Mario conoce a Pareto: optimización multiobjetivo de builds de Mario Kart

Encontrar la combinación óptima en Mario Kart 8

• En Mario Kart 8, elegir al piloto, la carrocería del kart, las llantas y el planeador no es solo una cuestión de estilo, sino también un factor importante para ganar carreras.
• Cada elemento tiene decenas de opciones, y cada opción cuenta con estadísticas que afectan el rendimiento, como velocidad y aceleración.
• Incluso dejando de lado las opciones meramente estéticas con estadísticas similares, encontrar la mejor combinación entre miles de posibilidades es difícil.

Optimización de Pareto

• Encontrar al piloto con la mayor velocidad es tan simple como ordenar sus estadísticas de velocidad.
• Pero para hallar la combinación óptima, hay que considerar no solo la velocidad, sino también el equilibrio entre varias estadísticas como aceleración, manejo, peso, desempeño fuera de pista y mini turbo.
• Algunas opciones siempre están dominadas por otras, así que es posible excluirlas e identificar a los pilotos eficientes que forman la frontera de Pareto.
• La eficiencia de Pareto ofrece un criterio objetivo para filtrar elecciones no óptimas, pero para tomar la decisión final sigue siendo necesario considerar las preferencias y el estilo del usuario.

Optimización en el juego real

• En el juego real, no solo hay que elegir al piloto, sino el conjunto completo de carrocería, ruedas y planeador.
• Existen 585 combinaciones con atributos únicos de velocidad y aceleración, pero al aplicar el método de Pareto se puede reducir el conjunto a 14 opciones eficientes.
• También se puede agregar una tercera estadística importante, el mini turbo, generalizando el concepto de frontera de Pareto a tres dimensiones.
• En múltiples dimensiones, la frontera de Pareto crece geométricamente a medida que aumenta el número de dimensiones, lo que vuelve más difícil la elección.
• Para encontrar la mejor combinación, hay que asignar pesos a cada dimensión, y las combinaciones preferidas por los jugadores de alto nivel se ubican en la frontera cuando se optimizan velocidad, aceleración y mini turbo.

El problema de la optimización multiobjetivo

• Se trata de un tipo de trade-off que aparece con frecuencia también en la vida diaria.
• Una comida barata y sabrosa, un trabajo bien pagado, fácil y satisfactorio, un portafolio con bajo riesgo y alto rendimiento, un material flexible pero resistente y fácil de producir, impuestos justos y eficientes, o un LLM de alta calidad, rápido y rentable: en todos estos casos nos enfrentamos a problemas de optimización multiobjetivo.
• Si se conocieran los pesos exactos, el problema podría simplificarse a una optimización de un solo objetivo, pero cuando la función de utilidad es incierta o desconocida, la frontera de Pareto ayuda a eliminar objetivamente las opciones no óptimas.

Agradecimientos

• En este artículo se simplificaron algunos supuestos para que el público general pueda entenderlo con mayor facilidad.
• Las estadísticas reales dentro del juego no siempre tienen una relación lineal con las estadísticas base, y aunque todo el equipo excepto el piloto tiene 4 estadísticas de velocidad y 4 de manejo, se decidió usar valores promedio.
• La forma funcional de la función de utilidad también cumple un papel importante, pero aquí se ocultó por completo.
• Si quieres conocer la historia detrás de este artículo o más información, se incluye una petición para considerar hacer una donación.

Opinión de GN⁺

• La optimización de Pareto es una herramienta muy útil para tomar decisiones óptimas entre múltiples opciones. Puede aplicarse no solo a los juegos, sino también a muchas situaciones de decisión en la vida real.
• Este artículo ofrece una experiencia de aprendizaje interesante al explicar un problema de optimización complejo mediante un ejemplo familiar como Mario Kart, lo que facilita su comprensión para los lectores.
• Sin embargo, en aplicaciones reales hay que considerar la importancia relativa de cada estadística o los pesos que pueden cambiar según la situación, y esto puede variar según las preferencias y la experiencia de cada usuario.
• En los problemas de optimización, no solo importa encontrar opciones eficientes, sino también experimentar y comprobar cómo funcionan esas opciones en situaciones reales.
• Aunque este artículo lo explica con un modelo simplificado, en aplicaciones reales podría ser necesario considerar modelos más complejos o variables adicionales.

[GN⁺]

Opiniones en Hacker News

• Hermosa presentación

  • Está bien cuando la visualización está al servicio del propósito. Hasta Tufte estaría orgulloso.

• Enfoque de diseño web

  • Tiene elementos fuertes de diseño web y puede ser adecuado para una audiencia no técnica. Sin embargo, creo que el artículo original ofrece información más útil en formato de cuaderno.

• Los pequeños neumáticos rojos de Mario Kart

  • Siempre supe que los pequeños neumáticos rojos eran los mejores. Pero como valoro el estilo y mi amor por Zelda, personalmente no me queda más que ignorar esta información.

• Presentación impresionante

  • Ya conocía la eficiencia/frontera de Pareto, pero ahora no podré olvidarla pensando en Mario Kart (y en Bowser siendo dominado).

• Considerarlo como herramienta de diseño

  • Me parece interesante pensar en una gran frontera de Pareto de builds divertidas y viables al diseñar un juego.

• Combinación con Halo Kart (2)

  • Hace falta pensar en cómo calcular la frontera de Pareto.

• Solución óptima con algoritmos genéticos

  • Definir preferencias y pesos, y usar algoritmos genéticos para encontrar la solución óptima, requiere menos reflexión que definir una función de puntuación y usar una API aleatoria.

• Puntos importantes

  • 1. La habilidad es lo más importante, más que el kart elegido y demás. Cuando ves a profesionales jugar con builds raras, se nota que aun con desventaja juegan bien.
  • 2. En la práctica, no hace falta conocer el valor de la estadística oculta de mini-turbo. Como una aceleración alta implica un mini-turbo alto, la mayoría de los jugadores puede usar la aceleración como sustituto del mini-turbo.

• Competencia de Mario Kart con mi hijo de 9 años

  • Mi hijo de 9 años es mejor que yo en Mario Kart, pero agradezco que este conocimiento podría marcar una diferencia para mí.

• Los profesionales usan builds distintos según el mapa

  • Por ejemplo, la pregunta de si prefieren velocidad máxima en mapas con rectas largas, mientras que en mapas con muchas curvas cerradas prefieren aceleración.