王者荣耀：这六位都是玩家公认的单挑王！到底哪一位比较厉害呢？

王者荣耀的小伙伴们大家好，我是你们的老伙伴小居居！现在的王者荣耀版本中，很多英雄的单带能力都很强，且单挑无解！下面，就为游戏玩家们统计出了职业赛场上和普通玩家1V1,时，出场最高且胜率最高的三位英雄。

首先，在王者荣耀冠军杯上，有一个个人单挑赛，就是我们通常所说的1V1。我们可以通过英雄的banl率，来间接计算出王者荣耀职业选手严重的单挑王。

NO.3老夫子

在王者荣耀冠军杯的SOLO赛中，老夫子被Ban12场，排名第三！由于大招可以捆人，加上二技能的高额免伤，单挑无解！

NO.2 露娜

露娜被ban13场，排名第二！虽然在1V1中没有蓝BUFF，但是可以通过装备来补足回蓝，月下无限连还是可以秀起来的！

NO.1貂蝉and芈月

在王者荣耀冠军杯单挑赛的18场比赛中，貂蝉和芈月被ban15场，ban率83.3%并列第一！至于为何这两位英雄被ban这么多场，不用我说，大家想必都之大家都知道。芈月的无脑吸血（虽然最近被削弱，但是依旧很抢手），貂蝉的肉装打出真实伤害，无以避免的把她两送上了单挑王的宝座！

看完了职业选手，我们再来看一看普通玩家眼中排名前三的单挑王！

NO.3貂蝉

利用被动的真实伤害，对很多英雄都有明显的克制作用。至于排名为什么这么低，可能是因为操作难度比较大，普通游戏玩家不适应所致！

NO.2露娜

NO.1芈月

芈月的1V1胜率达到了惊人的70%以上，超强的恢复能力，让没有爆发的英雄瞬间感到绝望。

更多王者荣耀最新资讯，尽在荣耀居！

2022KPL春季数据大回顾：究竟哪些组合的胜率会更适合普通玩家呢

文/卡哥游戏攻略

王者荣耀五排如果想要赢得比赛，有一点是十分重要的，就是阵容搭配的选择，而阵容主要分为两种阵型，一种就是纯输出的搭配，另外一种就是控制型搭配。

在2022年KPL职业联赛春季赛中，有几个常用的阵容是职业选择经常采用的，那么此次卡哥将跟各位一起分析下这几个阵容的数据，希望能够对大家有所帮助。

先从整体输出来看，在所有上场的英雄当中，吕布被pick的次数是最多的，达到了76次，沈梦溪达到了69次，周瑜是62次，夏侯惇、澜、娜可露露均为61次，马可波罗和弈星为60次。

①吕布

吕布作为一名能够克制肉盾英雄的战士，附魔刮出来的伤害对敌人威胁很大，很少有肉盾敢跟吕布1V1对抗。

吕布在团战中能够发挥很好的作用，一个大招能够很好地分割战场，能够切断敌人阵型，让输出和对抗巧妙地分开。

吕布在团战的过程，发挥的作用可以说是很大的。

②沈梦溪

沈梦溪是一名中路后期爆发型英雄，到了后期一个大招命中敌方后排，基本上能够将其击杀或者造成残血状态，使得敌人要么缺少队员，要么回城补充状态。

沈梦溪的二技能加速配合一技能，在关键时候，能够很好收拾残血敌人，并且能够对路径的敌人造成短暂眩晕。

沈梦溪在前期可以通过一技能迅速清理兵线，能够做到快速支援队友，在整个阵型中发挥的作用也是很大的。

③周瑜

周瑜是一名中路法师，能够通过二技能的火区对前排和后排的敌人造成威胁，在清理兵线上，他是一名能手，释放二技能后通过一技能，快速将火区铺开，在开团方面能够对敌人起到压制性作用。

周瑜的大招配合二技能的火区，能够让脆皮英雄不敢太靠前，很经常会被其逼退，跟前排队友分开，从而失去团战的优势。

④夏侯惇

夏侯惇可以说是一名十分耐打的英雄，在对抗方面算是一名很不错的前排，一般开团都可以让夏侯惇先手入场，对敌人造成控制。

⑤澜

澜是一名潜行刺客，在队友团战之后，在敌方残血的情况下，能够通过技能的伤害，快速将敌人击杀，同时他的大招可以说对团战是十分有用的，在队友开完一波团战之后，或者由他优先切入战场，大招起手将敌人分割，而后队友一拥而上，很容易对敌人造成高额的伤害。

⑥马可波罗

马可波罗是一名爆发性极强的射手，前期用一技能打消耗，在敌人残血情况下，三技能一个大招下去，是很容易对没有技能的敌人直接击杀带走。

马可波罗在2022年春季赛上被ban了38次，一般是放在第五或者第六位被ban，胜率也并不高，仅为46.67%。

⑦弈星

弈星是一名中路控制型法师，在前期伤害虽然比较低，但是通过棋子的布置，对敌人造成的伤害，当棋子叠加到181颗的时候，是能够对敌人造成高额的法术伤害。

虽然他的二技能施法距离缩短了，但是他的控制技能还是十分霸道的，通过二技能的拉扯，一二技能的链接，对敌人造成减速和法术伤害，大招的施放距离也是很大的，能够在打团战的时候，将敌人直接圈入其中。

小结：

了解了以上7个英雄之后，希望大家对于挑选英雄方面，会有一定的帮助。

英雄阵容的搭配对于比赛是至关重要的，因为每一个英雄的技能都是不一样的，每一位玩家的打法也是不同的，如果长期一起玩的两位玩家，能够将常用的英雄技能做到很好衔接，对于赢得比赛还是比较轻松的，因为熟悉的配合是能够轻松拿到游戏的赛点。

①马超和阿古朵

相信大家对于这个阵容并不陌生，马超是一名依靠移速来提升自身伤害的，而阿古朵的一技能能够对敌人造成减速，提升马超的移速，相当于短时内提升了马超的爆发能力。

这个组合在KPL春季赛的胜率值为45.24%，前后这个组合上场的场次达到了42次，位居首位。

②老夫子和大乔

这个组合可以说要控制有控制，要输出有输出，打团战的时候，又能够及时配合。

老夫子霸道的大招，配合大乔的加速、击飞和沉默，这样的阵容抓人、输出和控制都不会耽误。

这个阵容在KPL春季赛的胜率为47.83%，这对组合的上场次数达到了23次。

③吕布和镜

这个组合一个是分割战场，一个是在战场被分割的情况下，提供高额的输出。

他们两个英雄的大招有时候是可以同时入场的，可以在吕布将敌人击飞的时候，镜直接大招切入，这个时候敌人的第一反应是闪现逃跑，而镜又刚好能够追击到他们。

这个组合的胜率达到了55%，组合的使用场次达到了20次。

④周瑜和马可波罗

这个组合可以说让敌人比较难受，周瑜和马可波罗都可以打消耗，马可波罗能够在周瑜大招控住敌人的瞬间，大招切入进入，就能够对敌人造成爆发伤害。

这个组合的胜率达到55.56%，组合使用场次为18次。

通过上述对于每一个英雄以及英雄之间组合的简单分析，我相信老玩家们在选择英雄组合的时候，会有更清晰的定位，只有把英雄之间的技能衔接理解清楚了，那么我相信大家一定是能够在比赛中快速拿下赛点的。

那么这一期的分享就到这里，我是卡哥，感谢大家的关注！

王者荣耀各地区胜率排行榜曝光 湖北地区胜率高因为张大仙吗？

玩王者荣耀已经是家常便饭，但是你除了知道英雄出装，英雄打法。关于全民、全国王者荣耀热，那么多人都打王者荣耀，那个地区的玩家打得最好呢？什么！没想到吧，电玩巴士的小编今天要来给大家分析的是王者荣耀全国各城市的胜率！

不知道大家有没有和小编一样的经历。如果开黑，大家都开语音交流，喜欢控制全场的都说着一股儿东北味儿的普通话。也许是地区原因，北方人打王者荣耀就显得有些急躁。而南方人，可能性子温和，打起怪来就容易让人着急。但小编总是在有“东北大哥”的局势下都能获胜，总觉得场上有“大哥”。

在气势都强了许多！虽然小编是南方人，偶尔遇到那种见死不救，看见小兵都要逃跑的亚瑟还是会暴躁如雷的。那么究竟地域对打王者荣耀有关系吗？

小编收集到一份传说是来自天美的关于全国各地王者胜率排行榜。

胜率从高到低排，以省级为单位。（小编节选TOP10）

1.湖北 平均胜率：53.8%

2.重庆 平均胜率53.5%

3.浙江 平均胜率53.1%

4.福建 平均胜率53%

5.安徽 平均胜率52.9%

6 平均胜率52.8%

7.山西 平均胜率52.6%

8.青海 平均胜率52.3%

9.湖南 平均胜率52%

10.上海 平均胜率51.8%

虽然真实性有待最后考证，不过小编细细一看，或许有那么一点道理。小编以嗨氏、张大仙两人为例。

首先，张大仙

曾经的国服第一李白、国服第一露娜，王者荣耀官方对露娜进行改版都要咨询张大仙的意见，可见张大仙国服第一露娜的名头是坐实了的。

张大仙的身份一直是个谜，不过现居上海，听他直播各种湖北味儿的普通话，难道大仙真是湖北武汉人？所以带着湖北胜率冲到第一？

其次，嗨氏

这个1997年出生的少年，作为主播还是圈粉不少的。知道嗨氏是哪里人吗？没错四川人，既然川渝一家亲。这重庆位居第二想想这个节奏还是挺稳。

就在这份榜单流出不久，小编又找到了另一份关于各个城市玩家玩王者荣耀的有力证据！

从此图来看，把各个段位、常用英雄、各个职业都划分出来了！小编实在佩服！上海玩家爱走位，有钱都买复活甲；天津的战士都爱峡谷单挑王！结合两张表单来看，就问你服不服！留下你的城市！为你的城市打CALL！

2100场王者荣耀，1v1胜率99.8%，腾讯绝悟 AI 技术解读 | AAAI 2020

围棋被攻克之后，多人在线战术竞技游戏（MOBA）已经成为测试检验前沿人工智能的动作决策和预测能力的重要平台。基于腾讯天美工作室开发的热门 MOBA 类手游《王者荣耀》，腾讯 AI Lab 正努力探索强化学习技术在复杂环境中的应用潜力。本文即是其中的一项成果，研究用深度强化学习来为智能体预测游戏动作的方法，论文已被AAAI-2020接收。

此技术支持了腾讯此前推出的策略协作型 AI 「绝悟」1v1版本，该版本曾在今年8月上海举办的国际数码互动娱乐展览会China Joy首次亮相，在2100多场和顶级业余玩家体验测试中胜率达到99.8%。

除了研究，腾讯AI Lab与王者荣耀还将联合推出“开悟”AI+游戏开放平台，打造产学研生态。王者荣耀会开放游戏数据、游戏核心集群（Game Core）和工具，腾讯AI Lab会开放强化学习、模仿学习的计算平台和算力，邀请高校与研究机构共同推进相关AI研究，并通过平台定期测评，让“开悟”成为展示多智能体决策研究实力的平台。目前“开悟”平台已启动高校内测，预计在2020年5月全面开放高校测试，并且在测试环境上，支持1v1，5v5等多种模式；2020年12月，我们计划举办第一届的AI在王者荣耀应用的水平测试。

以下是本次入选论文的详细解读：

arxiv 链接：https://arxiv/abs/1912.09729

绝悟5v5版本达到职业水平：https://mp.weixin.qq/s/h7JOSs90MVQ8XzUnKJ48Iw

AI开放平台「开悟」启动：https://mp.weixin.qq/s/jaZJtkljVBib0mj1iOJQbg

在竞争环境中学习具备复杂动作决策能力的智能体这一任务上，深度强化学习（DRL）已经得到了广泛的应用。在竞争环境中，很多已有的 DRL 研究都采用了两智能体游戏作为测试平台，即一个智能体对抗另一个智能体（1v1）。

其中 Atari 游戏和棋盘游戏已经得到了广泛的研究，比如 2015 年 Mnih et al. 使用深度 Q 网络训练了一个在 Atari 游戏上媲美人类水平的智能体；2016 年 Silver et al. 通过将监督学习与自博弈整合进训练流程中而将智能体的围棋棋力提升到了足以击败职业棋手的水平；2017 年 Silver et al. 又更进一步将更通用的 DRL 方法应用到了国际象棋和日本将棋上。

本文研究的是一种复杂度更高一筹的MOBA 1v1 游戏。即时战略游戏（RTS）被视为 AI 研究的一个重大挑战。而MOBA 1v1 游戏就是一种需要高度复杂的动作决策的 RTS 游戏。相比于棋盘游戏和 Atari 系列等 1v1 游戏，MOBA 的游戏环境要复杂得多，AI的动作预测与决策难度也因此显著提升。以 MOBA 手游《王者荣耀》中的 1v1 游戏为例，其状态和所涉动作的数量级分别可达 10^600 和 10^18000，而围棋中相应的数字则为 10^170 和 10^360，参见下表 1。

表 1：围棋与 MOBA 1v1 游戏的比较

此外，MOBA 1v1 的游戏机制也很复杂。要在游戏中获胜，智能体必须在部分可观察的环境中学会规划、攻击、防御、控制技能组合以及诱导和欺骗对手。除了玩家与对手的智能体，游戏中还有其它很多游戏单位，比如小兵和炮塔。这会给目标选择带来困难，因为这需要精细的决策序列和相应的动作执行。

此外，MOBA 游戏中不同英雄的玩法也不一样，因此就需要一个稳健而统一的建模方式。还有一点也很重要：MOBA 1v1游戏缺乏高质量人类游戏数据以便进行监督学习，因为玩家在玩 1v1 模式时通常只是为了练习英雄，而主流 MOBA 游戏的正式比赛通常都采用 5v5 模式。

需要强调，本论文关注的是 MOBA 1v1 游戏而非MOBA 5v5 游戏，因为后者更注重所有智能体的团队合作策略而不是单个智能体的动作决策。考虑到这一点，MOBA 1v1游戏更适合用来研究游戏中的复杂动作决策问题。

为了解决这些难题，本文设计了一种深度强化学习框架，并探索了一些算法层面的创新，对 MOBA 1v1 游戏这样的多智能体竞争环境进行了大规模的高效探索。文中设计的神经网络架构包含了对多模态输入的编码、对动作中相关性的解耦、探索剪枝机制以及攻击注意机制，以考虑 MOBA 1v1 游戏中游戏情况的不断变化。

为了全面评估训练得到的 AI 智能体的能力上限和策略稳健性，新设计的方法与职业玩家、顶级业务玩家以及其它在 MOBA 1v1 游戏上的先进方法进行了比较。

本文有以下贡献：

对需要高度复杂的动作决策的 MOBA 1v1 游戏 AI 智能体的构建进行了全面而系统的研究。在系统设计方面，本文提出了一种深度强化学习框架，能提供可扩展的和异步策略的训练。在算法设计方面，本文开发了一种用于建模 MOBA 动作决策的 actor-critic 神经网络。网络的优化使用了一种多标签近端策略优化（PPO）目标，并提出了对动作依赖关系的解耦方法、用于目标选取的注意机制、用于高效探索的动作掩码、用于学习技能组合 LSTM 以及一个用于确保训练收敛的改进版 PPO——dual-clip PPO。

在《王者荣耀》1v1 模式上的大量实验表明，训练得到的 AI 智能体能在多种不同类型的英雄上击败顶级职业玩家。

1、系统设计

考虑到复杂智能体的动作决策问题可能引入高方差的随机梯度，所以有必要采用较大的批大小以加快训练速度。因此，本文设计了一种高可扩展低耦合的系统架构来构建数据并行化。具体来说，这个架构包含四个模块：强化学习学习器（RL Learner）、人工智能服务器（AI Server）、分发模块（Dispatch Module）和记忆池（Memory Pool）。如图 1 所示。

图 1：系统设计概况

AI 服务器实现的是 AI 模型与环境的交互方式。分发模块是用于样本收集、压缩和传输的工作站。记忆池是数据存储模块，能为RL 学习器提供训练实例。这些模块是分离的，可灵活配置，从而让研究者可将重心放在算法设计和环境逻辑上。这样的系统设计也可用于其它的多智能体竞争问题。

2、算法设计

RL 学习器中实现了一个 actor-critic 神经网络，其目标是建模 MOBA 1v1 游戏中的动作依赖关系。如图2所示。

图 2：论文实现的actor-critic网络

为了实现有效且高效的训练，本文提出了一系列创新的算法策略：

1.目标注意力机制：用于帮助AI在 MOBA 战斗中选择目标。

2.LSTM：为了学习英雄的技能释放组合，以便AI在序列决策中，快速输出大量伤害。

3.动作依赖关系的解耦：用于构建多标签近端策略优化（PPO）目标。

4.动作掩码：这是一种基于游戏知识的剪枝方法，为了引导强化学习过程中的探索而开发。

5.dual-clip PPO：这是 PPO 算法的一种改进版本，使用它是为了确保使用大和有偏差的数据批进行训练时的收敛性。如图3所示。

图 3：论文提出的dual-clip PPO算法示意图，左为标准PPO，右为dual-clip PPO

有关这些算法的更多详情与数学描述请参阅原论文。

3、实验

系统设置

测试平台为热门 MOBA 游戏《王者荣耀》的 1v1 游戏模式。为了评估 AI 在现实世界中的表现，这个 AI 模型与《王者荣耀》职业选手和顶级业余人类玩家打了大量比赛。实验中 AI 模型的动作预测时间间隔为 133 ms，这大约是业余高手玩家的反应时间。另外，论文方法还与已有研究中的基准方法进行了比较，其中包括游戏内置的决策树方法以及其它研究中的 MTCS 及其变体方法。实验还使用Elo分数对不同版本的模型进行了比较。

实验结果

探索动作决策能力的上限

表 3 给出了AI和多名顶级职业选手的比赛结果。需要指出这些职业玩家玩的都是他们擅长的英雄。可以看到 AI 能在多种不同类型的英雄上击败职业选手。

表 3：AI 与职业选手使用不同类型英雄比赛的结果

评估动作决策能力的稳健性

实验进一步评估了 AI 学习的策略能否应对不同的顶级人类玩家。在2019年8月份，王者荣耀1v1 AI对公众亮相，与大量顶级业余玩家进行了2100场对战。AI胜率达到99.81%。

表 4：AI 与不同顶级人类玩家的比赛结果

基准比较

可以看到，用论文新方法训练的 AI 的表现显著优于多种baseline方法。

图 4：击败同一基准对手的平均时长比较

训练过程中模型能力的进展

图 5 展示了训练过程中 Elo 分数的变化情况，这里给出的是使用射手英雄「狄仁杰」的例子。可以观察到 Elo 分数会随训练时长而增长，并在大约 80 小时后达到相对稳定的水平。此外，Elo 的增长率与训练时间成反比。

图 5：训练过程中 Elo 分数的变化情况

控制变量研究

为了理解论文方法中不同组件和设置的效果，控制变量实验是必不可少的。表 5 展示了使用同样训练资源的不同「狄仁杰」AI 版本的实验结果。

表 5：控制变量实验

4、未来工作

本文提出的框架和算法将在未来开源，而且为了促进对复杂游戏的进一步研究，腾讯也将在未来把《王者荣耀》的游戏内核提供给社区使用，并且还会通过虚拟云的形式向社区提供计算资源。

雷锋网 AI 科技评论报道。雷锋网雷锋网