Pseudo-random algorithm: prd and rsa based

計(jì)算機(jī)產(chǎn)生的大多數(shù)隨機(jī)數(shù)都是偽隨機(jī)數(shù)。是按照分布概率產(chǎn)生隨機(jī)數(shù)字的過程,數(shù)字在概率分布上滿足隨機(jī)要求,但實(shí)際上是計(jì)算機(jī)通過隨機(jī)函數(shù)模擬產(chǎn)生的。生成的方法包括直接法逆轉(zhuǎn)法接受拒絕法等。本篇要介紹的是prd偽隨機(jī)算法基于rsa的偽隨機(jī)算法

Pseudo Random Distribution

這種偽隨機(jī)算法在游戲中的應(yīng)用非常廣泛。游戲希望角色間應(yīng)互相制衡,同時(shí)為增加游戲的不確定性,故引入了隨機(jī)概念,如暴擊率、回避率等都是一個(gè)隨機(jī)概率的表現(xiàn)。prd偽隨機(jī)算法能夠盡量使觸發(fā)事件的情況均勻地分布在多次事件中,從而避免了連續(xù)多次的暴擊或回避,也可以減少長時(shí)間不暴擊情況的發(fā)生。

實(shí)際上Pseudo Random Distribution是來自Warcraft3引擎,同時(shí)在dota2中得到了發(fā)揚(yáng)。prd偽隨機(jī)算法是計(jì)算觸發(fā)角色特殊能力的概率的算法。對于普通的偽隨機(jī)算法,我們能夠發(fā)現(xiàn),每次觸發(fā)事件的概率都相同。但對于prd偽隨機(jī)算法而言,每次觸發(fā)事件的概率卻不相同,它會(huì)隨著暴擊事件或非暴擊事件的觸發(fā)而改變。但在均攤概率上來說,卻是滿足角色能力要求的,也是滿足隨機(jī)概率要求的。

一定程度上prd算法改善了暴擊的發(fā)生的頻次和分布,使其更為均勻,從而保證了游戲的公平性和趣味性。

具體實(shí)現(xiàn)

  • prd的工作機(jī)制大致如下:觸發(fā)事件的概率會(huì)隨著未觸發(fā)事件發(fā)生的次數(shù)增加而增加,直到100%。另一方面,當(dāng)觸發(fā)一次事件后(如暴擊事件),緊接著下一次動(dòng)作觸發(fā)事件的概率會(huì)明顯地低于平均概率p,這也是為了防止多次觸發(fā)事件。
  • 實(shí)驗(yàn)發(fā)現(xiàn),采用prd偽隨機(jī)算法和普通的偽隨機(jī)算法,后者多次連續(xù)觸發(fā)事件的概率高于前者,也就是說,prd算法試驗(yàn)中“極為幸運(yùn)”或“極為不幸”的事件很少發(fā)生。但對于總體而言,二者的均攤概率是相同的。
  • 如未觸發(fā)事件,每次的增量概率應(yīng)該是游戲中預(yù)先計(jì)算好的,保存在一張表中。之所以不在游戲中計(jì)算,是因?yàn)閜rd算法獲得增量概率的計(jì)算量和所需時(shí)間要多余普通的隨機(jī)算法。在Warcraft3中增量概率步長為5%,但這對觸發(fā)概率大于15%的事件而言是不正確的。
  • 對于有些動(dòng)作是不能出發(fā)概率增加的,如對防御塔的攻擊。

wiki中給出了prd的計(jì)算結(jié)果表。

P(T) P(A) C Max N Most Probable N Average N SD SDt
5% 5% 0.00380 264 16 20.00 10.30 19.53
10% 10% 0.01475 68 8 10.00 5.06 9.50
... ... ... ... ... ... ... ...
75% 63.2% 0.46134 3 2 1.58 0.57 0.96
80% 66.7% 0.50276 2 1 1.50 0.5 0.87

正如上表給出的結(jié)果。PT為理論概率,PA為實(shí)際均攤概率,C時(shí)prd常數(shù)(增量概率),Max N是達(dá)到100%所需次數(shù),Most Probable N為觸發(fā)事件最有可能的次數(shù),Average N是觸發(fā)事件平均次數(shù),SD為N的理論標(biāo)準(zhǔn)差,SDt為普通隨機(jī)算法的標(biāo)準(zhǔn)差。由此可見,該偽隨機(jī)算法一定程度上降低了離散程度,使得游戲更為公平

偽隨機(jī)與加密算法

網(wǎng)上看到可以用rsa生成偽隨機(jī)數(shù)。命題如下:如何生成1億個(gè)不重復(fù)的偽隨機(jī)數(shù)。顯然用普通的隨機(jī)算法效率太低。但仔細(xì)想來,生成偽隨機(jī)數(shù)如果不重復(fù)的話,就是一個(gè)打亂的過程。這就可以用到rsa這種目前被廣泛應(yīng)用的加密算法。

具體的操作步驟如下:

  • a = (b ^ c) mod (m * n);
  • (c * d) mod ((m - 1) * (n - 1)) = 1
  • b = (a ^ d) mod (m * n)

上式中,m、n、c為素?cái)?shù)。由第一條和第三條等式可以得出,a和b是一一對應(yīng)的映射。由此可以由有序的序列A={a1,a2,a3,...,an}派生出隨機(jī)序列B={b1,b2,b3,...,bn}。其中,m、n、c都是事先確定的常數(shù),它們滿足第二條等式,如m=3,n=5,c=3,滿足等式(3 * 3) mod (2 * 4) = 1。

不妨對2到9之間的數(shù)字生成偽隨機(jī)數(shù)。

2 3 4 5 6 7 8 9
8 12 4 5 6 13 2 9

對于這種生成不重復(fù)偽隨機(jī)數(shù)的方法有幾個(gè)前提要求。上面的m和n不能夠相同,也就是說它們必須是不同的素?cái)?shù)。同時(shí),d和(m-1)*(n-1)的最大公因數(shù)為1。

參考

本文參考了Pseudo-random distribution以及生成偽隨機(jī)數(shù)的超級算法

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
平臺(tái)聲明:文章內(nèi)容(如有圖片或視頻亦包括在內(nèi))由作者上傳并發(fā)布,文章內(nèi)容僅代表作者本人觀點(diǎn),簡書系信息發(fā)布平臺(tái),僅提供信息存儲(chǔ)服務(wù)。
  • 序言:七十年代末,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌,老刑警劉巖,帶你破解...
    沈念sama閱讀 230,527評論 6 544
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī),發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 99,687評論 3 429
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人,你說我怎么就攤上這事。” “怎么了?”我有些...
    開封第一講書人閱讀 178,640評論 0 383
  • 文/不壞的土叔 我叫張陵,是天一觀的道長。 經(jīng)常有香客問我,道長,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 63,957評論 1 318
  • 正文 為了忘掉前任,我火速辦了婚禮,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘。我一直安慰自己,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 72,682評論 6 413
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著,像睡著了一般。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 56,011評論 1 329
  • 那天,我揣著相機(jī)與錄音,去河邊找鬼。 笑死,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播,決...
    沈念sama閱讀 44,009評論 3 449
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 43,183評論 0 290
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 49,714評論 1 336
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 41,435評論 3 359
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 43,665評論 1 374
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情,我是刑警寧澤,帶...
    沈念sama閱讀 39,148評論 5 365
  • 正文 年R本政府宣布,位于F島的核電站,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 44,838評論 3 350
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧,春花似錦、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 35,251評論 0 28
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 36,588評論 1 295
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留,地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 52,379評論 3 400
  • 正文 我出身青樓,卻偏偏與公主長得像,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 48,627評論 2 380

推薦閱讀更多精彩內(nèi)容

  • 很多人玩 Dota 的時(shí)候總說,臉太黑了,劍圣都不暴擊,暴擊的話對面英雄就帶走了,但是暴擊真的看臉嗎?其實(shí)不然,當(dāng)...
    瑜公瑾閱讀 17,735評論 8 28
  • 一、實(shí)驗(yàn)?zāi)康?學(xué)習(xí)使用 weka 中的常用分類器,完成數(shù)據(jù)分類任務(wù)。 二、實(shí)驗(yàn)內(nèi)容 了解 weka 中 explo...
    yigoh閱讀 8,622評論 5 4
  • 國慶期間8天19城發(fā)布限購限貸一系列政策,在互聯(lián)網(wǎng)金融網(wǎng)貸行業(yè)同樣帶來了“蝴蝶效應(yīng)”:分流P2P網(wǎng)貸投資人數(shù),貸款...
    15bfb52fbe04閱讀 282評論 0 0
  • 姓名:劉小瓊 公司:寧波大發(fā)化纖有限公司 寧波盛和塾《六項(xiàng)精進(jìn)》第235期學(xué)員 【日精進(jìn)打卡第93天】 知~學(xué)習(xí) ...
    劉小瓊123閱讀 144評論 0 0
  • 知道他跟你打電話后第五天,這五天里我們每天都像往常一樣隨便的聊著,每一次我都想問你他給你打電話干什么,可是我不敢,...
    眼前不是你閱讀 187評論 0 0