在不考虑妮可(因为不确定覆盖率)
以我自己的模板为例。
进图暴击率触发套装是94.4%吧,爆伤是256.4。
这里,假设我可以任意调节我的暴击爆伤词条数目,那么一个词条=2.4暴击率=4.8爆伤。
方法一,求解以下公式,x范围是-0.144到0*056之间。看开口可知x取到最大0.056,得到极大值345.2。
(0.944+x)*(3.564-2*x)+0.056-x
或者代码模拟梯度下降一个结果
#梯度下降
def func(x): tmp = (0.944+x)*(3.564-2*x)+0.056-x return tmpdef func_(x): tmp = 3.564-2*x-2*(0.944+x)-1 #0.676 - 4 * x return tmp
x_start = 0.01learning_rate = 0.001for i in range(1000000): fx_ = func_(x_start) if abs(fx_) < 1e-9 or x_start > 0.056 or x_start <-0.944: break else: x_start = x_start+learning_rate*fx_
按我现在的模板伤害是342.04,距离最佳暴击爆伤差0.9%,实际上因为词条原因最大只能到99.2%。差距还会少一点。

以我自己的模板为例。
进图暴击率触发套装是94.4%吧,爆伤是256.4。
这里,假设我可以任意调节我的暴击爆伤词条数目,那么一个词条=2.4暴击率=4.8爆伤。
方法一,求解以下公式,x范围是-0.144到0*056之间。看开口可知x取到最大0.056,得到极大值345.2。
(0.944+x)*(3.564-2*x)+0.056-x
或者代码模拟梯度下降一个结果
#梯度下降
def func(x): tmp = (0.944+x)*(3.564-2*x)+0.056-x return tmpdef func_(x): tmp = 3.564-2*x-2*(0.944+x)-1 #0.676 - 4 * x return tmp
x_start = 0.01learning_rate = 0.001for i in range(1000000): fx_ = func_(x_start) if abs(fx_) < 1e-9 or x_start > 0.056 or x_start <-0.944: break else: x_start = x_start+learning_rate*fx_
按我现在的模板伤害是342.04,距离最佳暴击爆伤差0.9%,实际上因为词条原因最大只能到99.2%。差距还会少一点。












