Quand Mario rencontre Pareto : l’optimisation multi-objectifs des builds de Mario Kart

Trouver la combinaison optimale dans Mario Kart 8

• Dans Mario Kart 8, choisir un pilote, une carrosserie de kart, des pneus et un planeur ne relève pas seulement du style : c’est aussi un facteur clé pour gagner en course.
• Chaque élément propose des dizaines d’options, et chacune possède des statistiques qui influent sur les performances, comme la vitesse ou l’accélération.
• Même en écartant les choix purement esthétiques aux statistiques similaires, il reste difficile de trouver la meilleure combinaison parmi des milliers de possibilités.

Optimisation de Pareto

• Trouver le pilote avec la meilleure vitesse est aussi simple que de classer les pilotes selon leur statistique de vitesse.
• Mais pour trouver la combinaison optimale, il faut prendre en compte non seulement la vitesse, mais aussi l’équilibre entre plusieurs statistiques comme l’accélération, la maniabilité, le poids, les performances hors route et le mini-turbo.
• Certaines options sont systématiquement dominées par d’autres ; on peut donc les exclure et identifier les pilotes efficaces qui forment la frontière de Pareto.
• L’efficacité de Pareto fournit un critère objectif pour filtrer les choix non optimaux, mais la décision finale doit toujours tenir compte des préférences et du style du joueur.

Optimisation dans le jeu réel

• Dans le jeu réel, il faut choisir non seulement le pilote, mais l’ensemble complet : carrosserie, roues et planeur.
• Il existe 585 combinaisons uniques en termes de vitesse et d’accélération, mais l’approche de Pareto permet de les réduire à 14 options efficaces.
• En ajoutant une troisième statistique importante, le mini-turbo, on peut généraliser la notion de frontière de Pareto à trois dimensions.
• En multidimensionnel, la frontière de Pareto s’étend de manière exponentielle à mesure que le nombre de dimensions augmente, ce qui rend le choix encore plus difficile.
• Pour trouver la meilleure combinaison, il faut attribuer un poids à chaque dimension, et les combinaisons préférées des meilleurs joueurs se situent sur la frontière lorsqu’on optimise la vitesse, l’accélération et le mini-turbo.

Le problème de l’optimisation multi-objectifs

• On rencontre souvent des compromis similaires dans la vie quotidienne.
• Un repas à la fois bon marché et savoureux, un emploi bien payé, facile et satisfaisant, un portefeuille à faible risque et haut rendement, un matériau souple mais solide et facile à produire, un système fiscal juste et efficace, ou encore un LLM de haute qualité, rapide et rentable : dans tous ces cas, on fait face à un problème d’optimisation multi-objectifs.
• Si l’on connaît les pondérations exactes, on peut ramener le problème à une optimisation à objectif unique ; mais lorsque la fonction d’utilité est incertaine ou inconnue, la frontière de Pareto aide à éliminer objectivement les options non optimales.

Remerciements

• Cet article simplifie certaines hypothèses pour les rendre plus accessibles au grand public.
• Dans le jeu réel, les statistiques ne sont pas toujours liées linéairement aux statistiques de base, et il existe 4 statistiques de vitesse et 4 statistiques de maniabilité pour tous les équipements sauf les pilotes, mais l’auteur a choisi d’en utiliser la moyenne.
• La forme fonctionnelle de la fonction d’utilité joue elle aussi un rôle important, mais elle est volontairement laissée de côté.
• Pour découvrir les coulisses de cet article ou obtenir davantage d’informations, l’auteur invite les lecteurs à envisager un don.

L’avis de GN⁺

• L’optimisation de Pareto est un outil très utile pour prendre la meilleure décision parmi de nombreuses options. Elle s’applique non seulement aux jeux, mais aussi à de nombreuses situations de décision dans la vie réelle.
• Cet article offre une expérience d’apprentissage intéressante en expliquant un problème d’optimisation complexe à l’aide de l’exemple familier de Mario Kart, ce qui le rend facile à comprendre.
• Cependant, dans les applications réelles, il faut tenir compte de l’importance relative de chaque statistique ainsi que des pondérations qui peuvent varier selon le contexte, les préférences personnelles et l’expérience de chacun.
• Dans un problème d’optimisation, il est important non seulement d’identifier les options efficaces, mais aussi d’expérimenter pour voir comment elles fonctionnent en situation réelle.
• L’article s’appuie sur un modèle simplifié, mais les applications concrètes peuvent nécessiter des modèles plus complexes ou la prise en compte de variables supplémentaires.

[GN⁺]

Avis Hacker News

• Belle présentation

  • C’est agréable quand la visualisation est au service de l’objectif. Même Tufte en serait fier.

• Approche webdesign

  • L’approche a une forte dimension webdesign et peut convenir à un public moins technique. Cela dit, je pense que l’article original fournit des informations plus utiles sous forme de notebook.

• Les petits pneus rouges de Mario Kart

  • J’ai toujours su que les petits pneus rouges étaient les meilleurs. Mais comme j’accorde de l’importance au style et à mon amour pour Zelda, je n’ai pas d’autre choix que d’ignorer cette information.

• Présentation marquante

  • Je connaissais déjà l’efficacité / frontière de Pareto, mais désormais je ne pourrai plus y penser sans imaginer Mario Kart (et Bowser qui se fait dominer).

• Réflexion sur son usage comme outil de design

  • Je trouve intéressant de réfléchir, dans le game design, à une vaste frontière de Pareto de builds amusants et viables.

• Combinaison avec Halo Kart (2)

  • Il faudrait réfléchir à la manière de calculer une frontière de Pareto.

• Solution optimale avec un algorithme génétique

  • Définir des préférences et des pondérations, puis utiliser un algorithme génétique pour trouver la solution optimale, demande moins de réflexion que de définir une fonction de score et d’utiliser une API aléatoire.

• Points importants

  • 1. Le plus important, c’est le niveau du joueur, davantage que le kart choisi, etc. Quand on voit des pros jouer avec des builds étranges, on constate qu’ils restent excellents malgré le désavantage.
  • 2. En pratique, il n’est pas nécessaire de connaître la valeur de la statistique cachée de mini-turbo. Comme une forte accélération implique aussi un mini-turbo élevé, la plupart des joueurs peuvent utiliser l’accélération comme indicateur de substitution du mini-turbo.

• Compétition à Mario Kart avec mon enfant de 9 ans

  • Mon enfant de 9 ans est meilleur que moi à Mario Kart, mais je suis reconnaissant que cette connaissance puisse peut-être faire la différence pour moi.

• Les pros utilisent-ils des builds différents selon les circuits ?

  • Par exemple, préfèrent-ils la vitesse de pointe sur les circuits avec de longues lignes droites, et l’accélération sur ceux avec beaucoup de virages serrés ?