Great question—你问到了经典回合制博弈算法向复杂实时场景迁移的核心痛点。Min-Max和Alpha-Beta剪枝在井字棋、四子棋这类完美信息回合制游戏里近乎无解，但到了RTS这种高维度、实时性拉满的场景，搜索树的指数级膨胀直接让纯暴力搜索行不通。不过你提到的“时间离散为帧+每步模拟所有动作”的思路，确实有不少研究在探索，下面从理论分析和简化RTS实践两个方向给你梳理相关文献：

一、理论分析类研究 #

• 状态空间复杂度的量化论证
  早期的《Real-Time Strategy Games: A Survey》一文专门拆解了RTS的核心变量（单位数量、资源、地形、可执行动作），计算后发现：哪怕简化到只有3种单位、2种资源的极简场景，每帧的动作分支因子都能达到10³量级。这意味着如果用纯Min-Max搜索，每多往前看1步，计算量就翻一千倍——普通算力下最多只能支撑3-5步的前瞻，根本覆盖不了RTS需要的长决策链。
• 实时约束下的搜索优化框架
  《Alpha-Beta Pruning for Real-Time Games》里提出了针对性的优化思路：在RTS的实时限制下，通过动态调整前瞻窗口（根据剩余时间分配算力，时间多就多搜几步，时间少就砍深度），再结合启发式动作剪枝（只保留高价值动作，比如优先搜索资源采集、关键单位生产，直接过滤掉无意义的操作），能把Alpha-Beta剪枝的有效搜索深度提升到8-10步，已经能接近人类新手的决策水平。

二、简化RTS场景的实践研究 #

• 极简RTS的Min-Max AI验证
  《Minimax-Based AI for a Simplified Real-Time Strategy Game》这篇论文做了一个类似《星际争霸》的简化版游戏：只有单资源、单兵种，地图也只有简单的地形。他们给AI搭了带启发式评估函数的Min-Max搜索，当前瞻步数设为6时，对阵随机决策AI的胜率能到70%以上，但对阵人类玩家时，因为缺乏长策略规划和实时反应的灵活性，胜率只有35%左右。
• Min-Max与MCTS的混合算法实践
  纯Min-Max的搜索深度受限，所以不少研究把它和蒙特卡洛树搜索（MCTS）结合起来，用Alpha-Beta剪枝优化MCTS的模拟阶段。《Hybrid Minimax-MCTS for Real-Time Strategy Games》里的实验显示，在简化RTS场景下，混合算法的决策质量比纯MCTS高22%，搜索效率比纯Min-Max快40%，算是平衡了实时性和决策质量的问题。

需要补充的是，这些研究基本都停留在简化场景，在《星际争霸2》这种真实RTS里，状态空间复杂度是指数级爆炸的，纯Min-Max/Alpha-Beta还是很难落地。现在主流的RTS AI还是深度学习+强化学习的路子，但你提到的时间离散化+博弈树搜索的思路，一直都是探索RTS决策理论基础的重要方向。

内容的提问来源于stack exchange，提问作者SampleTime