小组成员：周威 李孟阳 陈子豪
引言
心流体验是众多游戏设计师期望玩家游玩游戏时达到的体验，而达到心流体验，需要玩家的技能和游戏的难度相匹配。玩家通过游玩游戏，提高技能水平，并挑战更难的游戏内容，从而逐渐加深心流。为了使玩家达到心流体验，游戏设计师一方面需要对玩家开始游玩游戏的技能水平以及游玩游戏过程中技能水平的变化做到足够了解，另一方面需要对游戏的总体难度以及难度变化做到足够把控。由于玩家技能水平存在差异，且玩家在游玩过程中技能水平也在发生变化，故游戏的难度也需要有所调节，才能与玩家的技能水平更好的持续匹配。
传统的游戏设计过程中，难度调节是人工的。游戏设计师根据对玩家技能水平的划分以及对游戏难度的认识，利用游戏设计理念以及积累的经验，经过反复测试，使游戏难度达到比较好的调节。如今，随着计算机技术的飞速发展，游戏自适应难度调节逐渐成为游戏设计者可选的另一种方法。自适应难度调节，即计算机通过采集玩家的信息，判断玩家的技能水平，并利用内在算法自动调节游戏的难度，从而使其更好的匹配玩家的能力。与人工难度调节不同，自适应调节需要面对信息采集、编码、建模、算法选择等诸多问题，这也是研究者们所致力于研究的。
本课题根据游戏客体的三个元素（NPC行为，游戏阻碍，游戏机制）探讨了游戏自适应难度调节与人工难度调节各自的特点，并进行了对比与分析，意图为游戏设计师在面对自适应难度调节和人工难度调节这两种方法时，对其使用有更清晰的认识。
基于游戏NPC行为的难度调节
NPC是非玩家游戏角色，现在泛指游戏中不由玩家控制的角色。NPC不仅承担着游戏内某些功能，而且是玩家与游戏交互的重要途经。游戏NPC行为是NPC设计的一个重要组成部分。通常NPC行为因为不同游戏的差异，各有不同的类型，比如第一人称射击类游戏比如使命召唤，NPC行为就包括敌人的移动，攻击等；运动类游戏中比如实况足球，NPC行为就包括友方的接球，传球以及对手的阻拦等。根据心流理论提出的挑战与技能模型，当游戏内设置的挑战难度刚好大于玩家的技能水平时，玩家会进入心流状态，产生最佳的游戏体验。因此当玩家玩一个游戏时表现出过高或过低的技能水平时，可以通过调整游戏NPC的相关行为，使挑战难度与玩家水平相匹配，使玩家获得长时间的心流体验。本章将重点分析并对比基于游戏NPC行为的自适应难度调节和人工难度调节。
自适应难度调节
目前基于游戏NPC行为的游戏自适应难度调节领域中，普遍采用的方式是通过某种具体算法实现特定NPC行为。这个机制的最终目标是使游戏NPC行为带来的挑战难度与玩家的水平差异最小化。因此第一个目标是对NPC各种不同的行为进行分析，就是说表示或计算出NPC的每个行为产生的结果，最终得到一种NPC行为对游戏难度产生的影响的评价标准。不同游戏NPC的设置区别很大，因此使用的分析方式与产生的评价标准也不同。第二个目标是对玩家的水平进行动态的量化，玩家的每一步操作都会作为玩家水平的量化依据。现有的玩家水平量化方法有两大类，一种是经验式的，从玩家的行为出发来看结果，比如评分系统，按照一局游戏累计得分的高低判断玩家水平的高低；另一种就是导向式的，从产生的结果出发衡量玩家，比如围棋AI，根据玩家每一步棋对应最终结果胜率判断玩家水平的高低。这样NPC行为和玩家水平都可以进行梯度划分。自适应难度调节算法就是动态地匹配，并尽可能地降低两者的差异化。
Olesen等人[1] 在实时策略游戏Globulation 2中使用了一种增强拓扑的神经进化的算法来生成NPC行为，可以用来实时地适应玩家技能水平。他们使用了一个RTS游戏专家提出的定量度量法划分了挑战的难度，并由此设计了游戏中基于规则的AI。他们还使用了一种简洁的实时学习机制(rtNEAT)，大约每12秒评估一次种群（即游戏内的NPC）对rtNEAT的适合度。结果表明基于rtNEAT的自适应难度调节机制明显优于游戏本身的AI机制。Nakagawa等人[2]制作了以一个完全基于玩家预期表现的格斗游戏，他们这个游戏内的自适应难度调节模块唯一的输入就是NPC和玩家的综合表现。这个游戏NPC采用启发式算法根据玩家状态变换判断是否会被对手攻击，并使用KNN算法预测所有可能的博弈状态并处理下一秒遭到攻击后的结果。最终NPC可以依据玩家强度实时调整自己的技能等级。
人工难度调节
基于游戏NPC行为的人工难度调节也是为了解决游戏难度与玩家匹配的问题，他们也会对NPC的各种行为进行分析与设计。但是人工难度调节几乎不会对玩家进行量化分析，他们关注的重点只是NPC行为与游戏难度之间的关系。通常的方式是游戏设计者对目标玩家按照玩家类型进行分类，比如硬核玩家，普通玩家，休闲玩家等，然后固定地设定好对应的游戏难度。人工难度调节往往是游戏设计者按照自己的观点或经验，在游戏开始前就对不同难度中的游戏NPC行为做好规划。最后由玩家自行选择适合自己的难度版本。
比如恐怖解密式游戏层层恐惧，在游戏开始前，玩家可以选择简单，普通，困难三种模式。不同模式中敌人NPC的设定逻辑不同，简单模式下敌人NPC移动速度迟缓，几乎不会主动攻击玩家；而困难模式下敌人NPC移动迅速，攻击欲望强烈。比如沙盒生存式游戏慢慢长夜，玩家可以选择扮演朝圣者，航行者，潜行者，入侵者，这些角色分别对应新手/喜欢探索的玩家到达人/生存游戏经验丰富的玩家。游戏内友方NPC提供的物资和帮助，敌方NPC野兽凶猛程度在不同划分难度下都不同。人工难度调节需要游戏设计者对游戏有着明确的把握，基于游戏NPC行为的人工难度调节更是需要设计者非常熟悉游戏NPC行为的各种效果。
对比与分析
上文分析了基于游戏NPC行为的自适应难度调节与人工难度调节所需要完成的目标，并分别举例分析了采用的方式方法。自适应难度调节和人工难度调节都需要考虑游戏NPC应该怎么设计，并实现游戏NPC行为与游戏难度的映射。两者的目标都是要尽可能实现游戏难度与玩家水平相符合。但是自适应难度调节需要进行玩家建模，动态地分析玩家的行为操作，实现动态的玩家水平分类。
人工难度调节相比自适应难度调节应用更加广泛，市场上大部分游戏都采用了基于游戏NPC行为的人工难度调节方式。这种现象的原因也很直观，因为基于游戏NPC行为的人工难度调节相比自适应难度调节开发成本较低，实现步骤较少，设计难度也不大。但人工难度调节完全是由设计者来控制的，可以说在玩家玩到游戏前，难度调节的实现跟玩家没有什么关系。这有可能导致最终实现的难度划分并不符合玩家的水平。
自适应难度调节是难度调节领域中的新兴技术，是未来游戏设计发展和相关研究的新趋势。自适应难度调节可以动态地分析确定玩家的水平，并实时地调整NPC行为，控制挑战难度略高与玩家技能，使玩家得到最优的心流体验。但自适应难度调节仍处于发展阶段，技术还未成熟与普及。自适应难度调节产生的NPC行为虽然具有实时适应玩家的优点，但产生的行为方式较为固定，缺乏多样性，这样反而可能会降低玩家的沉浸感。
基于游戏阻碍的难度调节
玩家游玩游戏必然具有某种游戏目标，比如到达某个地点，收集某些物品，战胜某些敌人，等等。而玩家达成游戏目标的过程往往具有各种各样的阻碍——玩家通过攻克这些阻碍，最终达成目标。攻克阻碍和达成目标，构成了游戏的核心乐趣之一。攻克阻碍的难度，构成了玩家游玩游戏的难度要素。对于不同的玩家，一方面，从共时性角度来看，由于其技能有所差异，游戏中特定位置的固定阻碍难度可能会超过或低于其实际能力，从而不利于其产生心流体验。另一方面，从历时性角度来看，在游玩过程中，玩家的技能水平往往会随着攻克阻碍积累经验而逐步提升，这使得游戏流程中的阻碍难度总体上需要持续提高，从而保证其随游戏流程能够适应玩家水平，带来持续不断的心流体验。本章将重点分析并对比基于游戏阻碍的自适应难度调节和人工难度调节。
自适应难度调节
基于游戏阻碍的自适应难度调节可以同时处理共时性和历时性难度调节问题。它要解决两个核心问题：如何量化游戏阻碍的难度，以及如何让游戏阻碍的难度与玩家的技能水平相匹配。可以看出，这是一个模式匹配问题，故其主要方法是根据玩家的游玩行为与反馈，将其作为数据集提供给算法，使算法学习出特定玩家行为下最匹配的游戏阻碍。注意，尽管之后的模式匹配是自动的，但是阻碍难度的量化更多使用了人工设计的量表，并根据量表设定合适的难度区分数值。而且，阻碍的基本单元是需要设计者人工设计的，算法往往只负责自动的布置这些基本单元。
模式匹配的算法通常使用机器学习中常见的分类算法即可，比如Logistic Regression，SVM，KNN等，或者使用普通的人工神经网络。基于游戏阻碍的自适应难度调节研究的核心不是研究分类算法（这属于算法研究领域），而是如何更准确地描述玩家行为。玩家行为的表现丰富多样，可以表现在玩家的按键输入、游玩时间、交互操作等日志信息中，也可以通过物理设备采集玩家的眼动、心率、脑波等。其中，最容易被量化且定义其意义的指标就是游玩时间和玩家交互，玩家面对一个阻碍消耗的时间越多，与环境内的物体或NPC交互次数越多，往往说明这个阻碍比较困难，需要耗费更多精力。例如， Sorenson等[3]就将《超级马力欧兄弟》类的平台跳跃游戏的难度衡量为水平停顿的频率以及给定时间内达到的最高高度，并基于此利用有监督的机器学习算法来区分关卡设计。利用训练好的分类器，系统可以自动生成关卡并通过分类器筛选合适的关卡。Berseth等[4]则为迷宫类游戏设计了简单的机器人模拟玩家可能的寻路行为，以玩家与场景内障碍与NPC的交互频率来衡量难度。
人工难度调节
基于游戏阻碍的人工难度调节也可以解决共时性和历时性两个方面的难度调节问题，但两类问题解决思路不同。共时性角度而言，游戏设计师通过将玩家分为若干类（如硬核玩家、普通玩家、休闲玩家），提供多类游戏难度。玩家需要根据自己对游戏目标的期望自行选择难度，使自身技能和阻碍难度相匹配。多数3A类的角色扮演游戏都有类似设计。历时性角度而言，游戏设计师通过强调精准分析玩家在游玩过程中的可能行为来设计关卡流程，引导玩家学习并提升技能的同时随游玩时间设计游戏难度。这也是关卡设计需要遵守的基本规则。
人工难度调节的本质仍然是模式匹配，只不过这一匹配并非计算机自动识别，而是需要设计者对模式有着清晰的认识和把控。仍然以《超级马力欧兄弟》类的平台跳跃游戏为例，设计者需要把握每一关中玩家需要掌握的技能，在合适的点位通过练习的方式使玩家学习这种技能以及该技能适用的范畴（即学习技能-适用情形的模式匹配），并逐步迭代，使玩家学习更多更难的技能。
对比与分析
上文详细探讨了基于游戏阻碍的自适应难度调节与人工难度调节的核心问题。对比之下可以看出，两者需要解决的问题相同，都是如何让玩家能力与阻碍难度达到更好的模式匹配。它们都能解决共时性与历时性的难度调节问题，因此都是进行游戏阻碍难度调节的优秀手段。
就自适应难度调节而言，自适应难度调节的优势在于对游戏设计者的设计能力要求较低，只需设计游戏阻碍的基本单元即可，更细节的设计交给算法负责处理。同时，对于共时性难度调节，自适应难度调节可以更平滑的为各个玩家定制更细粒度的难度体验，从而更容易产生心流效果。自适应难度调节的劣势在于对玩家行为的建模要求较高，需要收集或生成大量玩家数据以供机器训练。目前来看，基于游戏阻碍的自适应难度调节仍需要不少的人工成本。
就人工难度调节而言，人工难度调节的优势在于其设计比较灵活，有更清晰的设计思路，利于设计师进行迭代与扩展。人工难度调节的劣势在于对游戏设计者的设计能力要求较高，如果不能准确把握玩家行为则可能构成失败的设计。另外，人工难度调节中阻碍难度的区分粒度较大，较难为玩家做出更精细化的难度分级。
基于游戏机制的难度调节
游戏是一个系统。在游戏中，系统的运作规律被称之为游戏机制。游戏机制约束了玩家在游戏中的行为范畴，其中包括了玩家可以采用的操作，以及玩家从游戏中可以获取的信息。这些要素构成了玩家在游戏中面对的挑战。根据心流理论，相对玩家水平而言恰到好处的挑战可以带来优秀的玩家体验。若是想创造优秀的游戏体验，则需要游戏机制提供一个难度恰到好处的挑战。因此，我们可以通过控制游戏机制来产生优秀的体验。
下文中重点阐述的游戏机制的范围为覆盖游戏全程的运作模式，而不是简单的处于一个时间区域或空间区域的内容。这些内容控制了游戏的全局挑战水平。从机制的类型出发，基于游戏机制的难度调节主要可以从两个方面入手：基于游戏系统内部的调节以及基于玩家获取信息的调节。
自适应难度调节
目前基于游戏机制的自适应游戏难度调节的可行实践很少。目前可以追溯到的尝试有Georgios N. Yannakakis等人在2010年发表的关于游戏视角控制的论文[5]。文中阐述了一个在游戏体验高度依赖游戏摄像机视点的游戏类型中，通过玩家的生物学指标修改摄像机位置改善游戏体验的方案。在此例子中，研究者采用物理设备提取了游戏中玩家的生物学信息，并使用遗传演化神经网络进行特征提取，给出了针对不同玩家的视点调整方案。这种自适应难度调节局限性很大，既需要采集生物学指标，同时给出的调整方案也比较特殊，难以推广到一般情形。
人工难度调节
基于游戏机制的人工难度调节中主要针对的是游戏的经济系统。多数游戏选择通过调节经济系统中资源的转换量来提高或降低游戏难度。但是这些难度调节方法都是由设计者给出的，并且大多依附在玩家自选难度的系统之中。
与自适应难度调节不同的是，基于游戏机制的人工难度调节的例子很多。以《席德·梅尔的文明5》为例，在不同的游戏难度下，玩家和AI采用的经济系统具有显著差别。在较低难度下，玩家的生产力、食物、科技点数等数值有一个额外的倍数，在这些倍数加成下玩家的经济会产生极大的优势，大幅降低游戏难度；反之在高难度下，AI采用的经济系统的各项数值有一个额外的倍数，同时玩家的经济系统中的一个核心数值快乐度还被额外以固定数值削弱，提高了游戏难度。在游戏《杀戮尖塔》中，玩家在普通难度获得胜利后会解锁进阶难度，而进阶难度中玩家会获得一系列经济系统上的劣势，如商店中售卖的商品变贵，玩家的生命减少等。
上述这些游戏的难度调节都是基于难度系统设计的。在具有难度系统的游戏中，玩家可以在游戏开始时可以凭自己的意愿选择一个难度，之后游戏将一直以选定的难度进行（除非有临时或永久降低难度的选项）。这样的好处是游戏的机制层面的变动完全是由玩家自己的选择驱动的，玩家对这种选择带来的结果的负面情感相比于被动接受一个这样的设置产生的负面情感将大幅降低。而坏处就是设计者为此付出的成本普遍偏高。
对比与分析
上文探讨了基于游戏机制的自适应难度调节和人工难度调节。对于自适应难度调节，在基于游戏机制时进行的尝试较少；而对于人工难度调节则有较为广泛的应用。造成这样的结果的原因可能有两方面。
一是对于复杂系统而言，自动调节其数值的固有难度较高，相比内容生成类的自动调节而言，造成的游戏体验增幅不高，性价比普遍偏低。对于游戏这种复杂系统而言，对其内部数值的轻微修改有可能造成其输出的剧烈变化。而这种变化是难以预测的。对于人工智能而言，学习如何修改这样的系统所消耗的计算资源是巨大的。而对于玩家，这样的修改造成的游戏体验的变化相比新的游戏内容而言不明显，所以设计者采用自动调节的性价比偏低，其研究价值也就偏低。
另一点是对于玩家而言，通过游戏机制动态调节游戏难度在游戏进程中显得过于明显和刻意。实时调整游戏难度的最大挑战在于不要让玩家意识到难度已经被修改[6]。若玩家意识到难度已经被修改，玩家的沉浸感会立即被打破。而针对游戏机制的自动调节会在游戏进程中修改系统的内在数值，这很难让玩家忽视到这一点。与之相对的是，人工难度调节往往采用难度系统，这使玩家在正式开始游戏之前就已经被告知数值的变动，从而避免在游戏进程中游戏体验被破坏。
结论
通过在NPC行为、游戏阻碍、游戏机制三个方面的具体对比分析，本文给出了游戏自适应难度调节和人工难度调节各自的优缺点以及适用范畴。游戏设计师在面对某一类游戏难度的调节问题时，应该根据问题的具体内容、所持资源等，灵活的选用自适应难度调节或人工难度调节。随着计算机技术的持续发展，自适应难度调节的诸多劣势会逐步降低，未来自适应难度调节将在游戏设计领域有着更为广泛地应用前景。
参考文献
[1] J. Olesen, G. Yannakakis, J. Hallam (2008). Real-time challenge balance in an RTS game using rtNEAT. IEEE Symposium on Computational Intelligence and Games. 87–94.
[2] Y. Nakagawa, K. Yamamoto, R. Thawonmas (2014). Online adjustment of the ai’s strength in a fighting game using the k-nearest neighbor algorithm and a game simulator. IEEE 3rd Global Conference on Consumer Electronics (GCCE). 494–495.
[3] N. Sorenson, P. Pasquier, S. DiPaola (2011). A generic approach to challenge modeling for the procedural creation of video game levels. IEEE Trans. Comput. Intell. AI Games. 3(3), 229–244.
[4] G. Berseth, M.B. Haworth, M. Kapadia, P. Faloutsos (2014). Characterizing and optimizing game level difficulty. Proceedings of the Seventh International Conference on Motion in Games. 153-160.
[5] G. Yannakakis, H. Martnez, A. Jhala (2010). Towards affective camera control in games. User Model. User-Adap. Inter. 20(4), 313–340.
[6] G. K. Sepulveda, F. Besoain and N. A. Barriga (2019). Exploring Dynamic Difficulty Adjustment in Videogames. IEEE CHILEAN Conference on Electrical, Electronics Engineering, Information and Communication Technologies (CHILECON). 1-6.
