从DotA、LOL，再到后来的王者荣耀，再到最近的吃鸡，越来越多的玩家对战游戏得到了玩家的认可游戏素材，在这样的环境中似乎存在一个不容忽视的问题游戏。玩家对玩家。
虽然玩家在年龄、对游戏的熟悉程度、操作频率、性格偏好、性别等方面差异很大，但我们仍然需要找到一套标准来决定与哪些玩家对战。这涉及到匹配机制。匹配机制带来的好处，玩家操作起来非常简单。他们只需要按下匹配按钮，并且完全（且仅）信任系统分配给我的队友（或对手）。非常适合现在手游的碎片化使用。
从最根本的目的来说，匹配机制需要满足两个目标：
1.尽快找到足够的人；
2.尽量保证每一轮双方的实力相同。
关于第一点，手游尤为重要，因为你不能要求10分钟的游戏，玩家需要等待接近5分钟的匹配时间（通常金字塔顶端的玩家可能愿意等待）。配对时间越短游戏开发巨头 匹配表，游戏内容就越能满足玩家的需求；一般来说，随着匹配时间的增加，玩家对战斗的期望会降低。玩家玩游戏是希望获得一种精神上的满足游戏开发巨头 匹配表，而等待的过程目前无法提供这样的体验和感受。
关于第二点，好像和第一点相反，匹配要求越严格，匹配时间越长；这涉及一个权衡问题。匹配问题演变为在可接受的时间范围内尽可能找到具有相同实力的人。针对不同的游戏类型，对应的策略也不同。此外，如何衡量双方球员的实力是否相同或相近是另一个重要问题。目前最流行的方法：比如LOL和王者荣耀，都是用Elo算法来衡量，是一个比较好的数学模型。 DotA类别的积分排名原理类似。他们都是从战斗的结果开始的。战斗的胜利者认为力量上升（加分）；战斗失败的一方认为实力下降（扣分）。这样一来，胜利方的战斗力就会比自己的对手略高，从而增加失败的可能性，反之亦然。
从Elo算法入手，或许可以设计一种匹配算法，自带负反馈调节机制。系统建立博弈时，需要预测双方的胜负；统计游戏的最终结果创作人，计算系统预测与实际结果的相同（对应正确预测）和不同（对应错误预测）的比例，自动调整胜利分数和击败和匹配系统本身的参数（具体规则还需要详细设计），目标是让最终系统的预测接近实际结果。
思路和思路类似于卡尔曼滤波器的设计，或者，也可以考虑机器学习的设计思路，让系统使用自己的预测结果和实际结果可能是一种可行的方式作为训练样本进行训练。
