Mario encontra Pareto: otimização multiobjetivo de builds no Mario Kart

Encontrando a combinação ideal em Mario Kart 8

• Em Mario Kart 8, escolher o piloto, a carroceria do kart, os pneus e o planador não é só uma questão de estilo, mas um fator importante para vencer corridas.
• Há dezenas de opções para cada elemento, e cada uma delas tem estatísticas que afetam o desempenho, como velocidade e aceleração.
• Mesmo desconsiderando escolhas estéticas com estatísticas parecidas, ainda é difícil encontrar a combinação ideal entre milhares de possibilidades.

Otimização de Pareto

• Encontrar o piloto com a maior velocidade é tão simples quanto ordenar suas estatísticas de velocidade.
• Mas, para achar a combinação ideal, é preciso considerar o equilíbrio entre várias estatísticas, não só velocidade, mas também aceleração, dirigibilidade, peso, desempenho fora de estrada, mini turbo e outras.
• Algumas opções são sempre dominadas por outras, então é possível excluí-las e identificar os pilotos eficientes que formam a fronteira de Pareto.
• A eficiência de Pareto fornece um critério objetivo para filtrar escolhas não ideais, mas ainda é necessário considerar as preferências e o estilo do usuário para tomar a decisão final.

Otimização no jogo real

• No jogo real, é preciso escolher não apenas o piloto, mas o conjunto completo de carroceria, rodas e planador.
• Existem 585 combinações com atributos únicos de velocidade e aceleração, mas, aplicando o método de Pareto, isso pode ser reduzido a 14 opções eficientes.
• É possível generalizar o conceito de fronteira de Pareto para três dimensões ao adicionar uma terceira estatística importante: mini turbo.
• Em múltiplas dimensões, a fronteira de Pareto cresce exponencialmente à medida que o número de dimensões aumenta, tornando a escolha mais difícil.
• Para encontrar a combinação ideal, é preciso atribuir pesos a cada dimensão, e as combinações preferidas pelos jogadores de alto nível ficam na fronteira quando se otimizam velocidade, aceleração e mini turbo.

Problemas de otimização multiobjetivo

• Trade-offs parecidos também aparecem com frequência na vida cotidiana.
• Refeições baratas e saborosas, empregos bem pagos, fáceis e satisfatórios, carteiras com baixo risco e alto retorno, materiais flexíveis, resistentes e fáceis de fabricar, impostos justos e eficientes, e LLMs de alta qualidade, rápidos e com bom custo-benefício: em todos esses casos, enfrentamos problemas de otimização multiobjetivo.
• Se conhecermos os pesos exatos, isso pode ser simplificado para um problema de otimização de objetivo único, mas, quando a função de utilidade é incerta ou desconhecida, a fronteira de Pareto ajuda a eliminar objetivamente opções não ideais.

Agradecimentos

• Neste artigo, algumas premissas foram simplificadas para facilitar o entendimento do público.
• As estatísticas reais dentro do jogo nem sempre têm uma relação linear com as estatísticas básicas, e, embora existam 4 estatísticas de velocidade e 4 de dirigibilidade para todos os equipamentos além do piloto, foi decidido usar valores médios.
• A forma funcional da função de utilidade também tem um papel importante, mas foi omitida por completo.
• Se você quiser saber mais ou conhecer os bastidores deste artigo, há um pedido para considerar fazer uma doação.

Opinião do GN⁺

• A otimização de Pareto é uma ferramenta muito útil para tomar decisões ideais entre várias alternativas. Ela pode ser aplicada não só em jogos, mas também em diversas situações de decisão na vida real.
• Este artigo oferece uma experiência de aprendizado interessante ao explicar um problema complexo de otimização usando o exemplo familiar de Mario Kart, o que o torna fácil de entender para os leitores.
• No entanto, em aplicações reais, é preciso considerar a importância de cada estatística e os pesos que podem variar conforme o contexto, e isso pode mudar de acordo com as preferências e a experiência de cada usuário.
• Em problemas de otimização, não basta apenas encontrar opções eficientes; também é importante experimentar e vivenciar como essas opções funcionam na prática.
• Embora o artigo explique o tema com um modelo simplificado, aplicações reais podem exigir modelos mais complexos ou considerar variáveis adicionais.

[GN⁺]

Comentários do Hacker News

• Apresentação bonita

  • É bom quando a visualização serve ao propósito. Até o Tufte ficaria orgulhoso.

• Abordagem de webdesign

  • Tem elementos fortes de webdesign e pode ser adequada para um público menos técnico. No entanto, acho que o artigo original oferece informações mais úteis no formato de notebook.

• Os pneus vermelhos pequenos de Mario Kart

  • Eu sempre soube que os pneus vermelhos pequenos eram os melhores. Mas, como valorizo o estilo e meu amor por Zelda, pessoalmente não tenho escolha a não ser ignorar essa informação.

• Apresentação impressionante

  • Eu já conhecia eficiência/fronteira de Pareto, mas agora nunca mais vou esquecer, pensando em Mario Kart (e em Bowser sendo dominado).

• Consideração de uso como ferramenta de design

  • Acho interessante considerar, no design de jogos, uma grande fronteira de Pareto de builds divertidas e viáveis.

• Combinação com Halo Kart (2)

  • É preciso pensar em como calcular a fronteira de Pareto.

• Solução ideal com algoritmo genético

  • Definir preferências e pesos e usar um algoritmo genético para encontrar a solução ideal exige menos reflexão do que definir uma função de pontuação e usar uma API aleatória.

• Pontos importantes

  • 1. Habilidade é o que mais importa, mais do que o kart escolhido etc. Quando se vê profissionais jogando com builds estranhas, dá para perceber que eles jogam bem apesar da desvantagem.
  • 2. Na prática, não é necessário conhecer o valor do atributo oculto de mini-turbo. Como aceleração alta significa mini-turbo alto, para a maioria dos jogadores a aceleração pode ser usada como substituta do mini-turbo.

• Competição de Mario Kart com meu filho de 9 anos

  • Meu filho de 9 anos é melhor do que eu em Mario Kart, mas sou grato porque esse conhecimento pode fazer diferença para mim.

• Profissionais usando builds diferentes por mapa

  • Por exemplo, a pergunta de se, em mapas com retas longas, eles preferem velocidade máxima, enquanto em mapas com muitas curvas fechadas preferem aceleração.