數值設定的步驟很多，本文只講公式類型、特點及應用；牽涉到數值設定中常遇到的幾種類型的設定：機率、經驗、屬性、技能；
本文由簡入煩，主體以公式的類型、特色來劃分章節，穿插幾種類型的設定講解。
OK，Let’s Begin。
一、加減乘除
線型爲線性，變化穩定，比較容易找到規律，預期後面的發展；
舉幾個例子：
1， 每加一點力量，近戰物理攻擊加1；每射擊一次，子彈數減少1；
2， 每使用一次冰箭術，熟練度加1，達到2000時，升級爲2級；
3， 寵物近戰物理傷害=寵物物理攻擊-目標物理防禦；寵物近戰物理傷害=寵物物理攻擊*目標物理吸收比；近戰物理技能傷害=（（武器傷害+技能附加）*技能增幅）*目標物理吸收；
4， 血擊（技能）：在HP <50%時，將自己所有HP化爲傷害，攻擊目標，使用後生命值爲1；傷害=（基本傷害+當前HP）*(1+技能等級調整值+10*當前HP/最大HP)；
總結：
Ø 加減的運算最爲直觀，一眼就可以發現規律，甚至潛意識；
Ø 乘除的運算容易簡單、直接的對數據造成跳躍性，而常常是有意識、有規律的跳動；
Ø 混合運用時，可以實現很多有特色的功能；
二、冪函數
冪函數f(x)=x^i；對比函數g(x)=x；
當0<i<1時，[0,1]區間內，f(x)>g(x)；[1,∞]區間內，f(x)<g(x)；先急後緩；
當i>1時，[0,1]區間內，f(x)<g(x)；[1,∞]區間內，f(x)>g(x)；先緩後急；
當i<0時，[0,1]區間內，f(x)逼近無窮大；[1,∞]區間內，f(x)逼近無窮小；
示例曲線圖如下：
舉例應用：
1， 升級經驗=ceiling(1000*等級^(2/3),1)；(ceiling=向上取整)
2， 消除類休閒遊戲（如寶石迷陣），COMBO得分=100*本次寶石個數*2^combo次數；
3， 魔法攻擊=智力值+[int(智力值/10)]^2；（int=向下取整）
4， f(x)=1/x的應用：
ü 血擊傷害Ver2.0=（基礎傷害+當前HP）*[14*技能等級調整值*當前HP/(最大HP-當前HP)]；
ü 攻擊速度=50/{200 -[(250-敏捷-靈巧/4)/50*(200-基本速度)]}；
5， 命中率=100/[1+（150-敏捷）]；
6， 魔法回覆(點/秒)=2+(2+精神/50)^2；
總結：
0， 前期容易後期難是普遍的經驗值遞加設計原則，i<1時具有這種特性；
1， i>1造成的連鎖遞增效應是用來獎勵的上好措施，但缺點是有限區間內拓展；
2， 某些需要積累到一定程度才能體現出優越性的屬性設定往往要用到f(x)=x^i(i>1)的先緩後急的特性。
3， f(x)=1/x常常以a/(b-x)的形式出現，常常用來實現具有臨界值的屬性設定，且x多有取值限制，需要很好的前期規劃；
4， 接上，1/x的x取值區間常定義在[1,max]，有時也會進入[0,1]這一段，一般都是通過將[1,max]區間進行除算，得到新的[1/a,max]；可以產生新的臨界點；
5， 冪數的計算相對複雜，不適合做心跳計算；指數函數極少應用；
三、數組、數列
有限個具有相同變量名的相同類型的下標變量的有序排列，叫做一個數組；
一元數組：{a1,a2,…,ai,…,an}
二元數組：{a(1,1)，a(1,2)，a(1,3)，a(2,1)，a(2,2)，a(2,3),…,a(3,3)}
按一定次序排列的一列數，叫做數列；有窮數列；無窮數列；n項合Sn
等差數列：ai-a(i-1)=n，Sn=(a0+an)n/2
等比數列：ai/a(i-1)=n，Sn=a0(1-q^(n-1))/q，q=ai/a(i-1)
斐波那契數列：a(i+1)=ai+a(i-1)，a0=1，a1=1
{1，1，2，3，5，8，13，21，34，55，89，144，233，…}
ü 假設一對初生兔子要一個月纔到成熟期，而一對成熟兔子每月會生一對兔子，那麼，由一對初生兔子開始，12 個月後會有多少對兔子呢？144對。
ü 二叉完全樹的葉子數按斐波那契數列增長；
ü 連續 10 個斐波那契數之和，必定等於第 7 個數的 11 倍。
數列是函數的離散形式；數組是離散的值的集合；
舉幾個例子：
1， 1~5級升級每次獲得3點屬性點，而後每5級多獲得1點，即6~10級4點，11~15級5點……，50級後，每4級一個跳躍；
2， 本級升級所需經驗=上級所需經驗+本級等級數*10000；
3， 休閒小遊戲COMBO得分Ver2.0：Combo1=寶石數*c1，Combo2=寶石數*c2，Combo3=寶石數*（c1+c2），…，Combo(i)=寶石數*(c(i-2)+c(i-1))；其中c1=2,c2=3；
總結：
Ø 對於一些不方便、不必要用公式來表達的數值，採用數組直接存取方便快捷；（你也可以說這是索引表）
Ø 對等差、等比這種最基礎的數列進行一些細節的改變，往往可以產生微妙的變化。例2就是一個遞歸的例子，曲線走勢類似f(x)=x^2；（當然，你也可以說這本來就是遞歸）
Ø 數組、數列其本身並不是什麼公式，更多的是一個看問題的角度；
四、正態分佈
正態分佈的應用非常深、廣，筆者實在是能力有限，只探討下在機率問題上的正態分佈；
Random[]:在[0，1]上隨機取數；
Random[Integer,{1,100}]:在[1，100]上隨機取整數；
1d8=Random[Integer,{1,8}]:投一次8面骰；
2d4=Random[Integer,{1,4}]+ Random[Integer,{1,4}]:投2次4面骰；
…
xdy= Random[Integer,{1,y}]+ Random[Integer,{1,y}]+…:投x次y面骰，設結果爲s，結果s的機率爲p′，那麼，設p= p′*y^x，則爲受x,y,s影響的3元函數，p(x,y,s)：
Ø 1/(y^x)爲p′的最小單位；
Ø s∈[x，xy]，s爲整數；
Ø x=1時，分佈曲線爲平行線y=1/y；x=2時，分佈曲線爲折線，示例圖如下（實際爲散點圖）：橫軸爲s，縱軸爲p；
Ø x>2時，s的出現機率p（s）:( B[n,m]爲Binomial[n,m]的省略，爲組合；n≥m)
p(x,y,s)={B[x,1]*p(x-1,y-1,s-y)+B[x,2]*p(x-2,y-1,s-2y)+…+B[x,3]*p(x-i,y-1,s-i*y)}+{B[x,1]*p(x-1,y-2,s-y)+B[x,2]*p(x-2,y-2,s-2*y)+…+B[x,i]*p(x-i,y-2,s-i*y)}+…+B[x,i]*p(x-i,y-j,s-i*y)+…
（i,j,x,y,s∈integer, 1≤i<x, 1≤j<y；）
Ø 上式中，B[x,i]*p(x-i,y-j,s-i*y)有解的條件是：
x≤i*(y-j)+x-i≤s-i*y
Ø 曲線總爲對稱圖形，s=(xy+x)/2時的p(x,y,s)值最大,s爲整數，唯一最大，爲小數，上下取整，兩個最大值；
Ø 必須注意的是，x,y是一常量，i，j是變量；請勿混淆；
Ø 給出示意圖一張(5d4) ，橫軸爲s，縱軸爲p：
Ø p(a,b,a)=1，p(a,b,ab)=1；∑p′=1；
Ø 另外一種計算p的方式較爲容易理解，我稱之爲冒泡法；見示意圖，講述的是p(5,4,7)的求解過程；
於是，這個問題轉化成：將s-x個球放入x個口袋中，每個口袋最多能裝y-1個球，有多少種分法？
舉幾個例子：
1， 某盜賊的閃躲爲20%；即Random[integer,{1,100}]≤20時，閃躲成功，否則失敗；
2， 某盜賊的閃躲爲20%，格擋爲10%，兩者優先級等同；即 Random[integer,{1,100}]≤20時，閃躲成功，21≤Random[integer,{1,100}]≤30時格擋成功；
3， 某盜賊的閃躲是20%，格擋是10%，完全閃躲是25%，優先級完全閃躲>閃躲=格擋；即Random[integer,{1,100}]≤25時，完全閃躲，否則，Random[integer,{1,100}]≤20閃躲，21≤Random[integer,{1,100}]≤30格擋；
4， 弓的攻擊是2-10，弩的攻擊5-7；便是2dy1和5dy2（y1>y2）的簡化應用；（當然，實際效果是1d9+1和1d3+4）；
5，
總結：
Ø 我將例1、2中的隨機數稱爲部分隨機數，因爲存在部分的無用數；
Ø 骰子是隨機數的一種特殊情況，總是有解，我稱之爲完全隨機數；
Ø 機率都可以用p(x,y,s)表達；
Ø p(x,y,s)中的x控制曲線的坡度，y控制曲線的左右跨度，s決定機率大小，x*y決定曲線的成長性；x:y決定曲線的整體走勢；
Ø 接上，當1←x<y時，趨於平緩；y<x→xy時，趨於陡峭；
Ø 任意一種隨機數的隨機事件都受到收益遞減的影響，見下圖，表示的是在閃躲提高時，閃躲成功：不閃躲的比例：
Ø p(3,y,s)在s∈[3,y+3-1]上遞歸增長(一元遞歸)，規律如下（x=3）：
1,x,2x,3x+1,4x+2,…,ix+(i-2)，…，
或者表達爲（將上式看做一個數列）
{p2-p1,p3-p2,…,pi-p(i-1),…}爲等差數列，首項p1=2,等差d=1；
Ø p(4,y,s)有類似規律，爲二元遞歸；依次類推；
Ø 若y1<y2，p1(3,y1,s)在s∈[3,y1+3-1]和p2(3,y2,s)在s∈[3,y2+3-1]，p1和p2在s∈[3,y1+3-1]上相等；
Ø [3,y+3-1]區間存在一個遞歸減少的對稱區間，對稱軸s=(xy+x)/2；
五、作者的話
對於數值設定是一項龐大的過程，需要很清晰的思路和邏輯，工作流程不多螯述，做過的基本都知道；不想對哪部分重要、哪部分次要做評價，個人覺得這是混泥土和鋼筋的關係，一個發揮不了作用，結合纔是正道。
作者的信條是：條件決定結果，儘量簡化過程，懂的取捨，懂的輕重；
本篇是第一彈，正在努力推出其他部分的一些東西；因爲公式的內容相對比較具體，有很多前人的經驗在鋪路（雖然正態分佈部分的內容完全是自己總結出來的，汗啊，高數學的差的結果，覺得有這麼個東西，但就是想不起來）。
特別申明一下，正態分佈部分的內容因爲沒有太多實際的操作經驗，所以不太好胡亂舉例，避免引起誤解。