AI 对手设计

神经网络原理 → 纸上谈兵 AI 对手设计 对应关系 AI/ML 概念 纸上谈兵中的映射 具体机制 梯度消失 玩家打了10个AI都不掉好东西，没成长感 保底掉落机制 梯度爆炸 某次捡到超强能量，后面碾压无脑 行动点软上限（BN层） 激活函数 AI 行为的非线性切换 血量<30%时AI暴走（ReLU） 自适应学习率 动态难度调节 根据玩家击杀速度调整刷新强度 残差连接 击杀积累不清零 掉落的材料可永久强化兵体 具体设计

第1-3个AI：小型（3核心 + 2甲 + 1炮）→ "新手村" 第4-8个AI：中型（5核心 + 4甲 + 2炮） 第9+个AI：大型（8核心 + 6甲 + 3炮）

类似 He初始化：根据"网络深度"（玩家进度）合理设定初始值 不会开局就刷 BOSS，也不会永远刷小怪 2. AI 行为（激活函数式状态切换） lua

复制 -- 不是简单的 if-else，而是"激活函数"式的连续变化

-- ReLU 式行为：血量高于50%正常巡逻，低于50%切换为冲锋 aggression = math.max(0, 1 - hp_ratio) * 2 -- ReLU(1-hp)

-- Sigmoid 式逃跑：不是突然逃，而是逐渐倾向后退 flee_prob = 1 / (1 + math.exp(5 * (hp_ratio - 0.2))) -- hp=50% → flee_prob≈0.05（几乎不跑） -- hp=20% → flee_prob≈0.5（开始犹豫） -- hp=5% → flee_prob≈0.95（拼命跑） 3. 动态难度（Batch Normalization） 每击杀5个AI，系统计算一次"玩家表现方差"：

表现值 = 击杀用时的平均 + 剩余血量的平均

如果表现太好（方差大，梯度爆炸）： → 下一波AI加强 20%（类似BN把输出拉回正常范围）

如果表现太差（方差趋零，梯度消失）： → 下一波AI减弱 20% + 额外掉落能量（"恢复学习率"）

目标：让玩家始终处于"有挑战但能赢"的甜区 4. 掉落机制（残差连接 + 保底） 击杀AI → 必掉能量块（+500行动点） 概率掉甲片碎片（后期：+1甲片格子）

残差连接思想：玩家的成长不会"归零"

保底机制（防梯度消失）： 连续3次击杀无额外掉落 → 第4次必定掉稀有材料 5. 行动点软上限（梯度裁剪） 行动点上限 = 5000（由能量仓决定）

即使无限拾取能量掉落物： if 行动点 > 上限 then 超出部分转化为"暴击率" × 0.01（边际收益递减） end

类似梯度裁剪：限制最大值，防止"无限续命"破坏游戏紧张感 公式汇总 AI强度 = He初始化(玩家进度层数) AI行为 = ReLU(攻击) + Sigmoid(逃跑)
难度调节 = BatchNorm(玩家表现方差) 掉落保底 = 残差连接(累积击杀数) 行动点 = GradientClip(当前值, 上限5000) 一句话 把"训练一个AI模型"的过程，变成"玩家在游戏中成长"的过程——让玩家就是那个正在被训练的网络，而你设计的难度曲线就是优化器。