4.2 玩家策略的預測
4.2.5 玩家的策略集中程度
圖 24 蟲族玩家的策略成長圖 (系統搜尋資料)
(圖 25)是我們從人工整理的資料調閱出來的結果，雖然沒有上圖那麼多接近於零
地成功率上限，但是前中段的幾場，還是出現有相當低的成功率上限，至此我們可以得 到一個結論。 該玩家平時大量的類似打法，似乎有為幾場特別的打法作鋪路的作用，一個想在關鍵時刻用剪刀戰勝對手的人，必須佈局讓人家相信他一定會出石頭。
圖 25 蟲族玩家的策略成長圖 (人工整理資料)
4.2.5 玩家的策略集中程度
選手了，不斷創新打法也是該位玩家在大家心目中的印象，可是他在所有可能的策略狀 所有可能決策有 10887 種)，計算下來平均的策略分支度是 278 / 148 = 1.87，這表示我們 如果透過以往的經驗要來猜測玩家下一個策略的時候，平均而言有 1.87 種選擇，也就是 我們不看目前的局勢光從過去的策略中隨意挑一個可用的策略也會有 1 / 1.87 = 53.4%
的理論準確值，這也難怪我們在不了解盤面的狀況下依然可以得到一個不錯的預測值。
表 6 三百場訓練以後系統的預測準度變化
300 場訓練以後 人類玩家(Boxer) 蟲族玩家(Yellow) 神族玩家(Nal_rA)
狀態數(點) 202 145 157
決策數(邊) 421 288 287
決策平均分支度 2.08 1.99 1.83
預測準度(不看盤面) 48.0% 50.3% 54.7%
系統預測準度 65.0% 60.5% 72.0%
系統準度上限 84.9% 85.5% 88.1%
(圖 26)是三百場訓練以後玩家決策平均分支度的分布圖，與前面遊戲設定下的母空
間分布比較起來有兩處不一樣，第一是玩家的策略分支度明顯往低的方向移動，這在我 們的預料之中。 但是策略分支度的分布圖長得並不像原本的常態分佈，反而比較像是 無尺度分佈。
圖 26 玩家決策分支度分佈圖。該統計圖為三百場訓練後的結果
(圖 27)是我們系統自動產生的一張策略圖，玩家的每場比賽就是從圖的上方開始走
起，每經過一個邊就會貢獻一點權重，線條的粗細表示採用過此種策略的次數，我們可 以視為經驗的多寡。 從圖中我們可以看得出來，大多數的策略經驗值並不多，但是少 部分地策略卻經驗值異常的多，整體呈現的像是無尺度網路。 圖的最上方，也就是遊 戲開始的時候，策略選擇的複雜度通常不高，也非常集中在某幾條策略上，這就好像下 棋的開局都有固定的幾種方式一樣。 值得注意的是在中後段有線條反而變粗的狀況，我們可以視為重要的決策觀念，對玩家來說，有一些決策像是以重要觀念的方式存在，
法，但是這中間還是留有一定的自由度，自由度越高的部份，可能是還在探索出有沒有 確實比較好的選擇，或者是其實這幾種選擇都差不多了，才沒有形成重要的觀念迫使玩 家大量採用同一種決策。
圖 27 人類玩家 Boxer 對上蟲族對手一百場之後的建築策略圖
五、結論
我們在第一章所提到的兩個目標「玩家辨識模型」、「玩家策略預測模型」基本上已 經初步的完成了。 在玩家辨識的部分，我們可以用已知的某場比賽或是已知的帳號下 去搜尋出同一位玩家在不同帳號下的比賽，這樣的功能可以應用在目前許多公開網站的 記錄檔搜尋上；傳統的記錄檔搜尋方式是透過 AKA (Also‐Known‐As)的名單將玩家與帳號 聯繫在一起，並透過玩家社群的朋友網路去整理、維護這樣的一個系統；這種方法仰賴
戰略遊遊戲來說，自從記錄檔被解碼與檢視的軟體誕生之後，玩家就不斷的熱烈討論著 軟體上的數據所帶來的意義，有些玩家開始追逐所謂的手速，認為速度快的玩家才可以 稱得上是高手；部分的玩家開始從解碼的指令檔中學習、模仿高手玩家的細部操作，在 一些職業比賽中，記錄檔開始禁止外流，原因在於透露了太多職業玩家花費大量努力才 研究出的新操作技術，觀眾只能透過影片的方式去欣賞比賽，一邊思考著究竟選手是怎 麼做到那些匪夷所思的動作的。 本篇研究所提出的兩個模型，如果廣泛的被玩家所運 用的話，有可能會出現一些新的玩法、造成衝擊，玩家可以拿著自己的記錄檔搜尋看看 跟心目中想要模仿的偶像有多大的相似度，想代打或是想隱姓埋名的玩家也會開始思考 著怎麼樣改變自己的習慣讓我們的辨識模型找不出破綻。 正如同其他遊戲設計一樣，
設計者往往需要面對玩家的挑戰，很難有一個設計是毫無破綻的，如何透過難以一眼看 出的特徵找出玩家更深層更難以偽造的習慣，是我們辨識模型進一步可以成長的地方。
而在策略辨識模型上，我們還需要對盤面判斷做改進，目前是將建築、部隊、科技的權 重一制化，但是玩家或許不是平等的去看待三個面向，不同的玩家可能有自己的比重，
未來我們需要有一個自動調整權重的機制來提高我們的辨識效果。
參考文獻
1. Tyrrell, T., Computational Mechanisms for Action Selection. 1993, University of Edinburgh.
2. Tyrrell, T., The Use of Hierarchies for Action Selection. Adaptive Behavior, 1993. 1(4): p.
387.
3. Decugis, V. and J. Ferber, Action selection in an autonomous agent with a hierarchical
distributed reactive planning architecture. Proceedings of the second international
conference on Autonomous agents, 1998: p. 354‐361.
4. Bryson, J., Hierarchy and sequence vs. full parallelism in action selection. Intelligent Virtual Agents, 1999. 2: p. 113–125.
5. Tzu, S., The Art of War. 2005: Digireads. com.
6. Laird, J.E., Using a computer game to develop advanced AI. Computer, 2001. 34(7): p.
70‐75.
7. Buro, M., Call for AI research in RTS games. Proceedings of the AAAI‐04 workshop on AI in games, San Jose 2004, 2004: p. 139–142.
8. Buro, M., ORTS: A hack‐free RTS game environment. Proceedings of the Third International Conference on Computers and Games, 2002: p. 156–161.
9. Molineaux, M. and D.W. Aha, TIELT: A Testbed for Gaming Environments. Proceedings of the Twentieth National Conference on Artificial Intelligence (Intelligent Systems
Demonstrations), 2005.
10. Aha, D.W. and M. Molineaux, Integrating learning in interactive gaming simulators.
Challenges in Game AI: Papers of the AAAI, 2004. 4: p. 04‐04.
11. Aha, D.W., M. Molineaux, and M. Ponsen, Learning to win: Case‐based plan selection in
a real‐time strategy game. Proceedings of the Sixth International Conference on Case‐Based
Reasoning. Chicago, IL: Springer, 2005.12. Taylor, T.L., Power Gamers Just Want To Have Fun?: Instrumental Play In A MMOG. Paper presented at the 1st Digra Conference: Level Up, 2003.
13. Chee, F., Understanding Korean experiences of online game hype, identity, and the
menace of the “Wang‐tta”. DIGRA 2005 Conference: Changing Views‐Worlds in Play.
14. Wallace, B., Gamer is royalty in S. Korea, in LA‐Times. 2007.
15. Maes, P., Situated agents can have goals. ROBOT. AUTONOMOUS SYST., 1990. 6(1): p.
49‐70.
16. Lorenz, E.N., The Essence of Chaos. 1996: University of Washington Press.
18. Aamodt, A. and E. Plaza, Case‐Based Reasoning. Proc. MLnet Summer School on Machine Learning and Knowledge Acquisition, 1994: p. 1‐58.
19. Leake, D.B., CBR in Context: The Present and Future. Case‐Based Reasoning: Experiences, Lessons, and Future Directions, 1996: p. 3–30.
20. Schmidt, R., et al., Case‐Based Reasoning for Medical Knowledge‐based Systems.
International Journal of Medical Informatics, 2001. 64(2‐3): p. 355‐367.
21. Likhachev, M. and R.C. Arkin, Spatio‐temporal case‐based reasoning for behavioral
selection. Robotics and Automation, 2001. Proceedings 2001 ICRA. IEEE International
Conference on, 2001. 2.22. Cheng, D.C. and R. Thawonmas, Case‐based plan recognition for real‐time strategy
games. Proceedings of the Fifth Game‐On International Conference, 2004: p. 36‐40.
23. Molineaux, M., D.W. Aha, and M. Ponsen, Defeating Novel Opponents in a Real‐Time