OnmyojiAutoScript探索模式战斗超时问题分析与解决方案
项目地址: https://gitcode.com/gh_mirrors/on/OnmyojiAutoScript 痛点：探索模式中的战斗超时困扰
在阴阳师自动化脚本的使用过程中，许多用户都遇到过探索模式战斗超时的问题。当脚本在探索章节中连续战斗时，可能会因为各种原因导致战斗时间过长，甚至出现卡死现象，严重影响自动化效率。本文将深入分析OnmyojiAutoScript中探索模式的战斗超时问题，并提供全面的解决方案。
问题根源深度分析
1. 战斗检测机制分析
OnmyojiAutoScript使用基于图像识别的战斗状态检测机制。在GeneralBattle组件中，battle_wait方法负责监控战斗状态：
def battle_wait(self, random_click_swipt_enable: bool) -> bool:
"""
等待战斗结束
:param random_click_swipt_enable: 是否启用随机点击滑动
:return: 战斗结果（True为胜利，False为失败）
"""
self.device.stuck_record_add('BATTLE_STATUS_S')
self.device.click_record_clear()
win: bool = False
while 1:
self.screenshot()
# 胜利检测
if self.appear(self.I_WIN, threshold=0.8) or self.appear(self.I_DE_WIN):
logger.info("Battle result is win")
win = True
break
# 失败检测
if self.appear(self.I_FALSE, threshold=0.8):
logger.info("Battle result is false")
win = False
break
# 奖励检测
if self.appear(self.I_REWARD, threshold=0.6):
win = True
break
2. 超时风险点识别
| 风险点 | 描述 | 影响程度 |
|---|---|---|
| 图像识别失败 | 战斗结束画面识别阈值设置不当 | 高 |
| 设备性能问题 | 模拟器或手机性能不足导致延迟 | 中 |
| 网络延迟 | 战斗结果同步延迟 | 中 |
| 异常战斗状态 | 特殊战斗机制导致识别困难 | 低 |
3. 探索模式特有的超时因素
在探索模式中，还存在以下特有的超时风险：
解决方案与优化策略
1. 配置参数优化
在ExplorationConfig中，关键的超时相关配置参数：
class ExplorationConfig(BaseModel):
limit_time: Time = Field(default=Time(minute=30), description='探索时间限制')
minions_cnt: int = Field(title='战斗次数', default='30', ge=0, description='最小战斗次数')
# 推荐优化值
exploration_level: ExplorationLevel = Field(default=ExplorationLevel.EXPLORATION_28)
auto_rotate: AutoRotate = Field(default=AutoRotate.no, description='自动添加候补式神')
2. 战斗超时检测增强
建议在battle_wait方法中添加超时检测机制：
def battle_wait(self, random_click_swipt_enable: bool) -> bool:
from module.base.timer import Timer
battle_timeout = Timer(180) # 3分钟超时
battle_timeout.start()
while 1:
self.screenshot()
# 超时检测
if battle_timeout.reached():
logger.warning("Battle timeout detected, forcing exit")
self.exit_battle()
return False
# 原有检测逻辑...
3. 设备性能优化策略
4. 图像识别阈值调整
针对探索模式的特殊场景，优化图像识别参数：
# 在assets.py中调整识别阈值
class ExplorationAssets(GeneralBattleAssets):
# 探索模式特有的图像资源
I_UP_EXP = Button(area=(0, 0, 0, 0), color=(), button=(), file='./tasks/Exploration/res/xxx.png')
I_UP_COIN = Button(area=(0, 0, 0, 0), color=(), button=(), file='./tasks/Exploration/res/xxx.png')
# 优化识别阈值
def optimize_threshold(self):
self.I_WIN.threshold = 0.75 # 从0.8调整为0.75
self.I_FALSE.threshold = 0.75
self.I_REWARD.threshold = 0.55 # 从0.6调整为0.55
实战调试与故障排除
1. 常见问题排查表
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 战斗卡在准备界面 | 绿标功能异常 | 禁用绿标或调整坐标 |
| 无法识别战斗结束 | 图像资源过时 | 更新图像资源文件 |
| 频繁超时退出 | 设备性能不足 | 优化模拟器配置 |
| 探索章节切换失败 | OCR识别错误 | 调整OCR参数 |
2. 调试日志分析
启用详细日志记录，分析超时原因：
# 在config中启用调试日志
logger.level = "DEBUG"
logger.add("exploration_debug.log", rotation="10 MB")
# 监控关键时间点
start_time = time.time()
while battle_ongoing:
current_time = time.time()
if current_time - start_time > 180: # 3分钟超时
logger.error(f"Battle timeout at {current_time - start_time} seconds")
break
3. 性能监控指标
建立性能监控体系，实时跟踪战斗效率：
class PerformanceMonitor:
def __init__(self):
self.battle_times = []
self.success_rate = 0
self.avg_battle_time = 0
def record_battle(self, duration: float, success: bool):
self.battle_times.append(duration)
self.avg_battle_time = sum(self.battle_times) / len(self.battle_times)
if success:
self.success_count += 1
self.success_rate = self.success_count / len(self.battle_times)
最佳实践与配置推荐
1. 优化配置示例
exploration:
scheduler:
enable: true
next_run: 2024-01-01 00:00:00
exploration_config:
limit_time:
hour: 0
minute: 45
second: 0
minions_cnt: 50
exploration_level: EXPLORATION_28
auto_rotate: '是'
choose_rarity: 'N卡'
up_type: 'up_all'
general_battle_config:
lock_team_enable: true
green_enable: false # 禁用绿标减少异常
random_click_swipt_enable: true
2. 设备配置推荐
| 配置项 | 推荐值 | 说明 |
|---|---|---|
| 模拟器 | MuMu模拟器 | 兼容性最佳 |
| 分辨率 | 1280x720 | 平衡性能与识别 |
| CPU | 4核心 | 保证流畅运行 |
| 内存 | 4096MB | 避免内存不足 |
| 渲染模式 | DirectX | 性能最优 |
3. 网络环境要求
总结与展望
通过本文的分析与解决方案，我们可以有效解决OnmyojiAutoScript探索模式中的战斗超时问题。关键点在于：
- 合理配置参数：根据设备性能调整超时时间和战斗次数
- 优化图像识别：调整阈值提高识别准确率
- 增强超时检测：添加战斗超时强制退出机制
- 设备性能优化：确保模拟器配置达到要求
未来版本可能会引入更智能的超时预测机制，基于历史战斗数据动态调整超时阈值，进一步提升自动化效率。
记住，稳定的网络环境、合适的设备配置和正确的参数设置是避免战斗超时的关键。通过系统化的优化，探索模式的自动化运行将更加稳定高效。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
