为了解决平衡性问题，首先需要确定一个阵容强度评价系统。只有一个合理的阵容强度评价系统，才能为阵容挖掘制定评价依据。除此之外我们需要找到一个合适的阵容挖掘算法，该算法可以在不同的约束条件下，例如等级、花费、羁绊等约束下找到最强的阵容组合。最后根据挖掘出来的阵容进行统计，从而对较强的羁绊和棋子进行调整，整体过程如图1所示。
[ 图1 阵容挖掘系统整体流程 ]
图1首先建立了一个阵容强度评估系统，该系统使用历史阵容或者随机阵容的强度作为训练数据。神经网络模型经过训练可以快速得到阵容的强度预测。快速的阵容强度预测是挖掘算法的关键。
当训练好阵容评估模型后，首先确定挖掘的约束条件，例如花费、棋子数等。挖掘算法在约束下利用阵容评估模型进行阵容强度评估，通过多轮迭代从而得到较强的阵容。通过对花费及羁绊的遍历条件下，如果发现某个羁绊的出现频率明显高于其他羁绊，那么可以认为该羁绊过于强大需要在上线前进行调整。该系统除了可以应用于平衡性调整之外，还可以应用于阵容推荐，玩家托管等方面，具有良好的应用前景。
A.阵容评估模型
由于自走棋阵容强度影响因素众多，所以其评价模型非常复杂，直接采用棋牌类游戏的评价模型比较困难。阵容强度需要综合考虑，一个阵容不能因为克制另外一个阵容而获得较高的阵容强度。一个阵容需要更平衡表现才能得到更高的强度。本研究中提取玩家历史对战阵容最常用的前1000套阵容。当一套阵容需要评估其强度时，将其对战提取出来的提取的1000套阵容从而计算该胜率，胜率越高证明该阵容强度越高。单核CPU上完成1000次对战大概需要花费5分半钟。因此我们采用分布式计算机集群进行并行计算，所得到的阵容强度结果保存到数据库中，以备后续模型训练。
[ 图2 分布式阵容强度计算 ]
在明确了阵容强度评价衡量标准后，接下来的步骤就是选择适合的特征作为阵容评估神经网络模型的输入。特征选择是模型训练效果的关键，如果选取不适合的特征，模型难以收敛。棋子时游戏中最为重要的因素，而血量魔法及攻击力与棋子特征紧密挂钩，并且棋子的历史胜率在版本上线前无法取得，因此只将棋子作为输入特征。在本项目中，为了综合考虑羁绊的作用，将在不同羁绊作用下的相同棋子定义为不同的棋子。在不同羁绊的影响下，阵容实力完全不同。在这个版本的战歌竞技场中，棋子等级和羁绊组合总共有2012种可能性。将2012维向量定义为模型输入。当某种羁绊作用下的棋子上场时，相应的位置编码被设置为1。编码示意图如图3所示。经过上述编码后，能够全面反映棋子的羁绊生效状况，从而有效地提高了阵容强度预测的准确性。阵容强度模型是一种回归模型，因此选择了深度神经网络模型进行阵容强度评价，能够表达高度复杂特征之间的非线性关系。
[ 图三：棋子阵容模型编码 ]
B.基于遗传算法的阵容挖掘算法
遗传算法（GA）是一种模拟自然选择的生物进化过程的计算模型。它通过模拟自然进化过程来寻找最优解。它的主要特点是不受导数和函数连续性的限制。此外，它具有并行性和良好的全局优化能力，不需要一定规则的概率优化方法，能够自动获取并引导优化后的搜索空间自适应调整搜索方向。遗传算法以群体中的所有个体为目标，使用随机化技术指导编码参数空间的有效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作，而参数编码、初始种群设置、适应度函数设计、遗传操作设计和控制参数设置五个要素构成了遗传算法的核心内容，如图4所示。
