第12章：即时战略游戏测试

即时战略（RTS）游戏代表了游戏平衡性测试的巅峰挑战。从《命令与征服》到《星际争霸》，从《帝国时代》到《英雄连》，RTS游戏的测试不仅需要验证单个单位的数值正确性，更要确保整个游戏生态系统的动态平衡。本章将深入探讨RTS游戏特有的测试方法论，包括单位成本效益分析、科技树验证、种族平衡曲线评估以及资源经济模型测试。通过学习本章，你将掌握如何系统性地测试和优化RTS游戏的核心机制，确保不同策略路线都具有可行性和竞争力。

12.1 RTS游戏测试概述

12.1.1 即时战略游戏的核心机制

RTS游戏的本质是多维度资源管理与实时决策的结合。与回合制策略游戏不同，RTS游戏要求玩家在时间压力下同时处理经济发展、军事扩张、科技研发和战术执行。这种实时性带来了独特的测试挑战：

    经济系统
        ↓
    [资源采集] → [单位生产] → [军事力量]
        ↓              ↓              ↓
    [基地建设] → [科技研发] → [战术执行]
        ↓              ↓              ↓
    [地图控制] ← [领土扩张] ← [战斗胜利]

测试的核心在于验证这个循环系统的每个环节都能正常运作，且不存在可以破坏游戏平衡的捷径或死循环。

APM（Actions Per Minute）与操作密度

RTS游戏的独特之处在于对玩家操作速度和精确度的要求。职业选手的APM通常在200-400之间，这意味着每秒钟要执行3-6个有效操作。测试时需要考虑不同操作水平下的游戏体验：

• 低APM玩家（<60）：依赖宏观战略和简单执行
• 中等APM玩家（60-150）：能够进行基础微操和多线操作
• 高APM玩家（>150）：可以同时管理多个战场和精确微操

测试框架需要模拟这三个层次的玩家行为，确保游戏在各个技能水平都有良好的体验。

决策树的分支因子

RTS游戏每一刻都面临大量决策选项。以一个典型的游戏状态为例：

• 经济决策：建造哪种采集建筑（2-3种）、分配多少工人（1-20）
• 军事决策：生产哪种单位（5-15种）、从哪个建筑生产（2-5个）
• 科技决策：研发哪项科技（3-10项）、优先级如何
• 战术决策：部队位置、攻击目标、撤退时机

总分支因子可达：$B = B_{econ} \times B_{mil} \times B_{tech} \times B_{tactic} \approx 10^4$

这种复杂度使得穷举测试变得不可能，必须采用智能化的测试策略。

12.1.2 平衡性的多维度考量

RTS游戏的平衡性涉及多个相互作用的维度：

时间维度：游戏的不同阶段（早期rush、中期发展、后期决战）应该都有其独特的策略价值。如果某个时间点的策略过于强势，会导致游戏模式单一化。

空间维度：地图大小、地形特征、资源分布都会影响策略选择。测试需要确保不同地图条件下，各种族/文明都有合理的胜率。

经济维度：资源投入与军事产出的转换效率决定了游戏节奏。过快的经济增长会导致雪球效应，过慢则让游戏陷入僵局。

技术维度：科技树的设计需要在深度和宽度之间找到平衡，既要有明确的发展路线，又要保留足够的策略灵活性。

12.1.3 测试的复杂性来源

RTS游戏测试的复杂性主要来自以下几个方面：

组合爆炸：单位类型、科技升级、建筑布局的组合可能性呈指数级增长。一个拥有20种单位、15项科技的简单RTS游戏，其可能的军队组合就超过$2^{35}$种。

具体的组合复杂度计算：

• 单位组合：$C_{units} = \sum_{k=1}^{n} \binom{n}{k} = 2^n - 1$
• 科技路线：如果科技树有$m$个分支点，每个分支$b_i$个选项，则路线数$P = \prod_{i=1}^{m} b_i$
• 建筑布局：在$g \times g$的网格上放置$b$个建筑，考虑阻挡和间距，可能性约为$\binom{g^2}{b} \times b!$

这种组合爆炸意味着即使是最强大的计算机也无法遍历所有可能性，必须采用启发式方法和统计采样。

涌现行为：简单规则的相互作用会产生复杂的涌现行为。例如，单位的移动速度差异可能导致意外的微操技巧，改变整个游戏的Meta。

经典的涌现行为案例：

• 围杀战术：高移动速度单位利用路径围困低速单位
• 聚焦火力：多个远程单位通过精确控制实现瞬间击杀
• 拉扯战术：利用射程优势和移动进行无损消耗
• 假动作：通过反复移动消耗对手APM和注意力

这些行为往往通过以下公式产生： $$E_{behavior} = f(S_{unit}, R_{range}, D_{damage}, T_{timing})$$ 其中任何参数的微小改变都可能导致全新的战术出现。

玩家创新：职业玩家会不断发现新的策略和技巧，这些往往是设计者未曾预料的。测试需要模拟这种创新过程，提前发现潜在的平衡性问题。

玩家创新的层次：

1. 执行层创新：发现新的微操技巧（如marine split对抗溅射伤害）
2. 战术层创新：组合现有单位形成新战术（如坦克推进配合医疗兵）
3. 战略层创新：全新的游戏节奏和资源分配（如极限经济流）
4. 心理层创新：利用对手预期进行反向操作

反馈循环：RTS游戏充满正反馈（优势累积）和负反馈（橡皮筋机制）循环。测试需要确保这些反馈机制的强度适中，既不会让游戏过早结束，也不会导致无法终结的拉锯战。

反馈循环的数学模型： $$\frac{dA}{dt} = r_A \cdot A \cdot (1 - \frac{A}{K}) + \alpha \cdot A \cdot f(A-B)$$ 其中：

• $r_A$：玩家A的基础增长率
• $K$：环境承载力（资源上限）
• $\alpha$：反馈强度系数
• $f(A-B)$：优势函数，正值产生正反馈，负值产生负反馈

理想的反馈系数应该满足： $$0.1 < \alpha < 0.3$$ 过小会导致游戏缺乏进展，过大会产生滚雪球效应。

12.2 单位成本效益比分析

12.2.1 成本效益比的数学模型

单位的成本效益比是RTS平衡性的基础。我们需要建立一个综合考虑多种因素的数学模型： $$\text{效益值} = \sum_{i} w_i \cdot a_i$$ 其中$a_i$代表单位的各项属性（生命值、攻击力、防御力、移动速度等），$w_i$是对应的权重系数。

成本不仅包括直接的资源消耗，还要考虑：

• 生产时间成本：$C_{time} = T_{build} \cdot R_{opportunity}$
• 人口成本：$C_{pop} = P_{unit} \cdot V_{pop}$
• 科技前置成本：$C_{tech} = \sum T_{prerequisite}$

综合成本效益比： $$\text{CER} = \frac{\text{效益值}}{C_{resource} + C_{time} + C_{pop} + C_{tech}}$$

12.2.2 单位属性权重计算

确定属性权重是平衡性测试的关键。常用方法包括：

主成分分析法（PCA）：通过分析大量对战数据，提取影响胜率的主要因素。设单位属性矩阵为$X$，通过特征值分解找到主成分： $$X^TX = V\Lambda V^T$$ 其中$\Lambda$的对角线元素表示各主成分的重要性。

具体实施步骤：

1. 数据标准化：$x'_{ij} = \frac{x_{ij} - \mu_j}{\sigma_j}$
2. 计算协方差矩阵：$C = \frac{1}{n-1}X'^TX'$
3. 特征值分解：找到满足$Cv_i = \lambda_i v_i$的特征向量
4. 选择主成分：保留累计贡献率达到85%的前$k$个主成分
5. 权重映射：$w_j = \sum_{i=1}^{k} |v_{ij}| \cdot \sqrt{\lambda_i}$

回归分析法：建立单位属性与胜率的回归模型： $$\text{WinRate} = \beta_0 + \sum_{i} \beta_i \cdot a_i + \epsilon$$ 回归系数$\beta_i$可以作为属性权重的参考。

扩展到非线性关系： $$\text{WinRate} = \beta_0 + \sum_{i} \beta_i \cdot a_i + \sum_{i,j} \beta_{ij} \cdot a_i \cdot a_j + \epsilon$$ 这能捕捉属性间的协同效应，如"高攻击+高速度"的组合价值大于单独提升。

专家评分法：邀请职业玩家和游戏设计师对各属性重要性进行评分，使用层次分析法（AHP）计算权重。

AHP实施流程：

1. 构建判断矩阵$A$，其中$a_{ij}$表示属性$i$相对属性$j$的重要性（1-9分制）
2. 一致性检验：$CI = \frac{\lambda_{max} - n}{n-1}$，要求$CR = \frac{CI}{RI} < 0.1$
3. 权重计算：$w_i = \frac{\sqrt[n]{\prod_{j=1}^{n} a_{ij}}}{\sum_{k=1}^{n} \sqrt[n]{\prod_{j=1}^{n} a_{kj}}}$

混合权重模型：

综合三种方法的结果： $$w_{final} = \alpha \cdot w_{PCA} + \beta \cdot w_{regression} + \gamma \cdot w_{AHP}$$ 其中$\alpha + \beta + \gamma = 1$，通常设置$\alpha = 0.4, \beta = 0.4, \gamma = 0.2$。

12.2.3 克制关系矩阵构建

RTS游戏通常采用"石头剪刀布"式的克制关系来增加策略深度。克制矩阵$M$定义了单位间的伤害加成：

        轻甲  中甲  重甲
穿刺    1.5   1.0   0.5
普通    1.0   1.0   1.0  
爆破    0.5   1.0   1.5

测试需要验证：

1. 传递性检验：避免出现A克B、B克C、C克A的完美循环
2. 极值检验：克制系数不应过大，避免"一招鲜"
3. 组合检验：混合部队应该比单一兵种更有优势

12.2.4 极限情况下的平衡性验证

测试需要特别关注极限情况：

无限资源测试：在资源无限的情况下，验证是否存在最优单位组合。理想情况下，不同组合应该各有优劣。

测试方法：

1. 设定资源生成率$R = \infty$
2. 枚举所有可能的单位组合比例
3. 进行自动对战模拟（至少100场）
4. 计算胜率矩阵$W_{ij}$
5. 验证不存在支配策略：$\nexists i, \forall j \neq i: W_{ij} > 0.6$

理论最优组合应该满足纳什均衡条件： $$\pi_i(s_i^*, s_{-i}^*) \geq \pi_i(s_i, s_{-i}^*), \forall s_i \in S_i$$ 单一单位测试：只使用一种单位进行对战，检查是否存在"万能单位"。

评估指标：

• 通用性指数：$U_i = \frac{\sum_j W_{ij}}{n-1}$，其中$W_{ij}$是单位$i$对单位$j$的胜率
• 如果任何单位的$U_i > 0.7$，则存在平衡问题
• 理想情况：$0.3 < U_i < 0.7, \forall i$

极限微操测试：假设完美的微操作，验证技术上限是否会破坏平衡。例如，射程优势在完美风筝操作下是否过于强势。

风筝效率计算： $$K_{efficiency} = \frac{R_{attacker} - R_{target}}{S_{attacker}} \times \frac{D_{attacker}}{T_{attack}}$$ 其中：

• $R$：射程
• $S$：移动速度
• $D$：伤害
• $T$：攻击间隔

如果$K_{efficiency} > 2.0$，则风筝过于强势，需要调整参数或加入机制限制（如转身时间、加速度）。

资源效率极限：计算理论最优的资源利用效率，确保实际游戏中难以达到这个极限。

效率边界模型： $$E_{max} = \max_{\{n_i\}} \left( \sum_i n_i \cdot v_i \right)$$ 约束条件： $$\sum_i n_i \cdot c_i \leq C_{total}$$ $$\sum_i n_i \cdot p_i \leq P_{limit}$$ 其中$v_i$是单位价值，$c_i$是成本，$p_i$是人口占用。

实际效率应该维持在理论极限的60-80%： $$0.6 < \frac{E_{actual}}{E_{max}} < 0.8$$

12.3 科技树平衡性验证

12.3.1 科技路线的时间成本分析

科技树是RTS游戏的战略核心，其平衡性直接影响游戏的策略多样性。时间成本分析需要考虑：

累积时间模型： $$T_{total} = \sum_{i \in path} (T_{research_i} + T_{build_i}) + T_{idle}$$ 其中$T_{idle}$是等待资源积累的空闲时间。

机会成本评估：选择某条科技路线意味着放弃其他路线的早期优势。可以用决策树模型量化：

         [起始]
        /   |   \
    快攻   平衡   科技
    /       |       \
T=5分    T=8分    T=12分
优势窗口  稳定发展  后期强势

每条路线的价值函数： $$V_{path} = \sum_{t=0}^{T_{game}} \gamma^t \cdot S_t$$ 其中$S_t$是时刻$t$的战斗力，$\gamma$是折扣因子（早期优势更有价值）。

12.3.2 技术依赖图的遍历算法

科技树本质上是一个有向无环图（DAG）。测试需要验证：

可达性测试：使用深度优先搜索（DFS）确保所有科技都是可达的：

科技树结构示例：
    [基础科技]
    /    |    \
[军事1] [经济1] [防御1]
   |   ×   |  ×   |
[军事2] [经济2] [防御2]
   \      |      /
    [终极科技]

(× 表示交叉依赖)

可达性验证算法：

1. 构建邻接表表示：$G = (V, E)$，其中$V$是科技节点，$E$是依赖关系
2. 从起始科技执行DFS/BFS遍历
3. 记录可达节点集合$R$
4. 验证$|R| = |V|$（所有节点都可达）
5. 计算每个节点的最短路径长度$d_i$
6. 确保$\max(d_i) < \theta_{depth}$（深度不超过阈值，通常5-7层）

关键路径分析：使用拓扑排序找出达到终极科技的最短路径，确保不存在必经的瓶颈节点导致策略单一化。

关键路径算法（CPM）：

1. 计算最早开始时间：$ES_j = \max_{(i,j) \in E} (ES_i + T_i)$
2. 计算最晚开始时间：$LS_i = \min_{(i,j) \in E} (LS_j - T_i)$
3. 识别关键节点：$ES_i = LS_i$的节点
4. 关键路径比例：$\frac{|\text{关键节点}|}{|V|} < 0.3$

瓶颈节点识别：

• 计算节点介数中心性：$B_v = \sum_{s \neq v \neq t} \frac{\sigma_{st}(v)}{\sigma_{st}}$
• 其中$\sigma_{st}$是从$s$到$t$的最短路径数，$\sigma_{st}(v)$是经过$v$的数量
• 如果$B_v > 0.5$，则$v$是潜在瓶颈

分支因子检验：每个节点的出度（后续选择）应该保持在2-4之间，避免选择过少（无策略性）或过多（选择困难）。

分支复杂度分析：

• 平均分支因子：$\bar{b} = \frac{1}{|V|} \sum_{v \in V} \text{out-degree}(v)$
• 理想范围：$2 \leq \bar{b} \leq 3.5$
• 选择熵：$H = -\sum_{i} p_i \log p_i$，其中$p_i$是选择分支$i$的概率
• 目标：$H > 1.0$（确保有实际的选择多样性）

12.3.3 Rush策略vs后期策略平衡

平衡早期rush和后期发展是RTS设计的永恒主题：

时间窗口模型：

• Rush窗口：$[T_{rush_start}, T_{rush_end}]$
• 防守转换点：$T_{defend}$
• 后期优势点：$T_{late}$

理想的平衡应满足： $$P_{rush} \approx P_{defend} \approx P_{late} \approx \frac{1}{3}$$ 投资回报曲线： $$ROI_{tech}(t) = \frac{Power_{with_tech}(t) - Power_{without}(t)}{Cost_{tech}}$$ 科技投资的回报应该呈现S型曲线：初期低回报（投资期）、中期快速增长（收获期）、后期边际递减（饱和期）。

12.3.4 科技升级的边际效益递减

为避免"科技碾压"，升级应该遵循边际效益递减原则：

递减函数设计： $$Bonus_n = B_0 \cdot (1 - e^{-k \cdot n}) $$ 其中$n$是升级等级，$k$控制递减速度。

成本递增模型： $$Cost_n = C_0 \cdot r^n$$ 其中$r > 1$是成本递增比率。

效费比曲线： $$\text{CPR}_n = \frac{Bonus_n - Bonus_{n-1}}{Cost_n - Cost_{n-1}}$$ 测试需要验证CPR曲线单调递减，且在合理等级（通常3-5级）后接近0。

12.4 种族/文明强度曲线测试

12.4.1 早中晚期强度分布模型

不同种族在游戏不同阶段的强度分布是其特色所在：

强度曲线函数： $$S_{race}(t) = \sum_{i} A_i \cdot f_i(t)$$ 其中$f_i(t)$是基础函数（如高斯分布、贝塔分布），$A_i$是权重系数。

典型的强度分布模式：

强度
 ^
 |     Rush型
 |    /\
 |   /  \___
 |  /        \___
 +-----------------> 时间

 |         平衡型
 |     ___/\___
 |   _/        \_
 | _/            \_
 +-----------------> 时间

 |           后期型
 |         ___/‾‾‾
 |      __/
 | ___/
 +-----------------> 时间

12.4.2 不同地图对种族平衡的影响

地图特征会显著影响种族平衡：

地图特征向量： $$M = [size, chokepoints, resources, expansion, water]$$ 种族-地图适配度矩阵： $$F_{race,map} = W_{race} \cdot M^T$$ 其中$W_{race}$是种族对各地图特征的权重矩阵。

测试需要验证在标准地图池中： $$\sigma(F_{race}) < \theta_{balance}$$ 即各种族的适配度标准差小于平衡阈值。

12.4.3 镜像对战vs非镜像对战数据

镜像对战用于验证种族内部平衡：

• 先手优势应该minimal：$|P_{first} - 0.5| < 0.05$
• 策略多样性：至少存在3种以上可行的开局

非镜像对战验证种族间平衡： 构建胜率矩阵$W_{ij}$表示种族$i$对种族$j$的胜率。

理想情况： $$W_{ij} \in [0.45, 0.55], \forall i \neq j$$ 如果存在$W_{ij} > 0.6$或$< 0.4$，需要调整平衡性。

12.4.4 胜率统计与置信区间

使用统计方法评估平衡性：

二项分布置信区间： 对于$n$场对战中赢$k$场，95%置信区间： $$CI = \hat{p} \pm 1.96\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$$ 其中$\hat{p} = k/n$是样本胜率。

样本量计算： 要检测$\Delta = 0.05$的胜率差异，需要的样本量： $$n = \frac{2(Z_{\alpha/2} + Z_{\beta})^2 \cdot p(1-p)}{\Delta^2}$$ 通常需要至少1000场对战数据才能得出可靠结论。

12.5 资源采集效率模型

12.5.1 资源类型与采集速率

RTS游戏通常包含多种资源类型，每种都有其独特的采集机制：

基础采集模型： $$R(t) = \sum_{i} n_i(t) \cdot r_i \cdot e_i(t)$$ 其中：

• $n_i(t)$：时刻$t$采集资源$i$的工人数量
• $r_i$：资源$i$的基础采集速率
• $e_i(t)$：效率系数（受距离、科技、疲劳等影响）

距离衰减函数： $$e_{distance} = \frac{1}{1 + k \cdot d}$$ 其中$d$是资源点到基地的距离，$k$是衰减系数。

资源枯竭模型： 有限资源的剩余量： $$R_{remain}(t) = R_0 - \int_0^t r(s) ds$$ 测试需要验证资源枯竭不会导致游戏无法继续。

12.5.2 经济雪球效应分析

经济优势容易形成正反馈循环，需要careful测试：

复利增长模型： $$E(t) = E_0 \cdot (1 + r)^t$$ 其中$r$是经济增长率。如果$r$过大，领先方会迅速拉开差距。

收益递减机制： 为控制雪球效应，常见的设计包括：

1. 工人效率递减： $$\text{效率}_n = \frac{1}{1 + \alpha \cdot \log(n)}$$

2. 维护成本递增： $$\text{维护成本} = \beta \cdot n^{1.5}$$

3. 供应限制： $$\text{有效工人数} = \min(n_{actual}, n_{supply})$$ 经济崩溃临界点： 测试需要找出经济系统的临界点： $$\frac{dE}{dt} = \text{Income} - \text{Cost} - \text{Loss}$$ 当$\frac{dE}{dt} < 0$时，经济开始萎缩。

12.5.3 资源控制点价值评估

地图上的资源点价值并不相等：

位置价值函数： $$V_{pos} = \frac{R_{total}}{D_{base} \cdot R_{risk}}$$ 其中：

• $R_{total}$：资源点的总储量
• $D_{base}$：到最近基地的距离
• $R_{risk}$：被攻击的风险系数

控制成本分析： $$C_{control} = C_{capture} + \int_0^T C_{defend}(t) dt$$ 资源点的净价值： $$V_{net} = V_{pos} - C_{control}$$ 关键资源点识别： 使用图论方法识别关键节点：

• 中心性分析：betweenness centrality高的点
• 割点检测：移除后导致地图分割的点
• 瓶颈识别：控制后能限制对手扩张的点

12.5.4 供应链断裂测试

资源系统的鲁棒性测试：

单点故障测试：

• 主基地被摧毁后的恢复能力
• 关键资源点丢失的影响
• 运输线路被切断的后果

压力测试场景：

1. 资源封锁：所有资源点被占领
2. 经济骚扰：持续攻击采集单位
3. 贸易中断：切断贸易路线
4. 科技封锁：无法升级经济科技

韧性指标： $$\text{韧性} = \frac{T_{recover}}{T_{disruption}} \cdot \frac{E_{after}}{E_{before}}$$ 理想的经济系统应该在遭受打击后能够恢复，但恢复时间要合理（既不能太快导致攻击无效，也不能太慢导致一击致命）。

供应链冗余度： $$\text{冗余度} = 1 - \frac{\text{关键节点数}}{\text{总节点数}}$$ 适度的冗余（0.3-0.5）能提供韧性，过高则降低效率。

本章小结

即时战略游戏的测试是一个多维度、多层次的复杂工程。本章介绍的核心概念和方法包括：

关键测试维度：

1. 单位平衡：通过成本效益比模型量化单位价值，使用克制矩阵确保策略多样性
2. 科技路线：验证科技树的可达性、平衡性和边际效益递减
3. 种族特色：确保不同种族在不同时期有各自的优势，但整体保持平衡
4. 经济系统：控制雪球效应，维持供应链韧性

核心公式回顾：

• 成本效益比：$\text{CER} = \frac{\text{效益值}}{C_{total}}$
• 科技价值函数：$V_{path} = \sum_{t=0}^{T} \gamma^t \cdot S_t$
• 种族强度曲线：$S_{race}(t) = \sum_{i} A_i \cdot f_i(t)$
• 资源采集模型：$R(t) = \sum_{i} n_i(t) \cdot r_i \cdot e_i(t)$
• 胜率置信区间：$CI = \hat{p} \pm 1.96\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$

测试原则：

• 避免单一最优解，保持策略多样性
• 平衡早中晚期，让每个阶段都有意义
• 控制反馈循环强度，避免雪球效应或僵局
• 统计验证需要足够样本量（通常>1000场）

常见陷阱与错误

1. 过度依赖理论模型

问题：纯数学模型忽略了玩家的实际操作能力和心理因素。 解决：结合理论分析、AI模拟和真实玩家测试。

2. 忽视涌现行为

问题：简单规则的组合可能产生意外的强力策略。 案例：星际争霸中的"4BG Rush"就是玩家发现的非设计意图策略。 解决：使用遗传算法和强化学习探索策略空间。

3. 平衡性过度调整

问题：频繁的平衡性补丁会破坏玩家的学习曲线。 解决：设置调整阈值，只有当胜率偏差>10%时才进行调整。

4. 地图偏向性

问题：某些地图天然有利于特定种族或策略。 解决：建立地图-种族适配度矩阵，确保地图池整体平衡。

5. 样本偏差

问题：测试数据可能集中在特定技能水平的玩家。 解决：分层采样，确保覆盖新手、中级、高手各个段位。

6. 忽视操作上限

问题：某些单位在perfect micro下过于强大。 案例：射程优势单位的无损风筝。 解决：加入操作难度因子，限制极限操作的收益。

7. 经济系统失控

问题：指数增长的经济导致后期资源溢出。 解决：实施软上限和硬上限结合的机制。

8. 科技树线性化

问题：存在明显的最优科技路线。 解决：确保每个分支都有unique优势，增加情境依赖性。

练习题

练习1：单位成本效益比计算（基础题）

某RTS游戏中有三种基础单位：

• 士兵：成本100金币，生命100，攻击10，防御5，速度5
• 弓箭手：成本120金币，生命60，攻击15，防御2，速度4，射程6
• 骑兵：成本200金币，生命150，攻击12，防御8，速度8

假设属性权重为：生命0.3，攻击0.4，防御0.1，速度0.15，射程0.05。计算各单位的成本效益比。

Hint: 先计算效益值，再除以成本。注意无射程单位的射程值为1。

练习2：科技树路径分析（基础题）

某游戏的科技树如下：

• 路径A：基础科技(2分钟) → 快攻科技(3分钟) → 战斗力+30%
• 路径B：基础科技(2分钟) → 经济科技(4分钟) → 资源产出+50% → 高级军事(5分钟) → 战斗力+60%
• 路径C：基础科技(2分钟) → 防御科技(3分钟) → 防御力+40% → 反击科技(4分钟) → 战斗力+40%

如果游戏时长预计20分钟，使用折扣因子γ=0.95，哪条路径的累积价值最高？

Hint: 考虑科技完成的时间点和持续时间，计算折现后的总价值。

练习3：种族平衡性验证（挑战题）

某RTS游戏有三个种族，在1000场高手对战中的胜率矩阵如下：

     人类  兽族  精灵
人类  50%   53%   44%
兽族  47%   50%   58%
精灵  56%   42%   50%

请分析这个平衡性是否可接受，如果不可接受，提出调整建议。

Hint: 计算每个对战组合的95%置信区间，检查是否包含50%。

练习4：资源雪球效应分析（挑战题）

某游戏的经济系统如下：

• 初始工人5个，每个采集速率10/分钟
• 工人成本50，生产时间30秒
• 工人效率公式：效率 = 1/(1 + 0.02×(n-5))，n>5时生效
• 军事单位成本100

问：在纯经济发展10分钟后转军事，与5分钟经济5分钟军事相比，哪种策略能产出更多军事单位？

Hint: 建立微分方程模型，考虑工人效率递减。

练习5：克制矩阵完整性测试（基础题）

设计一个4种单位的克制矩阵，要求：

1. 不存在万能单位
2. 每种单位至少克制一种其他单位
3. 克制系数在[0.7, 1.5]范围内

Hint: 可以考虑双重属性系统（攻击类型+护甲类型）。

        轻甲  中甲  重甲  能量甲
穿刺    1.3   1.0   0.7   1.0
爆破    0.8   1.3   1.2   0.8  
能量    1.0   0.9   0.8   1.4
普通    1.0   1.0   1.0   1.0

练习6：供应链韧性测试（挑战题）

某RTS地图有5个资源点，构成如下网络：

基地 - R1 - R2
  |     X     |
  R3 - R4 - R5

(X表示R1和R4相连)

每个资源点产出10/分钟，占领需要2分钟，防守成本5/分钟。如果敌人可以随机摧毁一个资源点，如何分配防守以最大化期望收益？

Hint: 计算每个点的中心性和被切断后的损失。

练习7：技术路线时间复杂度（开放题）

设计一个算法，自动发现RTS游戏中的"技术 Timing Rush"（在特定时间点的科技优势攻击窗口）。算法输入包括科技树、单位数据、资源系统参数。

Hint: 考虑动态规划或图搜索算法。

function findTimingRush(maxTime):
  queue = PriorityQueue()  // 按军事力量/时间比排序
  queue.add(初始状态)

  while queue not empty:
    state = queue.pop()
    if state.time > maxTime:
      continue

    // 评估当前状态的进攻潜力
    attackPower = evaluateAttack(state)
    defenseNeeded = estimateDefense(state.time)

    if attackPower > defenseNeeded * 1.3:  // 30%优势
      recordTimingWindow(state)

    // 扩展状态
    for action in getPossibleActions(state):
      newState = applyAction(state, action)
      queue.add(newState)

练习8：Meta演化预测（开放题）

假设你需要预测一个RTS游戏版本更新后的Meta演化。版本更新内容：某个种族的主力单位成本降低10%。请设计一个模型预测30天后的种族使用率和主流战术。

Hint: 可以借鉴生态学的Lotka-Volterra方程。

初始状态：[种族A: 33%, 种族B: 33%, 种族C: 34%]

Day 1-7: 

- 种族B成本降低 → 使用率升至45%
- 主流战术：传统打法+多产受益单位

Day 8-14:

- 种族A开发针对性策略 → 使用率升至35%
- 种族B稳定在40%
- 新战术：快速骚扰阻止种族B经济优势

Day 15-21:

- 三方动态平衡形成
- 种族B发展出反骚扰打法

Day 22-30:

- 新平衡：[种族A: 32%, 种族B: 38%, 种族C: 30%]
- Meta稳定，等待下次更新