ここでは統計をすでに収集できますが、原則としてこれは必要ありません。

そのような手動バランスの例は、ヤニ氏の「 ハイブ 」です。 巣にシラミを追加する（チェスに新しいピースを追加するのにほぼ匹敵する）追加を行ったとき、彼は最初に友人と約2か月間テストし、その後、知っているすべてのゲームデザイナーを見せて意見を集め、電子トーナメントシステムでベータトーナメントを開始しましたテストしてから、販売用のプラスチック製フィギュアを直接リリースし、電子版の安定リリースに導入しました。



ボードゲームの平均寿命は6ゲームです。 毎年10人が3〜4ゲームをプレーし、週末にさらに2人がカットされ、100人に1人がトーナメントの準備をします。 したがって、バランスの主なタスクは、オンラインゲームのようなトーナメントではなく、ソーシャルです。だから誰も抜け落ちず、誰もが自分の意思決定方法を感じます。 バランスは学習曲線とも関連しています-非常に限られた注意リソースと時間の大幅な不足を考慮して、プレイヤーにとって直感的なものは物事のバランスを取るために使用する必要があります（「ショットガンは銃よりも弱くはできません」）。

方法

尻ファイリング

上記の方法を検討しました。 多くの場合、実際には基本的なままです。



突出する鋸引き

ほとんどのマンチカン戦略の連続テストと手動による強制終了。 この「調整」は、不完全な選択でのモンテカルログループアルゴリズムまたは遺伝学のデバッグと非常に似ており、ほぼ同じ結果をもたらします。 つまり、90-95％のケースで役立ちます。



リソースバランス

これはもっと面白いことです。 ゲーム内のオブジェクトごとに、特定のリソースで単一の価格が計算されます。 当然、最も難しいことは評価関数を考え出すことです。 たとえば、同じMTGは、経験主義（IおよびIIの改訂）から非支配（IIIおよびIVの改訂）に確実に成長し、すでにリソースパスに沿って第6版に進んでいます。 大まかに言うと、2マナのコストで獣はどの環境でも2の攻撃と2のデフォルト防御を持つことを知っています。 たとえば、3/3にすることはできますか？ もちろん、前のターンで敵がダメージを受けなかった場合、それが1/1であるという特性を切るだけで十分です。 標準の「バン」ごとに、「ドローベック」-ある種の欠点があります。 2/2とフライトが必要ですか？ さて、ゲームの入り口にいる牛だけがあなたから2ヒットを受けます。 7/1が必要ですか？ 可能ですが、1ターン生き続け、それに挑戦するには別のクリーチャーを殺さなければなりません。 などなど。 あなたは標準を取り、それを中心に踊り始め、賛否両論を生み出し、最終的には標準から廊下の約85％に落ちます。



ストーリー関連のバランス

これは、プロットが弱い平衡状態を「引き出す」場合です。 たとえば、RPGには、ピストルと、たとえばプラズマ機関銃をポンピングするためのブランチがあります。 同じShadowrun（新規）開発オプションは同じです。 後のスキルレベルでは、ピストルはダブルトリプルショット、ダメージの増加、素早いリロードを提供します。 ターンあたりのダメージは、マシンガンのポイントブランクからの良いラインによるものと同じくらいです。 プレイヤーは、ゲームの終わりに不適切なバカにならないでしょう。 このバランスはリソースです。



そして、プロットは、銃を弱くすることができるが、現実の世界と同じでそれを補うことができるということです。 たとえば、ゲームの世界でマシンガンカートリッジを検索したり、価格を上げてから、銃を持ち運べるが、マシンガンを持たないペネトレーションミッションを作成し、ホルスターからより速く引き出されることがより重要である場合、西洋人のように即座に決闘を行うことは非常に難しく、など。



毎回、ストーリーラインは、ロールプレイングゲームでのメカニックまたはロックを破るスキルに依存します-これも同様です。



じゃんけん

バランスの基礎は、プレイヤーによる意思決定です。 バランスが「均一すぎる」場合、個々の戦略とゲームスタイルの形成を達成することは不可能です。 したがって、バランスは一般的にのみ収束し、詳細には収束しないはずです。 詳細には多少の混乱が必要であり、かなりの量になるはずです。 このようなバランスの最も一般的な例は、3つの基本戦略（「魔術師、戦闘機、泥棒」、「攻撃、制御、組み合わせ」、「開発者、デザイナー、テスター」、「ショットガン、ライフル、狙撃兵」）の構築です。 彼らは円を描くようにぶつかります。したがって、プレーヤーのタスクは、ある意味でブラフし、相手のアクションを推測することです。 同じ戦略は、ゲームにランダム性を導入し、初心者が推測するときにプロを時々倒すことを可能にします。



射手で最も効果的で最も「不均衡」なものの例は、しばしば散弾銃です。 これは近接武器です。 リソースメソッドと統計を使用してリソースを計算する評価関数を構築すると、たとえば、100メートルの距離で1分間に100のダメージを与える必要があることがわかります。 500個のユニットを作成しますが、「drobek」では5メートルを与えます。また、武器を重く、不器用で、ゆっくりと再装填し、小さな弾薬で作ります。 ここでは、戦略の選択（ショットガンを使用した「パパ」タスク-突然、潜在的なフラグメントに厳密に近く表示される）とスキル（非常に正確かつ冷静に照準を合わせる必要があります）の2つのブランチが同時に起動します。 同様に、優れた狙撃兵。 戦略とスキルに同じ要件を作成しますが、異なるプレイヤーの行動戦略を定義します。



別のタイプのリスク管理は、負けたプレイヤーと勝ち取ったランダムプレイヤーを揃える方法です。 これは、たとえば、プレーヤーがすでに深刻な負けをしているが、ゲームの残りの半分が残っている場合に必要です。 彼はゲームを離れて無関心に降伏します...またはあなたは彼に回復するためのいくつかのツールを与えます。 ほとんどの場合、これは強いリスクです。 負けたプレイヤーは、重大なエラーの可能性が高い（50％以上）テクニックと戦略を使用できますが、同時に彼はすでに負けているので、彼を恐れません。 それは判明しました-幸運なことに、彼らは再び勝者と平等な条件でいます。 うまくいきませんでした。まあ、わかりました。面白くて楽しかったです。 さらに、プレーヤーが平準化されるとすぐに、どちらも危険なトリックを使用しません。結局のところ、この状況での「drobek」はゲームの結果にとって重要になります。 サーリンは「勝利のためのプレイ」でこれらのニュアンスをかなりよく知っています（私たちは何らかの形で翻訳しました -読んで、ゲームにパッチがまったくなかったときにバランスを掘り下げました）。



スポーツでは、この状況は、試合の最後の数分間にゴールキーパーでさえ攻撃プレーヤーの1人として使用される場合の話にいくらか似ています。 はい、はい、あなたはすでに推測します-これはプレイヤーをゲームに戻すだけでなく、非常に壮大です。 このことについて、彼らは物語を語ります。



非決定論またはランダム性の役割におけるもう1つの重要なことは、既成の勝利戦略がないことです。 同じチェッカーでは、数学的に最適な白のゲームで黒のゲームで勝つことは不可能です。 囲Goでも理論的には、これまでのところ十分な計算能力がありません。したがって、囲ersでは不確実性がありますが、チェッカーではありません。 Pakmanのマシンを覚えている場合、アーケードのプレイヤーがレベルに沿って歩く最適な方法を学習しないように、ゴーストが方向を選択するために特別にランダムを導入しました。 AIを記述するとき、敵は2つの同様のソリューションから選択するためにランダムに使用されることもよくあります。



オートバランス

通常、ゲームはその全力とのバランスを保つよう努め、プレイヤーはその状態を大胆に揺るがします。 自動バランスの仕組みでは-逆も同様です。



ゲームの状況は非常に多様であることが多く、現在のゲームでは異なる戦略が最適です。 したがって、原則として、「自動バランス」の別の例が複雑なゲームに導入されます。これは、プレイヤー自身が現在より重要なものを決定するときです。



例。 基本的なリソース戦略では、たとえば、20ラウンド= 100コイン、応急処置キット= 50コインという報酬の段階的変化を知っています。 20ラウンドのリソースレベルでは、救急キットが統計的に高価であるという理由だけで、救急キットよりも常に重要です。 しかし、特定の状況では、応急処置キットがより必要になる場合があります。 プレイヤー自身が必要なリソースの価格を設定すると、オークションの状況が作成されます。 その結果、応急処置キットに150コインがかかり、誰もカートリッジを必要としないのは私たちのパーティーであることが判明するかもしれません。



そのようなことは、ドラフト（体育のジムの前に2人のキャプテンが立ち、順番にチームのプレイヤーを1人選ぶ）、オークション（プレイヤーが機器に賭けます）、レベルのアイテムの場所（より多くの人々が正しいもののために走った-自動的により多くの競争があります）で行うことができますなど。



自動バランスに代わるものは 、たとえば負のフィードバックを作成するなど、 遅れをとって「引き上げる」ことによるリソースバランシングです。 ヒーローのレベルが高いほど、モンスターが与える経験は少なくなります。 低くなるほど。 したがって、最初のレベルでの間違いやばかげた状況は、経験値が2倍になったときにヒーローが最終的に3〜4％の差を持つという事実によって償却されます。 これは誰もが好きではありませんが、より頻繁にオンラインゲームの方法です。



自動バランスのもう1つの興味深いメカニズムは、ゲームの値の間ではなく、ゲームとリアル（IRL）の間の選択の提供です。 たとえば、流通市場で価値のあるカードのドラフト、ゲーム通貨の方向の選択（流通市場で転売したり、アカウントで支払うことができます）などです。



次のタイプの自動バランスは外交です。 ゲームにプレイヤー間のトランザクションがある場合、それらはアライアンスで団結することができます。 これは、彼が勝つという事実に不満を持って、最も「突出した」人が全員から一度に帽子をかぶるリスクがあることを意味します。



この点で、同じ「Overboard！」は特にクールです-一般的な場合、ボートのキャラクターは最初にお互いを「スカウト」し、残りのパーティーは2つのバンドルユニオンにいます-1つはリソースを制御し、もう1つは不満です。 時々、勝利条件のためにコントロールバンチでスプリットが発生します（「なぜスノブはそんなに得たのですか？彼が取った華麗さを教えてください！」）、すぐにバンドルを交換し、より複雑な新しい競合を作成します。 純粋にゲームの「物理学」のためにバンドルは常に場所を再結合し、変化させています。 つまり、最強の人が強いというだけで頭にパドルをかけられます。 そして、味方の友人でさえ、彼を打ち負かすのに役立ちます。なぜなら、負けた友人が勝つためではなく、生き残るための仕事だからです。 誰もが自分のために勝利を救います。

推測とブラフ

戦略の本質は、一連のパラメーターの最適化です。 したがって、敵の最適な行動を予測して、効果的な対策を講じることができます。 ただし、攻撃者はこれを疑い、予想どおりに間違ったパラメーターを使用する可能性があります。 これは、どのアクションが何につながり、ブラフするかが明らかなときに、ゲームを「推測」するパターンを作成します。 これはバランスと学習曲線の最も強力な要因の1つです。最初に、プレイヤーはチューニングパラメーターの結果を予測することでスキルを向上させ（プレイの技術を学び、他のプレイヤーの行動に関する隠された情報を明らかにします）、その後、ゲームを使用してお互いにプレイします言語としてのみ。

学習曲線

美しい女性との対話と、バランスが学習曲線と関連しているという事実について、トピックの最初に戻りましょう。 特に、システムの状態が変化すると、ゲームからのフィードバックが表示されるという事実に関係しています。 たとえば、犬に正しいことをするように訓練し、すぐに骨を与えるのは簡単です。 しかし、彼女を訓練するのは非常に困難で、1、2日で山のような穴を作ります-報酬のサイズが大きくなったにも関わらず、彼女は単につながりをキャッチしません。 プレイヤーについても同じことが言えます 。これについては、EpicのDanic Cookによる素晴らしい記事があります 。新年のためにここにあります 。



だから、タスク。 「フクロウ、アイ！」というゲームがあります。子供たちは夜明けが来るまで、フクロウを巣に入れなければなりません。 フクロウは、色付きの円で構成されるトラック上に立ちます。







プレイヤーは円のあるカードを持っています。 ここで、左のプレーヤーには赤、オレンジ、緑の円があります。 したがって、彼は任意のフクロウを選択し、同じ色の最も近い自由な円に移動できます。



最も近い円がビジーの場合、フクロウは同じ色の次の円に置かれます。



このゲームの最適な戦略は、フクロウを遠方に「散布」するのではなく、同時に同じセルを占領して、遠くの人が半フィールドジャンプするようにすることです。







すぐに明らかになったので、子供たちはこれを理解していません。 でたらめ、私がテストしたとき、これはまた、一部の人道主義者の大人が理解していなかったです。 たとえば、ある叔父は、私たちのテストでフクロウの最も長い戦術的なステップを選択しましたが、次の2〜3手を計算しませんでした。 その動きの一環として、計画期間は悲劇的に終わった。 子どもたちは「愛する」フクロウを（そして彼らが同じであることに気をつけないで）連れて行きます。



そして、ゲームのタスクは、子供たちにチームで何かをすることを教えることです。それは、それが誰にとってもすぐに役立つような方法でです。 つまり、移動が短いことを示しますが、将来は他の人にとっては有益であることが、長いものよりも優れている可能性がありますが、それは自分だけのためです。



しかし、言葉で説明し、最適なゲームを失い、デモンストレーションした後でも、非常に幼い子供たちと特に才能のある大人は理解しませんでした。 そして再び、彼らは愛するフクロウを導いたか、長い動きをしました。



問題は、ケースの約10〜20％のランダム性により、これがまだ勝利をもたらしていることです。 ゲームの作者であるスーザンは、勝利条件を強化して、戦略の自動バランスを有効にしようとしました。 しかし、私は子どもたちが間違った動きで負け、学ぶ時間がないという事実に直面しました-彼らは損失の連鎖に動揺しています。 問題は、明らかに、フィードバックループが長すぎることです。 ゲームの終わりではなく、コース中にすぐに肯定的なフィードバックを提供するものが必要です。 子供が強い動きをしたか弱いかを理解するための評価関数。



停止して、このシナリオで何をするかを考えてください。

まとめ

したがって、ほとんどの場合：

1. 経験的に、小さなテストセットに基づいて、天びんの評価関数が構築されます。
2. 各オブジェクトのリソース標準が明らかにされた後、オブジェクトはゲームの深さ、つまり個々の戦略を構築する可能性に合わせて調整および変更されます。
3. さまざまなゲームで勝利の自動化を回避するために、いくつかの非決定性が導入されています（ほとんどの場合、ランダム性）。 人生はランダムだからです。
4. プレーヤーを平等化するための反応的な方法が導入されました：外​​交、負帰還、リスクバランス。
5. 必要に応じて、何らかのアクションを取るためにゲーム外の動機が確立されます。

しかし、もちろん、練習はもっと厳しいです。 実際には、サービスパック2が登場するまでは地獄の1つであり、まだベータ版をプレイしています。



たとえば、 Wikiには、より具体的なメカニズムがあります-バスケットボールのパッチと黄金時代の原理を参照し、リンクをたどってください。 Denk （ゲームデザイナーの観点から）およびSirlin （プレーヤートーナメントプレーヤーの観点から）は、バランスのとれたものを非常に適切に選択しています。