共计 4622 个字符，预计需要花费 12 分钟才能阅读完成。
原文转载自「刘悦的技术博客」https://v3u.cn/a_id_212
有人说，如果一个人置信运气，那么他肯定参透了人生。设想一下，如果你在某款 moba 游戏中，在配备平平，队友天坑的状况下，却刀刀暴击，在一小波 gank 中轻松拿下五杀，兴许你会感叹本人的神操作和好运气，但其实，还有另外一种神秘的力量在摆布着这所有，那就是：随机算法。
伪随机（Pseudo-Randomization）
其实，竞技游戏通常是回绝随机性干涉的，因为它烦扰了玩家实际操作程度的考量。然而，应答突发状况也应该是玩家应变能力的一种体现。因而，在 moba 游戏中，有很多随机事件，这些随机事件升高了游戏的可预测性，减少了变数。为了限度这种随机性的影响，伪随机算法应运而生。
伪随机散布 (pseudo-random distribution，简称 PRD) 在游戏中用来示意对于一些有肯定几率的配备和技能的统计机制。在这种实现中，事件的几率会在每一次没有产生时减少，但作为弥补，第一次的几率较低。这使得成果的触发后果更加统一。
以 Dota2 为例，在大量的英雄技能中，比如说斯拉达的重击、酒仙的醉拳、主宰的剑舞之类的技能，都利用了伪随机机制：
具体的实现逻辑是这样的，每次开释技能，都应用一个一直减少的概率来进行计算，如果这个事件始终触发不胜利，那么概率就一直回升，直到事件产生为止。
要实现这个伪随机算法，要解决的问题就是，对于一个产生概率为 p 的事件，在咱们第 n 次开释技能的时候，产生的几率在第 N 次胜利触发的几率为 P(N) = C × N，对于每一个没有胜利触发的实例来说，伪随机散布 PRD 会通过一个常数 C 来减少下一次成果触发的几率。这个常数会作为初始几率，比成果阐明中的几率要低，一旦成果触发，计数器会重置，几率从新复原到初始几率。
举个例子，斯拉达的重击有 25% 几率对指标造成眩晕，那么第一次攻打，他实际上只有大概 8.5% 几率触发重击，随后每一次没有胜利的触发实例都会减少大概 8.5% 触发几率，于是到了第二次攻打，几率就变成大概 17%，第三次大概 25.5%……以此类推，直到重击的概率达到 100%。在一次重击触发后，下一次攻打的触发几率又会重置到大概 8.5%，那么通过一段时间之后，这些重击几率的平均值就会靠近 25%。
基于伪随机的成果使得屡次触发或屡次不触发的极其状况都变得常见，这使得游戏的运气成分绝对升高了一些。然而尽管实践上可行，然而在游戏中玩家很难使用这个机制来“刻意”减少下一次触发的几率。值得一提的是，Dota2 对伪随机技能算法也有限度，如果被开释技能的对象基本就不可能触发成果，那么触发几率不会减少，也就是说，一个英雄反补或攻打修建不会减少他下一次攻打触发的致命一击几率，因为致命一击对反补和修建有效。
马尔可夫链（Markov chain）
那么，Dota2 底层到底怎么实现的呢？这波及到一个算法公式：马尔可夫链（Markov chain）
马尔可夫链因俄国数学家 Andrey Andreyevich Markov 得名，为状态空间中通过从一个状态到另一个状态的转换的随机过程。该过程要求具备“无记忆”的性质：下一状态的概率分布只能由以后状态决定，在工夫序列中它后面的事件均与之无关。
说白了就是，如果对于一个触发概率为 5% 暴击的技能，那么我砍第一刀呈现暴击的概率是 c，第二刀是 2c，如果始终没有暴击，直到第 N 刀，呈现了（c*N）大于 1 了，那么这次暴击就必然产生了，而在两头的每一次，如果暴击产生了，那么咱们就把随机概率重置为 c。
P = 1*c + 2*c(1-c) + 3*c(1-c)(1-2c)+4*c(1-c)(1-2c)(1-3c)其中 P = 1/p，N=1/c（第 N 刀，即累加概率的最初一刀必然暴击）
那么咱们就能够用折半查找在 (0,1) 之间一直估算 c，直到这个公式成立就行了。
首先，模仿 N 次触发，计算是否会在 N 次触发之后必然产生：
import math
def p_from_c(c):
po, pb = 0, 0
sumN = 0
maxTries = math.ceil(1/c)
for n in range(maxTries):
po = min(1, c*n) * (1-pb)
pb = pb + po
sumN = sumN + n * po
return (1 / sumN) 随后，在遍历中，一直地取中值判断，如果触发的概率足够小，那么认为曾经找到了对应的 c 系数：
def c_from_p(p):
cu = p
cl = 0.0
p1, p2 = 0, 1
while True:
cm = (cu + cl) / 2
p1 = p_from_c(cm)
if abs(p1 - p2) <= 0.000000001:
break
if p1>p:
cu = cm
else:
cl = cm
p2 = p1
return cm具体应用上，咱们须要独自存储一个阈值变量，那就是开释次数 fail，如果 fail 始终处于未暴击的状态，那就累加对应的开释概率：
fail = 1
print(c_from_p(0.20)*100*fail)
fail = 2
print(c_from_p(0.20)*100*fail)
fail = 3
print(c_from_p(0.20)*100*fail)输入返回值：
5.570398829877376
11.140797659754751
16.711196489632126对于一个 20% 暴击的技能，第一刀实际上只有 5%，第二刀 11%，等到砍到第三刀就有 16%。
那么晓得了底层算法和实现，有什么用呢？咱们就能够在游戏中超神了吗？事实上，底层算法对玩家在游戏实际操作技巧是有肯定指导意义的，比方，如果玩家可能记住开释技能当前的攻打次数，对应的，玩家脑子里就会有一个概率，事实上，第一刀 5% 触发的概率还是非常低的，而反补和打建筑物又不能减少 fail 阈值的次数，所以如果是在团战中，面对半血或者残血英雄，第一刀齐全能够不砍他，因为概率太小，齐全能够前两刀砍对方别的英雄，留出前面几刀再砍，这样就会在无形中减少暴击或者眩晕技能，是的，如果半血被晕，基本上人头就交出去了，电光石火之间，算法能够帮咱们增大超神的概率，要晓得，职业玩家的反馈能力不是业余玩家能够设想的。
这就好比，在牌局中，真正的高手会靠记忆力将手牌两头段的数量记住，如 9 /10/J，来保障本人的顺子可能在最初时刻买通或者逼出对手炸弹。
真随机(True-Randomization)
什么叫真随机？有人会说，抛硬币、掷骰子，这些都是真随机事件。
是的，一枚銀色的硬币在半空中疾速地翻转着，一闪一闪地泛着光芒，你看不清楚哪面向上、哪面向下，甚至连硬币的客人本人也不分明。
但其实，抛硬币的角度、力量、四周风速等等因素都会影响最终后果，所以，严格意义上来说，拋硬币当然不是真随机事件，因为这个宏观静止过程和后果严格遵守物理定律，而每次的输出变量也是无限且确定的。
所以，咱们所定义的真随机是有条件的，即如果伪随机是靠次数做关分割递增，那么真随机就跟它相同，屡次施行过程中没有关联的事件，咱们称之为真随机。
那么，在 Python 中，是否用逻辑实现这种“真随机”？
假如我从 1 -100 个数里，“真随机”挑数字，计数器进行随机筛选后的记录，挑一万次，实践上，它会存在正态分布吗：
import random
from collections import Counter
c = Counter()
for _ in range(10000):
c[random.randint(1, 100)] += 1
print(c)
print(c.values())
print(max(c.values()))返回输入：
Counter({90: 123, 51: 122, 84: 121, 77: 119, 74: 118, 2: 117, 86: 116, 33: 116, 72: 113, 81: 112, 56: 112, 42: 112, 9: 111, 11: 110, 97: 110, 16: 109, 27: 109, 8: 109, 6: 109, 62: 109, 15: 108, 29: 108, 12: 107, 22: 106, 28: 106, 82: 106, 7: 105, 94: 105, 89: 105, 71: 105, 5: 105, 24: 105, 80: 105, 65: 104, 20: 104, 48: 104, 93: 104, 1: 104, 79: 103, 57: 103, 40: 103, 26: 103, 63: 103, 30: 102, 68: 102, 75: 101, 18: 101, 23: 101, 39: 100, 44: 100, 54: 99, 85: 99, 91: 99, 59: 99, 76: 99, 43: 98, 31: 98, 66: 98, 25: 98, 60: 97, 58: 97, 35: 97, 64: 97, 70: 97, 19: 97, 34: 97, 96: 96, 13: 96, 52: 96, 61: 95, 100: 95, 21: 95, 98: 95, 49: 94, 69: 94, 99: 93, 87: 93, 88: 93, 78: 92, 73: 91, 17: 91, 67: 91, 4: 91, 46: 90, 92: 90, 36: 90, 3: 89, 14: 89, 41: 89, 55: 87, 53: 85, 32: 85, 38: 84, 37: 84, 50: 83, 83: 83, 10: 83, 45: 82, 47: 80, 95: 75})
dict_values([121, 99, 112, 99, 94, 110, 89, 93, 93, 98, 95, 91, 109, 100, 109, 116, 104, 105, 91, 84, 106, 104, 105, 92, 106, 83, 104, 105, 110, 103, 82, 102, 112, 85, 105, 103, 85, 89, 103, 99, 117, 83, 87, 96, 100, 96, 90, 105, 123, 99, 91, 104, 101, 118, 99, 103, 91, 83, 98, 95, 98, 107, 111, 97, 104, 101, 113, 116, 97, 98, 97, 122, 90, 101, 108, 94, 96, 106, 112, 97, 102, 103, 108, 75, 97, 109, 80, 93, 109, 109, 95, 95, 90, 97, 89, 84, 105, 119, 97, 105])
123最高的一次呈现了 123 次，接着咱们来换个形式，不必 random：
import random
from collections import Counter
c = Counter()
for _ in range(10000):
c[100] += 1
print(c)
print(c.values())
print(max(c.values()))返回输入：
Counter({100: 10000})
dict_values([10000])
10000比照之下，咱们能够这么了解，呈现次数的最大值约大，咱们的随机性就越小。
所以，尽管每一次获取没有外表上关联性，但这并不是“真随机”，所以说，计算机到底能不能实现“真随机”？并不能，因为 Python 的 random 模块自身就是基于 PRD 伪随机算法，能够了解为 Python 中的随机是“应用随机算法”计算出的随机，而应用失当的随机算法能够让这个随机很迫近“真正”的随机。
结语：
伪随机指的是“从逻辑层面对随机算法的后果进行烦扰”，真随机指的是“现有技术或可收入老本无奈修改的系统误差”，两套逻辑均被大量利用在游戏畛域，但不能否定的是，运气这货色也的确存在，所以现代玩家不免也会收回“时来天地皆同力, 运去英雄不自在。”的感叹。
原文转载自「刘悦的技术博客」https://v3u.cn/a_id_212