从（几乎）随机数据中找到最佳结果的方法

Question

所以我正在为我玩的游戏开发一些计算器——为了好玩，它需要不同的技能，不同的冷却时间、使用时间、可以使用的百分比等等......

到目前为止，我通过分析基础数字来做到这一点，无论我拥有多少能力，例如假设我在 4 秒内使用了 5 个能力：

0000：60 伤害（使用技能 0，尝试再次使用但失败 - 所以返回 0 技能伤害）

0001：60 伤害

跳过一些...

0101: 200 伤害

又...

4444：70 伤害。

进程终止。 - 希望这是有道理的。

问题是，以蛮力执行此操作适用于小时间（如上）和数量或能力，但在更高的时间和能力数量上，它运行分析数万亿次模拟，这意味着蛮力不再成为一种选择。

问题是，考虑到数据大多是随机的，是否有任何启发式算法（所有人都认为可能不会返回最优）会返回相对较好的结果。

感谢您的任何回复:)

Answer 1

让我换个说法以确保我理解正确：您想找到最佳的技能顺序，考虑到它们各自的伤害和冷却时间，这样每次只使用一种技能，并且没有比使用频率更高的技能冷却时间允许。如果是这样，这是一种调度问题，一种解决方法是通过linear programming。

粗略的思路是引入n_skills * simulation_length变量x[skill][time]，每个约束在0和1之间，解释为“使用技能skill在时间time if x[skill][time] == 1, don't use if @ 987654328@"。现在，在额外的线性约束下（通过类似numpy 的伪代码解释），根据他们的技能造成的伤害来优化所有变量的总和，sum(x[skill][:] * damage[skill] for skill in skills)：

1. 每次t，sum(x[:][t]) <= 1（每次最多可以使用一种能力）
2. 每个技能a和时间t0sum(x[a][t0-cooldown(a):t0+cooldown(a)] <= 1（在其冷却期内，您最多只能使用一次技能）

现在棘手的部分是，虽然这会为您提供某种意义上的最佳解决方案，但它很可能不是物理，即您将得到分数xs。这就是启发式部分的作用，您必须找到某种方法将解决方案“四舍五入”为整数，在此过程中失去客观价值，使其在物理上（游戏盟友）有意义。一种方法是只保留x[a][t] == 1，并将所有其他数字四舍五入为零。它会给出一个有意义的解决方案，但它可能不是很令人满意（即你的角色几乎什么都不做）。鉴于我的问题模型非常简单，我希望有一些关于如何进行良好舍入的理论结果。

虽然我可以建议 scipy package 在线性规划制定后解决它，但构建约束矩阵和舍入结果（即使是微不足道的）的整个问题并不是初学者级别的编程任务。