本文目录导读：
这个问题问得很有深度。战术克制关系确实可以被量化，但它的量化方式远比“石头>剪刀>布”这种简单循环要复杂得多，且带有强烈的“语境”依赖性。
在Python中,我们可以通过建立数学模型和数据模型来量化，但量化出来的不是“谁赢谁”的绝对数值，而是“在特定情况下，某策略的胜率或收益期望”。
以下是几个用Python量化战术克制的经典思路和案例,从“简单硬编码”到“机器学习”演进：
基础逻辑矩阵（硬编码法）
这是最直接的量化方式,适用于规则明确的游戏（如传统回合制）。
# 定义一个战术类型和相克矩阵
# 数值解释：1.5 表示强克，1.0 表示均势，0.5 表示被克，0 表示无效
tactics = ["火攻", "水淹", "伏击"]
# 建立一个2D矩阵 matrix[进攻方][防守方]
matrix = [
[1.0, 0.5, 1.5], # 火攻：克伏击（1.5），被水克（0.5）
[1.5, 1.0, 0.5], # 水淹：克火攻，被伏击克
[0.5, 1.5, 1.0], # 伏击：克水淹，被火攻克
]
def calculate_advantage(attack, defense, base_power=100):
"""量化攻击方对防守方的优势值"""
multiplier = matrix[tactics.index(attack)][tactics.index(defense)]
advantage_score = base_power * multiplier
return advantage_score
# 测试
print(calculate_advantage("火攻", "伏击")) # 输出 150.0（强克）
print(calculate_advantage("火攻", "水淹")) # 输出 50.0（被克）
局限：这是静态的，没有考虑距离、地形、时间等动态要素。
多维特征向量与距离计算（属性编码法）
现实中的战术克制是“多因子”的，例如在MOBA或RTS中，英雄/兵种有多个属性（射程、护甲类型、移速），我们可以用欧几里得距离或余弦相似度来量化“克制距离”。
import math
# 定义战术/兵种特征向量（物理输出，魔法抗性，移速，射程）
features = {
"近战肉盾": [0.8, 0.9, 0.3, 0.2], # 高抗性，低速度
"远程射手": [0.9, 0.4, 0.5, 0.9], # 高输出，低抗性，远射程
"刺客": [0.7, 0.3, 0.9, 0.4], # 高移速，低血抗
"法师": [0.6, 0.2, 0.4, 0.8], # 魔法爆发
}
def quantify_counter(attacker, defender):
"""计算属性空间中的欧氏距离，距离越远，代表属性差距越大，可能存在克制"""
a = features[attacker]
b = features[defender]
dist = math.sqrt(sum((x - y) ** 2 for x, y in zip(a, b)))
return dist
# 克制”不是距离，而是“方向”，但我们可以比较防御方的弱项
# 刺客（高移速） vs 法师（低物抗），这里需要定义一个损失函数
博弈论与蒙特卡洛模拟（概率量化）
这是最核心的量化方法,适合不确定性强的场景（如《星际争霸》、《炉石传说》），我们通过蒙特卡洛模拟，让电脑随机对战N次，统计胜率作为“克制系数”。
import random
class Unit:
def __init__(self, name, hp, attack, defense_bonus):
self.name = name
self.hp = hp
self.attack = attack
# 防御加成，对特定类型有效，这是克制关系的核心
self.defense_bonus = defense_bonus
def simulate_battle(unit_a, unit_b, rounds=10000):
"""模拟A对阵B的胜率，量化克制关系"""
a_wins = 0
for _ in range(rounds):
hp_a, hp_b = unit_a.hp, unit_b.hp
# 模拟回合制对砍，A先手
while hp_a > 0 and hp_b > 0:
# A攻击B，B的防御加成生效（例如远程对空伤害减少30%）
damage_to_b = unit_a.attack * unit_b.defense_bonus
hp_b -= damage_to_b
if hp_b <= 0:
a_wins += 1
break
# B反击A
damage_to_a = unit_b.attack * unit_a.defense_bonus
hp_a -= damage_to_a
if hp_a <= 0:
break
# 量化结果
win_rate = a_wins / rounds
return win_rate
# 定义：坦克克制步兵（坦克对步兵有150%伤害，但被地雷克制）
tank = Unit("坦克", 500, 200, 1.0) # 基础防御
infantry = Unit("步兵", 100, 100, 0.4) # 步兵打坦克只有40%伤害，坦克很肉
# 计算步兵反坦克的效果？不对，我们计算坦克打步兵
tank_vs_infantry = simulate_battle(tank, infantry)
print(f"坦克打步兵的胜率: {tank_vs_infantry:.2%}")
# 这只能反映强度，不是克制，需要引入“伤害加成矩阵”
数据驱动：机器学习（ELO评分 / 神经网络）
在游戏大数据中,我们直接用历史比赛数据训练模型，量化“克制关系”。
import pandas as pd
from sklearn.linear_model import LogisticRegression
# 假设我们有历史对局数据：[我方阵容, 敌方阵容, 胜负]
data = pd.DataFrame([
{"feature_attack": 0.8, "feature_defense": 0.2, "win": 1}, # 我方克敌方
{"feature_attack": 0.2, "feature_defense": 0.8, "win": 0}, # 我方被克
])
X = data[["feature_attack", "feature_defense"]]
y = data["win"]
model = LogisticRegression()
model.fit(X, y)
# 后续，给定新阵容，模型输出的概率就是“克制指数”
战术克制能不能量化？
能，但量化结果指的是“胜率期望”或“收益期望”，而不是“决定胜负”的常数。
以下几点你需要留意：
- 量化依赖模型：如果没有足够的数据或规则，你的Python模型只是“看起来像量化”，本质是“拍脑袋”。
- 动态博弈：真实战斗中，战术会实时改变（例如打了就跑、拉扯阵型），静态数值很难量化这种“操作”因素。
- 复合体系：单一战术的克制往往在“兵种组合”或“多单位协作”下会反转，Python需要用到强化学习或遗传算法去寻找最优组合，此时克制关系是一个高维空间中的“超平面”。
如果你有一个具体的游戏或场景（文明6》的兵种相克，或者《足球经理》的阵型相克），我可以帮你写一个更贴合的量化算法，你想深入哪个方向？
