如何基于指定胜率计算从起始分到达目标评分的游戏次数

核心计算逻辑 #

• 目标分数差：从5000分降到1000分，总共需要减少 4000分
• 单场分数变化期望：胜率27%意味着每场有27%概率赢（+30分）、73%概率输（-30分），单场均分变化为 30*0.27 + (-30)*0.73 = -13.8分/场
• 期望场次：总降幅除以单场均降幅的绝对值，即 4000 / 13.8 ≈ 289.86，向上取整为 290场（场次必须为整数，需确保分数降到目标值以下）

代码实现 #

方式1：数学期望计算（直接得理论场次） #

function calculateRequiredGames(startPts, targetPts, winRate) {
    const scoreDiff = startPts - targetPts;
    if (scoreDiff <= 0) return 0;
    const avgScoreChangePerGame = winRate * 30 + (1 - winRate) * (-30);
    if (avgScoreChangePerGame >= 0) return Infinity; // 期望分数上升，无法降到目标值
    return Math.ceil(scoreDiff / Math.abs(avgScoreChangePerGame));
}

// 代入参数计算
console.log(calculateRequiredGames(5000, 1000, 0.27)); // 输出：290

方式2：蒙特卡洛模拟（多次模拟取平均） #

如果需要模拟实际概率场景，可通过多次运行取平均场次：

function simulateOneRun(startPts, targetPts, winRate) {
    let currentPts = startPts;
    let games = 0;
    while (currentPts > targetPts) {
        const isWin = Math.random() < winRate;
        currentPts += isWin ? 30 : -30;
        games++;
    }
    return games;
}

function simulateMultipleRuns(startPts, targetPts, winRate, runs) {
    let totalGames = 0;
    for (let i = 0; i < runs; i++) {
        totalGames += simulateOneRun(startPts, targetPts, winRate);
    }
    return Math.round(totalGames / runs);
}

// 模拟10000次取平均
console.log(simulateMultipleRuns(5000, 1000, 0.27, 10000)); // 结果接近290

内容的提问来源于stack exchange，提问作者BXOPE BXOPE