针对即时战略型游戏中典型的攻击/防御场景，本研究提出了基于混合进化算法的优化模型解决有限资源下防御单位的数量分配以及空间位置摆放的优化问题，并设计了加速模型来满足游戏实时性的需要。主要分为以下两部分工作。首先，对不同种类防御武器进行数量的最优分配。在此基础上，通过进化算法训练得到多类防御单位在游戏地图中空间位置的优化结果。我们分别设计了遗传算法和粒子群算法并比较两种算法在即时战略游戏中的实际效果。其次，在位置优化模型中提出了两阶段加速模型，用以解决混合进化算法模型的效率和适应能力问题，使在离线和在线的处理时间更加符合游戏的要求。首先，将遗传算法与蚁群算法相结合用于离线训练加速。遗传算法初始迭代处理为蚁群算法生产“信息素”对蚁群算法的介入进行铺垫。在“信息素”充足之后蚁群算法接替遗传算法进行搜索，得到离线处理结果，即防御武器优化位置。第二阶段，引入神经网络使模型具备在线加速功能。离线训练的优化结果连同周围环境的信息作为案例输入到神经网络中进行训练，训练成型的神经网络具备对随机地图中防御单位位置分布的快速预测功能。两阶段加速模型对于离线、在线提高处理效率方面效果明显，并提高了对随机环境的适应性。