Download - LOM- 領隊導向多人連線遊戲自動匹配演算法

1

LOM- 領隊導向多人連線遊戲自動匹配演算法

Adaptive Computing and Networking Lab

National Central University

Department of Computer Science and Information Engineering

研究生 : 宋管翊指導教授 : 江振瑞博士2013/07/11

2

OUTLINE

序論相關研究提出方法

問題定義解法

模擬結論

Adaptive Computing and Networking Laboratory

3

序論多人連線遊戲 (Multiplayer Online Games)

讓多位玩者 (Players) 透過網路，連線在一起進行遊戲的一種遊戲模式。玩者之間的互動種類有：

敵對 (Rivalry) 競爭 (Competition) 合作 (Partnership)


知名多人連線遊戲 Uncharted 3 : Drake’s Deception

4

序論自動匹配 (Matchmaking)

在多人連線遊戲中，其定義為：將多位玩者匹配在一起，共同進行遊戲的過程。


Matchmaking

‧‧‧‧

Lobby 1 Lobby 2 Lobby N

‧‧‧‧

5

序論現存二大匹配玩者準則：

Connection Based 將互相連線速度較快的玩者匹配在一起進行遊戲。

Skill Based 將技能評分 (Skill Rating) 較接近的玩者匹配在一起進行遊戲。



‧‧‧‧


‧‧‧‧

6

序論本論文針對玩者互動種類中的合作 (Partnership) ，提出一項新的玩者匹配

準則： Association Based

將一群關聯度高的玩者匹配再一起進行遊戲。例如：

玩者過去互動的緊密程度。玩者的默契高低。玩者個人檔案 (profile) 的相關程度。



‧‧‧‧

7

序論並依 Association Based 玩者匹配準則，提出一項自動匹配演算法 Leader-

Oriented Matchmaking(LOM) ：使用到 Minimum Cost Maximum Flow 演算法的概念。以最佳化的方式去匹配系統中的玩者。亦可套用於 Connection Based 與 Skill Based 準則中去匹配玩者。


‧‧‧

8

相關研究 Matchmaking for Online Games and Other Latency-Sensitive P2P Systems

發表於 2009 年 SIGCOMM ’09 使用球體狀的維瓦第網路座標系統，來估計玩者之間的互相連線速度。

Beyond Skill Rating: Advanced Matchmaking in Ghost Recon Online 發表於 2012 年 Computational Intelligence and AI in Games, IEEE Transactions 從玩者的個人檔案 (Profile) 與記錄檔 (Log) 取出一些資訊，再將之代入類神經網路模型中，來

預估出他和各玩者進行比賽的勝率是多少，再將一群勝率接近 0.5 ： 0.5 的玩者匹配在一起進行遊戲。


9

提出方法 ( 問題定義 ) 系統中有 n 位玩者想進行遊戲。此遊戲需要玩者分成若干隊。


‧‧‧‧‧

n

10

提出方法 ( 問題定義 ) 每一隊皆需 i 人。


‧‧‧

‧‧‧

‧‧‧

i人

i人

i人

11

提出方法 ( 問題定義 ) 我們先從 n 位玩者中推派 k 個隊長，其中 k=


‧‧‧

n

‧‧‧

k n-k

12

提出方法 ( 問題定義 ) 每位隊長需在這 n-k 位剩下的玩者中各選出 i-1 位來當自己的隊員。


‧‧‧

n

‧‧‧

k n-k

13

提出方法 ( 問題定義 )


‧‧‧

n

‧‧‧

k n-k

‧‧ ‧‧

‧‧

每位隊長和隊員間皆存在可以代表他們之間關聯度高低之值，稱為 Association Factor ，值愈小代表關聯度愈高。

14

提出方法 ( 問題定義 ) 因此我們的目標為：

1. 為每位隊長分配 i-1 位隊員。 2. 最小化系統中之 Association Factor 的平均值。


‧‧‧ ‧‧‧ ‧‧‧

i-1 i-1 i-1

‧‧‧

15

提出方法 ( 解法 ) 先讓隊長和隊員節點形成一完全二分圖 (Complete Bipartite Graph) 。再新增二個虛擬節點 S 和 T ，讓 S 去連到所有隊長， T 去連到所有隊員。


‧‧‧

‧‧‧

Fully Connected

S T

‧‧‧

‧‧‧

16

提出方法 ( 解法 ) 定義邊上的權重值為二維向量 (CP,AF) 。其中：

CP= 此邊可容納的網路流量。 AF(Association Factor)= 兩節點間的關聯度。

有了下圖後，我們可將之視為 Minimum Cost Maximum Flow 的問題。


‧‧‧

‧‧‧

S T

‧‧‧

‧‧‧

(i-1, 0)

(i-1, 0)

(i-1, 0)

(1, 0)

(1, 0)

(1, 0)

(1, 0)

(1, AF)

(1, AF)

(1, AF)

(1, AF)

(1, AF)

(1, AF)

‧‧‧

17

提出方法 ( 解法 ) 我們以 S 為流量網路的起點， T 為流量網路的終點。用 Successive Shortest Paths Algorithm 解之。

每次從剩餘網路 (Residual Network) 找出一條從 S 到 T 中成本最低的路徑，並沿著它送出一條最大且可容納於此路徑的網路流，再來更新剩餘網路的資訊，直到從剩餘網路中找不到一條可以從 S 通到 T 的路徑為止。

已被證明可得最佳解。例如：


S T

Flow Network

(0/2,0)

(0/2,0)

(0/1,1)

(0/1,2)

(0/1,10)

(0/1,20)

(0/1,12)

(0/1,10)

(0/1,100)

(0/1,200)

(0/1,0)

(0/1,0)

(0/1,0)

(0/1,0)

S T

Residual Network

(2,0)

(2,0)

(1,1)

(1,2)

(1,10)

(1,20)

(1,12)

(1,10)

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1,0)

18





S T

Flow Network

(0/2,0)

(0/2,0)

(0/1,1)

(0/1,2)

(0/1,10)

(0/1,20)

(0/1,12)

(0/1,10)

(0/1,100)

(0/1,200)

(0/1,0)

(0/1,0)

(0/1,0)

(0/1,0)

S T

Residual Network

(2,0)

(2,0)

(1,1)

(1,2)

(1,10)

(1,20)

(1,12)

(1,10)

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1,0)

(1/2,0)

(1/1,1)

(1/1,0)

(1,0)

(1,0)

(1,-1)

(1,0)

19





S T

Flow Network

(0/2,0)

(0/1,2)

(0/1,10)

(0/1,20)

(0/1,12)

(0/1,10)

(0/1,100)

(0/1,200)

(0/1,0)

(0/1,0)

(0/1,0)

S T

Residual Network

(2,0)

(1,2)

(1,10)

(1,20)

(1,12)

(1,10)

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1,0)

(1/2,0)

(1/1,1)

(1/1,0)

(1,0)

(1,0)

(1,-1)

(1,0)

(2/2,0)

(1/1,2)

(1/1,0)(2,0)

(1,-2)

(1,0)

20





S T

Flow Network

(0/2,0)

(0/1,10)

(0/1,20)

(0/1,12)

(0/1,10)

(0/1,100)

(0/1,200)

(0/1,0)

(0/1,0)

S T

Residual Network

(2,0)

(1,10)

(1,20)

(1,12)

(1,10)

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1,0)

(1/1,1)

(1/1,0)

(1,-1)

(1,0)

(2/2,0)

(1/1,2)

(1/1,0)(2,0)

(1,-2)

(1,0)

(1/2,0) (1/1,10)

(0/1,2)

(1/1,0)

(1/1,10)

(1,0)

(1,0)

(1,-10)

(1,2)

(1,-10)

(1,0)

21





S T

Flow Network

(0/1,20)

(0/1,12)

(0/1,100)

(0/1,200)

(0/1,0)

S T

Residual Network

(1,20)

(1,12)

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1/1,1)

(1/1,0)

(1,-1)

(1,0)

(2/2,0)(1/1,0)

(2,0)(1,0)

(1/2,0) (1/1,10)

(0/1,2)

(1/1,0)

(1/1,10)

(1,0)

(1,0)

(1,-10)

(1,2)

(1,-10)

(1,0)

(2/2,0)

(1/1,12)

(0/1,1)

(1/1,20)

(1/1,0) (2,0)

(1,1)

(1,-20)

(1,-12)(1,0)

22





S T

Flow Network

(0/1,100)

(0/1,200)

S T

Residual Network

(1,100)

(1,200)

(1,0)

(1,0)

(1,0)

(1/1,0) (1,0)

(2/2,0)(1/1,0)

(2,0)(1,0)

(1/1,10)

(0/1,2)

(1/1,0)

(1/1,10)

(1,0)

(1,-10)

(1,2)

(1,-10)

(1,0)

(2/2,0)

(1/1,12)

(0/1,1)

(1/1,20)

(1/1,0)(2,0)

(1,1)

(1,-20)

(1,-12)(1,0)

23

模擬比較對象：

L2M Greedy M2L Greedy Random

比較方式執行結果的好壞。執行時間之複雜度。


‧‧‧

‧‧‧

L2M Greedy‧‧‧

‧‧‧

M2L Greedy

‧‧‧

‧‧‧

Random

24

模擬隊員和隊長間之關聯度呈平均分佈 (Uniform Distribution) 。


25

模擬隊員和隊長間之關聯度呈常態分佈 (Normal Distribution) 。


26

模擬各演算法的執行時間複雜度。

為何 LOM 需要 ? Successive Shortest Paths Algorithm 在 LOM 中 : : 總網路流量數 : 總邊數 : 總點數


27

模擬各演算法的執行時間模擬結果。硬體規格為：

AMD Phenom(tm) 9650 Processor 2.41 GHZ、 2.00 GB Memory、Windows XP32 bits


28

結論在此論文中，我們首先提出了一項新的應用於自動匹配的玩者匹配準則，稱

為 Association Based ，並依此準則提出了一項新的自動匹配演算法 Leader-Oriented Matchmaking(LOM) 。

在 Association Based 中，關聯度較高的玩者被匹配在一起進行遊戲。 LOM 使用到 Minimum Cost Maximum Flow 演算法的概念，以最佳化的方式

去匹配系統中的玩者。我們做了模擬與分析，發現 LOM 能產生最佳的平均關聯度，但執行時間複雜

度較高。


29

Q&A

Thank you for listening and participating.


Download - LOM- 領隊導向多人連線遊戲自動匹配演算法

Top Related