Game_Num_Basics_And_Calc

🧠 通用加权决策系统 (Unified Weighted Decision System)

本文档旨在抽象 Project Vampirefall 中多个核心系统的底层逻辑，构建一个通用的、基于上下文的加权选择器 (Context-Aware Weighted Selector)。

通过统一仇恨 (Aggro)、塔防索敌 (Tower Targeting) 和肉鸽抽卡 (Perk Drafting) 的决策代码，我们可以减少重复逻辑，提高系统的可维护性和扩展性。

1. 系统概述 (Overview)

在游戏中，我们经常面临这样的问题：“从一堆选项中，根据当前情况，选择最合适的一个（或几个）。”

仇恨系统: 从一堆怪物中，选出威胁最大的攻击。
塔防索敌: 从射程内的敌人中，选出价值最高的击杀。
Perk 抽取: 从几百个强化词条中，选出最适合玩家当前流派的展示。

这三个看似无关的系统，本质上都遵循 Input -> Scoring -> Selection 的模式。

2. 核心架构 (Core Architecture)

2.1 流程图 (Flowchart)

graph LR
    Pool("候选池 Candidates") --> Filter("过滤器 Filter")
    Context("环境上下文 Context") --> Filter
    Filter --> Scorer("评分引擎 Scoring Engine")
    Context --> Scorer
    Scorer --> Weight("最终权重列表")
    Weight --> Mode{"选择模式"}
    Mode -->|"Top 1"| ResultA("最优解 (Aggro/Tower)")
    Mode -->|"Weighted Random"| ResultB("随机解 (Perk/Loot)")

2.2 核心组件 (Components)

候选人 (Candidate T): 待选择的对象（Enemy, Tower, PerkData）。
上下文 (Context C): 决策时的环境信息（距离、玩家HP、已拥有的Tags）。
评分器 (Scorer IScorer<T, C>): 一个独立的逻辑单元，负责计算单项分数。
选择器 (Selector): 负责运行所有评分器并汇总结果。

3. 评分器策略库 (Scorer Strategy Library)

通过组合不同的评分器，我们可以“拼装”出不同的 AI 行为，而无需重写代码。

3.1 基础评分器

3.2 评分公式

标准的归一化评分公式：

\[FinalScore = \sum (RawScore_i \times Multiplier_i) + FlatBonus\]

Multiplier (乘区): 用于调整权重（例如：刺客怪的 HealthScorer 权重是 5.0，而 DistanceScorer 权重是 0.5）。
FlatBonus (加算): 用于强制覆盖（例如：嘲讽状态直接 +10000 分）。

4. 实战应用配置 (Configuration Examples)

Case A: 怪物仇恨 (Aggro System)

目标: 选一个攻击目标。
选择模式: Top 1 (确定性)。
配置:
- DamageReceivedScorer: 权重 1.0 (谁打我，我打谁)。
- DistanceScorer: 权重 2.0 (谁离我近，我打谁)。
- TauntStatusScorer: 权重 100.0 (嘲讽强制最高)。

Case B: 狙击塔索敌 (Sniper Tower Targeting)

目标: 选一个敌人开火。
选择模式: Top 1 (确定性)。
配置:
- DistanceScorer: 权重 -1.0 (反向，优先打远的)。
- HealthScorer: 权重 2.0 (优先打残血，确保击杀)。
- ArmorTypeScorer: 若目标是重甲，权重 0.5 (打不动)；若轻甲，权重 1.5。

Case C: 肉鸽 Perk 抽取 (Perk Drafting)

目标: 选 3 个 Perk 给玩家。
选择模式: Weighted Random (加权随机)。
配置:
- RarityBaseScorer: 传说(5) < 史诗(15) < 稀有(30) < 普通(50)。
- TagSynergyScorer: 玩家若有[Fire]，火系Perk权重 x 1.5。
- BanListFilter: 若玩家选了[NoMagic]，剔除所有法术Perk。
- PityTimerScorer: 若连续 10 次没出传说，传说权重 x 10。

5. 代码实现参考 (C# Implementation)

为了保证性能（避免每帧 GC），建议使用结构体或预分配内存。

// 1. 定义评分上下文
public struct DecisionContext {
    public Vector3 Origin; // 决策者位置
    public EntityType SelfType; // 决策者类型
    public List<string> PlayerTags; // 玩家当前的流派标签
    // ... 其他共享数据
}

// 2. 评分器接口
public interface IScorer<T> {
    float Evaluate(T candidate, DecisionContext context);
}

// 3. 具体评分器实现：距离评分
public class DistanceScorer : IScorer<Enemy> {
    private float _weight;
    public DistanceScorer(float weight) { _weight = weight; }

    public float Evaluate(Enemy target, DecisionContext context) {
        float dist = Vector3.Distance(context.Origin, target.Position);
        // 距离越近分越高，使用 1/x 曲线
        return (1f / Mathf.Max(dist, 0.1f)) * _weight; 
    }
}

// 4. 决策引擎
public class DecisionEngine<T> {
    private List<IScorer<T>> _scorers = new List<IScorer<T>>();

    public void AddScorer(IScorer<T> scorer) { _scorers.Add(scorer); }

    // 模式 A: 选最好的 (用于 AI)
    public T SelectBest(List<T> candidates, DecisionContext context) {
        T bestCandidate = default;
        float bestScore = float.MinValue;

        foreach (var candidate in candidates) {
            float currentScore = 0f;
            foreach (var scorer in _scorers) {
                currentScore += scorer.Evaluate(candidate, context);
            }

            if (currentScore > bestScore) {
                bestScore = currentScore;
                bestCandidate = candidate;
            }
        }
        return bestCandidate;
    }
    
    // 模式 B: 加权随机 (用于抽卡)
    public T SelectRandom(List<T> candidates, DecisionContext context) {
        // 实现标准的加权随机算法 (Roulette Wheel Selection)
        // ...
        return default;
    }
}

6. 性能优化指南 (Optimization)

由于 AI 决策可能每一帧都在跑，必须注意开销。

分帧计算 (Time-Slicing): 不要让所有怪物在同一帧跑决策逻辑。将怪物分组，每帧只更新一组。
🧠 通用加权决策系统 (Unified Weighted Decision System)