[ 图4 遗传算法主要流程 ]
在战歌竞技场阵容挖掘中，针对性地对遗传算法进行调整和优化，以获得所需的结果。对于遗传算法来说，羁绊是否生效与遗传算法没有直接的关系，因此遗传算法编码是直接基于棋子进行。在传统的遗传算法中，初始种群设置是按一定概率随机产生的。然而，对于战歌竞技场阵容挖掘来说，一个纯粹随机生成的初始种群会导致挖掘速度变慢。挖掘之前确定棋子的个数。如果棋子个数限制为8，则初始个体从162个编码中选择8个棋子。此方法减少了遗传算法的迭代次数和时间。通过上面得到的阵容评价模型对生成的阵容进行评价，如果阵容强度更强，这样它在进化中就有更大的交叉和变异选择机会。以这种方式迭代进化，最终得到一个近似最优解。如果一个阵容不满足约束条件，它的适应度函数被设置为0.01，以加强个体的约束并保持特定的种群多样性。在初始群体产生后，根据个体的适应度选择个体，并基于基因进行交叉和突变。
交叉是指两个个体之间基因编码的交换，而突变是指单个个体的编码随机变化。由于自走棋阵容挖掘的特点，其遗传个体需要满足棋子总数的约束。在交叉时，两个个体需要在基因中选择一个合适的位置进行交换，这样杂交后棋子的数量不会发生变化。当突变从一个基因上取下编码为1和0的位置并将其逆转时，也需要获得恒定数量的片段。遗传算法的控制参数需要根据实验结果进行优化，以达到效率和结果的平衡。
A.阵容评价模型
本文提取了一千个未经训练的阵容，并计算了比赛的实际胜率和由评估模型得出的胜率。数据绘制在图5中。横坐标是真实的胜率，纵坐标是预测的胜率。理想的预测结果应该是45°斜线。然而，由于预测误差，实际点位于45°斜线的两侧。尽管如此，所有的点都更接近理想值，证明具有较好的预测效果。其中，胜率接近1和0两端时预测结果最好，中间值的预测效果较差。图中上下虚斜线表示预测偏差范围为±0.06。97%阵容强度预测值与真实值误差在0.06范围内。预测精度满足下一步遗传算法挖掘的要求。
[ 图5 阵容预测胜率与真实胜率关系 ]
B.阵容挖掘分析
一般来说，遗传算法需要多次迭代。随着迭代次数的增加，它可以逐渐收敛到区域最优解，但在接近最优解时会振荡。图6描述了迭代次数和阵容强度之间的关系。遗传算法进入第100轮迭代后，阵容强度趋于稳定。
在使用遗传算法挖掘阵容时，需要确定阵容的约束条件，因为玩家在组合阵容时，抽取概率的存在以及总成本也有限。四费和五费棋子最高仅为二星，一个阵容中的三星棋子不超过两个，且三星棋子必须是花费最低的棋子。只有在满足上述约束条件的情况下，挖掘出的阵容才与玩家的实际情况相一致。历史玩家阵容强度和遗传算法挖掘得到的阵容强度关系如图7所示。
[ 图6 阵容强度与遗传算法迭代轮数的关系 ]
