題:
與瘋狂的AI對抗對多人遊戲有幫助嗎?
Budda
2010-12-07 01:05:42 UTC
view on stackexchange narkive permalink

從我看到的瘋狂的人工智能開始對手會教你打好,尤其是早期比賽。瘋狂的對手通常會迅速組建一支龐大的軍隊,並在4-6分鐘內攻擊您。如果您不能快速賺取大量資源並正確管理它們,那麼您將會損失。銀/金或新玩家。是真的,還是玩普通的多人遊戲會更好嗎?

因此,我在這些答案中看到了很多主觀的看法,而不是很多的“備份”。我並不是說這個問題是主觀的(還不錯),但我認為有些人需要從以下幾點中弄清答案:`計算機可以/不可以教給您X'為:`計算機可以/不可以教給您。您X,因為有ABC`
碰到了這個問題:答案簡直是一個固定的數字。瘋狂的AI作弊:RTS遊戲的很大一部分是判斷您的對手在軍隊/視覺/等方面的能力。瘋狂的計算機具有完整的地圖視野,並可以增加收入。浪費時間。
六 答案:
Aardvark
2010-12-07 01:11:42 UTC
view on stackexchange narkive permalink

與其他玩家對抗!〜

我堅信與其他玩家對抗以提高自己。由於對統計數據的壓力過大,許多玩家避免使用多人遊戲。簡單的事實是,即使是最好的玩家也只能贏得約60%的贏/輸。

牽線搭橋的本質是讓您與同等技能的玩家對抗,並且輸掉比賽不會丟人。與計算機進行比賽可能會幫助您正確安排時間,而您卻錯過了遊戲本身一個非常重要的部分:元遊戲。

元遊戲

元遊戲可以最好地描述為遊戲中當前的玩家風格和技術。測試版開始時,有3個兵營人族是“標準”開場。直到後來,可靠的1:1:1(從兵工廠到星港的營地)才是公認的策略。

遊戲的這種演變(由社區推動)導致了動態策略。知道並確定這些策略通常是體面的參與者和優秀的參與者之間的區別。

為什麼最好與其他玩家對抗

通過與計算機對抗,當您偵察對手時,您將無法識別並識別對手的身材。這些技能在各個級別的比賽中都是必不可少的!通過識別構築物,玩家便可以“期望”特定的軍隊組成或軍隊規模。在計算機上玩遊戲不會告訴您真正的玩家的時間安排,流行的製作方式和偵察。

讓我們舉個例子:社區如何看《失落的神殿》中的TvZ?當前,人族可以按1:1:1的比例放到雷爾之上,然後將其掉落在懸崖上,俯瞰虫族的天賦,從而對大多數玩家造成嚴重傷害。為什麼成功?目前,虫族已經接受了針對人族的早期孵化場相對安全。這種觀點(由元遊戲決定)已經開始波動!您只是不會在計算機上遇到這種事情。

瘋狂的計算機具有消除您的情報的優勢!

(瘋狂)上的敵方計算機在常規玩家中的聚集率提高,使得他們的策略無法實現對於普通玩家!大多數RTS都這樣做!由於玩家不斷發展以擊敗AI,因此遊戲開發人員通過編程和利用AI優勢來幫助他們提高競爭力。敵人的工人將7種礦物帶回去而不是5種,而是40%的收集獎勵。這40%的收集加成導致軍隊人數超過當時任何玩家都無法達到的水平。這會導致更多單位的更大推動力,並失去均勻遊戲的“感覺”。除此之外,瘋狂的AI不需要偵察您。儘管計算機不會像其他播放器那樣對您的構建做出反應,但它也不需要尋找您的“隱藏擴展”。如果您在地圖上只剩下一棟建築物,那麼瘋狂的計算機將直接走到該建築物(不進行偵查)。這絕對可以改變遊戲規則!與另一個玩家隱藏的單位建築結構(想到星際港口或黑暗神殿)可能是獲勝者和失敗者(如果進行偵查)之間的區別!

關鍵

這些優勢導致與一支規模更大,受過更多教育(偵察)的軍隊作戰。這可以幫助您改善一般機制:建築物佈置,不致於供應短缺或早期遊戲時機。但是,實際的遊戲方式差別很大,您最好與任何級別的人類對手進行比賽(即使他們對您沒有競爭)。真正的玩家會更加了解元遊戲的發展(無論他們是否知道),並且針對REAL策略進行練習是改進的唯一方法。

但是每一個梯子的損失都讓人感覺像冥王哈迪斯直接從我的靈魂中奪走了驕傲

也有解決方案!尋找練習夥伴來玩自定義遊戲。當你們倆都探索遊戲時,這將使您能夠改進(並讓他們改進)。但是,這樣做的真正好處是無需對記錄的梯形統計數據施加壓力的人與人策略。

希望獲得幫助!

您能否談談您的一些觀點?例如:“為什麼計算機不教您偵察的重要性”?您討論了很多有關如何不考慮元遊戲的問題,但沒有討論任何具體的示例。我並不是不同意我只是想讓您更多地闡明自己的觀點。
編輯...除了這些更改之外,我認為有必要澄清術語。
@tzenes完成,如果您可以查看一下,並告訴我是否錯過任何戲劇性的事情,我將不勝感激
@Aardvark就像白天和黑夜。我剩下的唯一要點是:我不確定Insane AI會通過偵查來作弊(當然,它的行為似乎並非如此);您可能想提到基於收集中的這種差異,計時如何“不同”。
Wikwocket
2010-12-07 03:18:04 UTC
view on stackexchange narkive permalink

在其他人提出的要點上,我將添加一個反論點:

IMO,與堅硬/瘋狂的AI對抗可以是應對強烈的早期搶先的不錯做法。

AI對手通常會採用1.5-2的強勁衝刺,如果您沒有做好準備,這將是毀滅性的。練習處理此方法可能會幫助您更好地防禦1v1、2v2和3v3多人遊戲中的衝動。許多玩家對早期搶注感到不安,因此AI的這一方面可能很有用。尤其是在2v2和3v3中,您經常會遇到像狂暴的AI一樣會遇到的緊急情況。

現在,即使是這樣,也要加一點鹽。 AI擅長執行急速的建造命令並很好地合併部隊,但是真正的玩家通常會採用更聰明的戰術,投擲,誤導,戰略撤退等。當然,對於AI而言,通常如果您能在第一次突擊中倖免於難,那麼遊戲就囊中羞澀了,因為AI有時會表現得好像不知道如果不能破牆怎麼辦。但AI只是為了讓人們對如何處理潛在的非常激進的遊戲有感覺,因此會很有用。

還有兩點要補充:我發現這是學習地圖的好方法(衝刺距離,偵察,只是總體佈局),也是檢查某種早期遊戲策略的穩定性的好方法。我不是在瘋狂地比賽,但是中後期的遊戲“非常努力”並不是很有挑戰性。我花了大約10場比賽就開始在叢林盆地ZvP上進行擴展,然後才發現它正確。現在,這是1v1中我最好的地圖。
sjohnston
2010-12-07 01:33:51 UTC
view on stackexchange narkive permalink

一個強大的玩家應該能夠在瘋狂狀態下擊敗AI,但是與該AI對抗並不一定會使您成為一名好玩家,並且可能會教給您不良習慣。

在防守端,您會由於AI所採用的策略數量有限,因此只能學習很多東西(並且正如aardvark所提到的,Insane AI的快速資源收集意味著採用類似策略的真正參與者仍將具有不同的時機或組成)。

在進攻端,您需要非常小心,不要發揮AI的弱點,因為在面對真正的球員更擅長應對的策略時,它常常會失敗。例如,赫斯基(Husky)進行了一場比賽,他在7場瘋狂的AI比賽中與Protoss進行比賽,並通過早期的圍牆和加農炮突擊獲勝,隨後僅是大型載具。

簡而言之,AI很有用培訓夥伴剛開始時,只要您了解其局限性即可。但是,如果您打算認真比賽並想變得良好,那麼您必須與現場對手進行很多比賽,因此您也可以直接參加比賽。

我喜歡“發揮AI的弱點”這一部分,但是您能否進一步擴展一下您為什麼對防禦學習不多,或者在防禦如此有限的情況下有多少策略。
使用Hard Zerg AI,您可以在沒有任何“戰鬥”單元的情況下在其爬蟲上構建脊柱爬蟲。為了做到這一點,值得一個1v3(所有虫族)。
smdrager
2010-12-07 02:01:34 UTC
view on stackexchange narkive permalink

它將幫助您學習基礎知識並建立APM(每分鐘的操作數)。它還可能教導軍隊組成的重要性。除此之外,它對於所有策略都沒有用。 AI成為可預測的,遊戲將一遍又一遍地迅速遵循相同的公式。他們也不會非常微弱。

所以是的,起初會為您提供幫助,但是您的成長會受到限制。

您在這裡說的是一些話,但沒有提供證據說明為什麼會這樣。如果沒有以下內容,則類似“它將幫助您學習基礎知識”這樣的語句是毫無意義的:哪些基礎知識?以及如何幫助您學習它們?
Satanicpuppy
2010-12-07 02:27:04 UTC
view on stackexchange narkive permalink

與計算機對戰會使您在對抗其他玩家時變得更糟,而不是更好。

計算機實際上只能發揮一種作用:製造大量單位,並用它們擊敗您。他們將超越您,他們將在APM中擊敗您。因此,要擊敗計算機,您就要加強技術。您試圖使它們勝於其他,它之所以起作用,是因為它們在發現薄弱點時非常糟糕。您建立了一個運營商/ BC艦隊,並擊中了他們的基礎設施,甚至將其投入運營,由於他們仍然專注於1.5層,因此毫無疑問地將它們滾了過來。

這永遠不會對付勝任的人員人類。它們會擴張,然後再進行技術改造,當您從堅不可摧的導彈塔樓中出來時,它們會以空對空的方式摧毀您的昂貴機隊。那將是遊戲。

Tommy D
2012-03-14 20:56:45 UTC
view on stackexchange narkive permalink

如果您遇到宏問題,計算機可以為您提供幫助。您還可以使用計算機在壓力較低的環境中練習偵察。

如果您的問題嚴格地具有戰略意義,那麼您應該閱讀論壇以找出解決問題策略的方法,並找到願意的實踐夥伴。在您掌握策略之前對您採取這種策略。如果您找不到練習夥伴,則可以隨機排隊並希望獲得最佳成績。

如果您的宏觀習慣是好的,那麼您應該相對較快地掌握新策略。如果您的宏太糟糕了,那麼就可以玩ai til,這樣您就可以不斷構建而不會丟失探針和塔架。



該問答將自動從英語翻譯而來。原始內容可在stackexchange上找到,我們感謝它分發的cc by-sa 2.0許可。
Loading...