CN111957047B - 关卡配置数据调整方法、计算机设备及存储介质 - Google Patents
关卡配置数据调整方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111957047B CN111957047B CN202010794440.4A CN202010794440A CN111957047B CN 111957047 B CN111957047 B CN 111957047B CN 202010794440 A CN202010794440 A CN 202010794440A CN 111957047 B CN111957047 B CN 111957047B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- checkpoint
- configuration
- initial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 58
- 239000013598 vector Substances 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000002787 reinforcement Effects 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 description 10
- 230000008030 elimination Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010437 gem Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
- A63F13/67—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor adaptively or by learning from player actions, e.g. skill level adjustment or by storing successful combat sequences for re-use
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/60—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor
- A63F13/69—Generating or modifying game content before or while executing the game program, e.g. authoring tools specially adapted for game development or game-integrated level editor by enabling or updating specific game elements, e.g. unlocking hidden features, items, levels or versions
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F13/00—Video games, i.e. games using an electronically generated display having two or more dimensions
- A63F13/70—Game security or game management aspects
- A63F13/79—Game security or game management aspects involving player-related data, e.g. identities, accounts, preferences or play histories
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/50—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game characterized by details of game servers
- A63F2300/55—Details of game data or player data management
- A63F2300/5546—Details of game data or player data management using player registration data, e.g. identification, account, preferences, game history
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/60—Methods for processing data by generating or executing the game program
- A63F2300/6027—Methods for processing data by generating or executing the game program using adaptive systems learning from user actions, e.g. for skill level adjustment
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63F—CARD, BOARD, OR ROULETTE GAMES; INDOOR GAMES USING SMALL MOVING PLAYING BODIES; VIDEO GAMES; GAMES NOT OTHERWISE PROVIDED FOR
- A63F2300/00—Features of games using an electronically generated display having two or more dimensions, e.g. on a television screen, showing representations related to the game
- A63F2300/60—Methods for processing data by generating or executing the game program
- A63F2300/609—Methods for processing data by generating or executing the game program for unlocking hidden game elements, e.g. features, items, levels
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种关卡配置数据调整方法、计算机设备及存储介质,其中,所述方法包括:获取目标应用程序的初始关卡配置数据;根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据;获取所述目标应用程序的初始关卡闯关数据;根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型;获取所述目标应用程序的更新关卡配置数据;利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息;发送所述配置评估信息给终端设备,以使所述终端设备根据调整指令调整所述更新关卡配置数据,所述调整指令为用户响应所述配置评估信息向所述终端设备所发出的指令。
Description
技术领域
本申请涉及AI技术领域,尤其涉及一种关卡配置数据调整方法、计算机设备及存储介质。
背景技术
随着多媒体技术的发展和无线网络的普及,人们的娱乐活动变得越来越丰富,如通过手持式媒体设备联网玩游戏、通过电脑玩单机或者联网游戏,游戏类型多种多样,如弹幕射击游戏、冒险游戏、模拟游戏、角色扮演游戏、休闲棋牌游戏、关卡休闲游戏和其它游戏等。
其中,关卡休闲游戏通常以每局短平快的特点和大量的新元素和关卡吸引玩家,所以平滑的关卡难度曲线设计以及持续地进行地图和元素的更新是关卡休闲游戏的重中之重。
对于游戏策划和开发人员而言,每个游戏大版本需要设计新元素,而每次的小版本更新中需要更新几十个新关卡,而为了确保游戏的可玩性,每个关卡需要配置不同游戏难度的关卡数据,然而,目前不同游戏难度的关卡数据主要是由游戏开发人员根据经验配置,这种关卡数据配置方式主观性较强,所配置的关卡数据与需匹配的游戏难度的匹配准确性较低,因此如何提升所配置的关卡数据与游戏难度的匹配准确性,成为了本领域技术人员亟待解决的技术问题。
发明内容
本申请的主要目的在于提供一种关卡配置数据调整方法、计算机设备及存储介质。
为实现上述目的,本申请提供一种关卡配置数据调整方法,所述方法包括:
获取目标应用程序的初始关卡配置数据;
根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,所述第一输出数据为所述闯关AI模型根据所述初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
获取所述目标应用程序的初始关卡闯关数据,所述初始关卡闯关数据是游戏角色在所述目标应用程序的初始关卡闯关所生成的数据;
根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型;
获取所述目标应用程序的更新关卡配置数据;
利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,其中,所述配置评估信息是用于评估所述更新关卡配置数据的配置合理性的信息;
发送所述配置评估信息给终端设备,以使所述终端设备根据调整指令调整所述更新关卡配置数据,所述调整指令为用户响应所述配置评估信息向所述终端设备所发出的指令。
为实现上述目的,本申请还提供一种存储介质,所述存储介质上存储有关卡配置数据调整程序,所述关卡配置数据调整程序被处理器执行时使所述处理器实现前述的关卡配置数据调整方法。
本申请实施例提供的卡配置数据调整方法、计算机设备及存储介质,可以准确获取目标应用程序新关卡对应的更新关卡配置数据从而节省新关卡的开发时间。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的关卡配置数据调整方法的实施场景示意图;
图2为本申请提供的关卡配置数据调整方法的实施场景一种变形结构示意图;
图3为本申请提供的一种关卡配置数据调整方法的步骤流程图;
图4为目标应用程序一个初始关卡对应初始状态示意图;
图5为本申请提供的另一种关卡配置数据调整方法的步骤流程图;
图6为本申请提供的另一种关卡配置数据调整方法的步骤流程图;
图7为本申请的实施例提供的一种计算机设备的示意框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,在本申请中涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
附图中所示的流程图仅是示例说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解、组合或部分合并,因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供的关卡数据调整方法涉及人工智能中的机器学习技术等技术,下面先对人工智能技术和机器学习技术进行说明。
人工智能(Artificial Intelligence,AI):AI是目前研究和开发用于模拟、延伸以及扩展人类智能的一门新兴科学技术。时下AI技术已被广泛应用于多种场景下,比如游戏场景便是其中一种。
终端设备:指代应用程序(游戏APP)运行的设备或用于进行应用程序开发的设备。示例性的,可例如为智能手机、平板电脑、手提电脑或者是台式电脑等。
AI模型:对于游戏场景来说,智能模拟的重点便是训练算法模型,在本申请中称之为AI模型。示例性的,AI模型在本申请中为深度神经网络。
深度神经网络(Deep Neural Networks,DNN):DNN是深度学习的基础,而深度学习的概念源于人工神经网络,深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新领域,其动机在于建立、模拟人脑进行分析学习的神经网络。
监督学习(Supervised Learning,SL):SL是从标记的训练数据来推断一个功能的机器学习任务。在监督学习中,每个实例都是由一个输入对象和一个期望的输出值组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。
游戏角色:本申请中游戏角色是指在游戏类应用程序中由游戏玩家创建可以与其他游戏玩家进行对局或者在游戏应用程序中进行闯关的游戏参与者。
消除类游戏:消除类游戏主要是将一定数量相同的游戏元素,如水果、宝石、动物头像等,使它们彼此相邻配对消除,同时,为了增加游戏难度,部分开发者在游戏元素基础上增加一些待消除目标,只有将待消除目标消除后,对应的游戏元素才能移动或消除。如,将三个同样的元素配对消除,此类称为三消游戏。消除游戏主要拥有计时规则和计步规则两种:计时消除游戏需要玩家在有限的时间内迅速搜索并交换可消除的元素,此时操作越快,获得高分的可能性越高。计步消除游戏则限制玩家在有效的时间和有效步数内达到关卡内设定的目标通过游戏,此时游戏更关注的是玩家的解密能力,操作的时间由于思考时间的增加而增加。
接下来,对本申请实施例提供的一种关卡配置数据调整方法所涉及的实施环境进行介绍说明。
请参阅图1,图1是本申请实施例提供的一种关卡数据调整方法的实施场景示意图。该实施场景包括服务器10以及与服务器10通信连接的终端设备20。其中,终端设备20用于应用程序的开发,例如,应用程序为关卡休闲游戏。服务器10用于利用终端设备20所开发出来的应用程序训练AI模型,并利用所训练出来的AI模型对该应用程序的更新版本进行测试,以获取该应用程序更新版本所对应的关卡数据的配置评估信息,配置评估信息是用于评估更新关卡数据的配置合理性的信息,以使应用程序开发人员可以根据配置评估信息对应用程序的关卡配置参数进行调整,并将调整后的目标应用程序对应的服务端在服务器10中更新部署,从而完成目标应用程序的迭代更新,使得游戏关卡的可玩性、趣味性得到较大提升,有效提升用户体验,增强游戏的用户黏度。
服务器10可以是独立的服务器或者是多个服务器组成的服务器集群来实现在此不做限定。
如图2所示,图2是服务器10为服务器群为例进行说明,服务器10包括AI服务器101及数据服务器102,其中,终端设备20将开发完成的应用程序的服务端部署于服务器102。AI服务器101利用终端设备20所开发出来的的应用程序训练AI模型,并利用所训练出来的AI模型对该应用程序的更新版本进行测试,以获取该应用程序更新版本所对应的关卡数据的配置评估信息,配置评估信息是用于评估更新关卡数据的配置合理性的信息,以使应用程序开发人员可以根据配置评估信息对应用程序的关卡配置参数进行调整,从而完成对所开发的应用程序的更新,并将调整后的目标应用程序对应的服务端在数据服务器102中更新部署,从而完成目标应用程序的迭代更新。
请参阅图3,图3是关卡配置数据调整方法的流程示意图,所述方法应用于服务器10,所述方法包括步骤S101至步骤S107。
步骤S101:获取目标应用程序的初始关卡配置数据。
本申请中,目标应用程序为具有关卡设定的应用程序,如塔防类游戏应用程序、消除类游戏应用程序、关卡解密类应用程序。
初始关卡是指应用程序中已经完成开发测试的关卡,关卡的配置数据是用于配置目标应用程序关卡难度的数据,其包括多种配置参数,每一种配置参数均可以影响到应用程序的关卡难度,不同类型的关卡应用程序对应的配置参数不同,服务器10可以根据配置数据随机生成对应的初始关卡。
示例性的,以目标应用程序为消除类游戏应用程序中的三消游戏应用程序为例进行说明。配置参数可以是关卡总步数、关卡待消除目标数、关卡待消除目标种类、关卡棋盘格数等。
如图4所示,三消游戏应用程序为5x5三消游戏应用程序,即,具有三种不同的游戏元素及待消除目标随机放置在5x5大小的棋盘中。如,游戏元素包括游戏元素a、游戏元素b、游戏元素c。待消除目标包括待消除目标x、待消除目标y。待消除目标x或待消除目标y可以跟游戏元素a、游戏元素b、游戏元素c中任一者放置在同一个方格中,也可以是独立放置一个方格中,只有将待消除目标消除后方可消除游戏元素。
游戏关卡初始状态对应的待消除目标x、待消除目标y的数量及对应的放置位置具有随机性,用户通过在预定的游戏步数或预定的游戏时长范围内消除对应的待消除目标x及待消除目标y即可通过关卡。
因此,在同一游戏规则下,关卡棋盘格数、关卡总步数、每种关卡待消除目标数、每个关卡待消除目标种类等关卡配置参数影响了关卡难度。
服务器10在获取到对应初始关卡的配置参数后,可以根据配置参数随机生成对应的初始关卡,也即生成对应的初始化棋盘,该棋牌中的待消除目标数、待消除目标种类具有随机性。
步骤S102:根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,所述第一输出数据为所述闯关AI模型根据所述初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据。
利用目标应用程序已有的关卡初始配置数据生成对应的初始关卡,并将初始关卡对应转换成特征向量输入到预设深度神经网络中,也即预设AI模型中,通过强化学习(Reinforcement learning,RL)算法进行AI模型训练,以获取闯关水平符合要求的闯关AI模型。
在完成闯关AI模型训练后,服务器10多次根据初始关卡配置数据随机生成对应的初始关卡,并将初始关卡对应转换成特征向量输入到闯关AI模型中,以获取闯关AI模型根据初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据。
参阅图5,在部分实施例中,所述初始关卡配置数据包括多种配置参数,所述根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,具体包括步骤S1021至步骤S1024。
步骤S1021:将所述配置参数作为特征向量输入到预设深度神经网络进行AI模型训练。
在部分实施例中,所述将所述配置参数作为特征向量输入到预设深度神经网络进行AI模型训练,包括:
根据所述配置参数随机生成初始化关卡;
将所述初始化关卡进行特征向量提取,以获取与所述配置参数对应的第一特征向量;
将所述第一特征向量输入到预设深度网络模型中并利用强化学习算法AI模型训练。
服务器10根据目标程序初始关卡对应的配置参数生成对应的初始关卡,并将初始关卡转换成特征向量输入到预设深度神经网络中,利用预设的强化算法进行AI模型训练,从而获取符合要求的AI模型。
其中,强化学习算法可以是PPO(Proximal Policy Optimization)算法、DDPG(Deep Deterministic Policy Gradient)算法或A3C(Asynchronous Advantage Actor-Critic)算法,在此不做限定。
示例性地,以目标应用程序为三消游戏应用程序为例进行说明,初始关卡对应的配置参数包括关卡棋盘格数、关卡总步数、每种关卡待消除目标数、每个关卡待消除目标种类。
服务器10根据配置参数生成的关卡对应的初始状态可能不同,如,初始时关卡待消除目标数不同、关卡待消除目标种类不同。
服务器10在根据配置参数随机生成对应的初始关卡后,将初始关卡对应的棋盘信息进行特征向量提取,并输入到预设深度神经网络中,也即输入到预设AI模型中,利用预设的AI模型在对应关卡上进行次闯关,每次闯关均输出对应的闯关状态数据。
每个初始关卡根据配置参数N次随机生成对应的初始关卡,AI模型在初始关卡上进行N次闯关,服务器10通过预设的强化学习算法统计AI模型N次闯关状态数据从而获得AI模型的输出统计数据,并根据AI模型的输出统计数据修正AI模型的相关参数,从而加强AI模型的闯关水平,以获得符合预期闯关水平的AI模型,N为正整数,较佳的,N大于或等于10000。
其中,AI模型的输出统计数据可以用来评估AI模型的闯关水平,通过输出统计数据从而可以评估当前所训练的AI模型是否符合要求,其中,输出统计数据包括闯关胜率、关卡剩余步数的分布数据、剩余待目标数的分布数据中的至少一者。
步骤S1022:检测所述AI模型的输出统计数据是否符合预设指标。
在部分实施例中,输出统计数据包括闯关胜率,所述检测所述AI模型的输出统计数据是否符合预设指标,包括:
检测当前所述AI模型输出统计数据的闯关胜率与相邻所述AI模型输出统计数据的闯关胜率之间的差值是否小于预设值;
当所述闯关胜率差值小于预设值时,判断当前所述AI模型的输出统计数据符合所述预设指标。
例如,AI模型的输出统计数据包括闯关胜率,间隔预设时间两次获取对应AI模型输出统计数据的闯关胜率,当前一时刻的AI模型输出统计数据的闯关胜率与当前时刻AI模型输出统计数据的闯关胜率之间的差值是否小于预设值时,表面当前AI模型训练完成,也即,判断当前所述AI模型的输出统计数据符合所述预设指标。
步骤S1023:当所述AI模型的输出统计数据符合所述预设指标时,将当前所述AI模型作为所述闯关AI模型。
当AI模型的输出统计数据符合所述预设指标时,将当前AI模型作为闯关AI模型,当AI模型的输出统计数据不符合所述预设指标时,则继续执行步骤S1021。
步骤S1024:多次将所述配置参数作为特征向量输入到所述闯关AI模型,以获取所述第一输出数据。
经过强化学习训练所获取的闯关AI模型的在目标程序初始关卡上的闯关水平得到了较大强化,对关卡配置参数评估的输出数据较为准确。
此时,服务器10根据配置参数随机生成对应的初始关卡,并将初始关卡进行特征向量提取并输入到完成训练的闯关AI模型中,以获取闯关AI模型对应该次的输出状态数据。
多次根据配置参数随机生成对应的初始关卡,并将初始关卡进行特征向量提取并输入到完成训练的闯关AI模型中,以获取闯关AI模型对应多次的输出状态数据,对闯关AI模型的多次输出状态数据进行统计分析,以获取第一输出数据,从而可以利用第一输出数据作为目标程序更新关卡的配置数据合理性进行评估。
示例性的,以三消游戏应用程序为例进行说明,N次将初始关卡在初始状态下对应的关卡总步数、待消除目标数、待消除目标种类、关卡棋盘格数等初始配置参数进行特征向量提取并输入闯关AI模型中,并获取闯关AI模型对应的第一输出数据,即等同于使用闯关AI模型在初始关卡上进行了N次闯关后,获取闯关AI模型根据初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据。
第一输出数据包括闯关胜率、关卡剩余步数的分布数据、剩余待消除目标数的分布数据,其中,闯关胜率是指某个关卡闯关成功的胜率平均值,关卡剩余步数的分布数据包括关卡剩余步数平均值、中位数、标准差、偏度及峰值。剩余待消除目标数的分布数据包括剩余待消除目标数平均值、中位数、标准差、偏度及峰值。
示例性的,初始关卡的配置参数和对应的第一输出数据,可以采用如下表格进行统计。
步骤S103:获取所述目标应用程序的初始关卡闯关数据,所述初始关卡闯关数据是游戏角色在所述目标应用程序的初始关卡闯关所生成的数据。
初始关卡闯关数据是用户所操控或创建的游戏角色在目标应用程序中进行闯关所生成的数据,是人类玩家用户的真实闯关数据。
利用用户真实的闯关数据做对比进行AI模型训练,使得AI模型的准确性更高,其中,初始关卡闯关数据至少包括闯关胜率,较佳的,该闯关胜率为与对应初始关卡闯关胜率的平均值。
初始闯关数据的获取可以是服务器10向开发该目标应用程序的终端设备20发送更新数据请求,也可以是端设备20主动向服务器10发送初始闯关数据,还可以是服务器10运行目标应用程序系统端时,通过系统端获取初始闯关数据并存储在服务器10本地或存储在对应的数据服务器中,在需要初始闯关数据时,直接从服务器10本地或对应数据服务器的调取相关的初始闯关数据。
示例性的,以三消游戏为例进行说明,初始关卡闯关数据是用户在所操控或创建的游戏角色在对应关卡进行闯关时的数据,包括关卡名称、关卡总步数、待消除目标数、关卡剩余步数、剩余待消除目标数、闯关胜率等数据。
步骤S104:根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型。
将闯关AI模型的第一输出数据、目标应用程序的初始关卡配置数据及初始关卡的闯关数据作为输入数据,输入到预设神经网络模型中,通过预设监督学习算法训练获得预测AI模型。
在部分实施例中,所述预测AI模型包括至少两个子AI模型,所述根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型,包括:
将所述第一输出数据及初始关卡配置数据作为训练样本,将所述初始关卡闯关数据作为训练标签,利用至少两种监督学习算法进行AI模型训练,以获取至少两个对应的子AI模型;
确定至少两个所述子AI模型输出数据的权值,以构建所述预测AI模型。
本实施方式中,以监督学习算法包括第一监督学习算法和第二监督学习算法为例进行说明。
其中,第一监督学习算法可以是随机森林算法、Adaboost算法、深度神经网络算法、xgboost算法及lightGBM算法中的至少一者;第二监督学习算法森林算法、Adaboost算法、深度神经网络算法、xgboost算法及lightGBM算法中的至少一者,且第一监督学习算法和第二监督学习算法是不同种类算法。
N次将初始关卡对应的第一输出数据和初始关卡对应的配置数据作为特征向量输入到第一预设神经网络的中,并利用第一监督学习算法进行AI模型训练,以获取对应的第一监督输出数据集。
N次将初始关卡对应的第一输出数据和初始关卡对应的配置数据作为特征向量输入到第二预设神经网络的中,并利用第二监督学习算法进行AI模型训练,以获取对应的第二监督输出数据集。每种监督输出数据集均包括N个监督输出数据,每个监督输出数据分别对应一个通过一种监督学习算法所预测的对应关卡的闯关胜率。
分别获取第一监督输出数据集与初始关卡闯关数据的闯关胜率平均值对应的第一差值绝对值集和第二监督输出数据集与初始关卡闯关数据的闯关胜率平均值对应的第二差值绝对值集。
获取第一差值绝对值集中的最小第一差值绝对值及第二差值绝对值集中最小第二差值绝对值。将最小第一差值绝对值所对应的第一监督学习算法的第一参数集作为第一监督学习算法的定参,以获取对应的第一子AI模型;将最小第二差值绝对值所对应的第二监督学习算法的第二参数集作为第二监督学习算法的定参,以获取对应的第二子AI模型。
在第一子AI模型和第二子AI模型参数确定后,利用第一子AI模型和第二子AI模型构建预测AI模型。
具体地,设定待定预测AI模型为Z,其中,Z可以表示为,Z=A*X+B*Y,其中,A为第一待定权值、B为第二待定权值、X为第一子AI模型、Y为第二子AI模型、A+B=1。
将第一输出数据和对应的初始关卡配置数据作为输入数据输入到待定预测AI模型中,获取N次待定预测AI模型的输出统计数据,其中,预测AI模型的输出统计数据包括待定预测AI模型所预测的初始关卡配置数据对应的闯关胜率。
将N个预测AI模型的输出统计数据的闯关胜率与初始关卡闯关数据的闯关胜率做差,获取预测AI模型的输出统计数据与初始关卡闯关数据的闯关胜率对应的第三差值绝对值,将N个第三差值绝对值中最小值所对应的第一待定权值A和第二待定权值B作为预测AI模型的对应的权值定参,构建预测AI模型。
将对应关卡的配置参数作为输入数据输入到预测AI模型时,预测AI模型的输出数据包括当前配置参数条件下通过对应关卡的闯关胜率。
可以理解,当构建预测AI模型时,所使用的监督学习算法为N个时,对应需要构建的子AI模型数量为N,同时待定预测AI模型对应的待定权值数也为N,且N个待定权值数之和为1。
步骤S105:获取所述目标应用程序的更新关卡配置数据。
具体地,当目标应用程序增加新关卡时,从终端设备20处获取目标应用程序对应的更新关卡配置数据。
步骤S106:利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,其中,所述配置评估信息是用于评估所述更新关卡配置数据的配置合理性的信息。
请参阅图6,在部分实施例中,所述利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,包括:
步骤S1061:将所述更新关卡配置数据作为特征向量输入至所述闯关AI模型,以获取第二输出数据,所述第二输出数据为所述闯关AI模型根据所述更新关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
步骤S1062:将所述第二输出数据和所述更新关卡配置数据作为特征向量输入至所述预测AI模型,以获取所述更新关卡配置数据的配置评估信息。
更新关卡配置数据包括更新关卡总步数、更新关卡的待消除目标数中至少一者。配置评估信息是评估更新关卡配置数据配置合理性的信息,其至少包括预测AI模型所预测的闯关胜率,开发人员根据据配置合理性信息对更新关卡配置数据进行调节,从而是的更新关卡配置数据配置地合理性更强。
第二输出数据包括闯关AI模型在更新关卡配置数据下的闯关胜率对应的统计数据、关卡剩余步数对应的统计数据、剩余待目标数对应的统计数据中至少一者,闯关胜率对应的统计数据为闯关胜率平均值,剩余待目标数对应的统计数据包括剩余目标数对应的平均值、中位数、标准差、偏度及峰值等数据中的至少一者,剩余步数数对应的统计数据包括剩余步数对应的平均值、中位数、标准差、偏度及峰值等数据中的至少一者。
服务器10多次根据更新关卡配置数据随机生成对应的更新关卡,将更新关卡进行特征提取以获取对应的特征向量并输入到闯关AI模型中,以获取闯关AI模型的第二输出数据,其中,第二输出数据为闯关AI模型根据更新关卡配置数据进行闯关对应的多次输出状态数据的统计数据。
然后将第二输出数据和目标程序的更新关卡配置数据作为输入数据输入到预测AI模型中,即可获取预测AI模型的输出结果,并将预测AI模型的输出结果作为更新关卡配置数据的配置评估信息,来评价更新关卡配置数据的配置合理性。
S107:发送所述配置评估信息给与所述服务器通信连接的终端设备,以使所述终端设备根据调整指令调整所述更新关卡配置数据,所述调整指令为用户响应所述配置评估信息向所述终端设备所发出的指令。
服务器10在获取到更新关卡配置数据的配置评估信息后,将更新关卡配置数据的配置评估信息发送到对应的终端设备20,以使对应开发人员根据配置评估信息评测是否需要对更新关卡配置数据进行调整。
上述实施例提供的关卡配置数据调整方法,通过利用目标应用程序已有的初始关卡配置数据训练闯关AI模型,从而得到在目标应用程序进行闯关时,闯关水平超过一般玩家水平的闯关AI模型,在闯关AI模型训练完成后,将初始关卡配置数据作为输入数据输入到闯关AI模型中,以获得对应的第一输出数据,然后利用第一输出数据和初始关卡配置数据训练预测AI模型。
在目标应用程序关卡更新时,需要对新关卡进行测试时,将更新关卡配置数据输入到闯关AI模型,以模拟玩家操控的游戏角色进行闯关,从而获得闯关AI模型在新关卡的闯关结果数据,利用闯关结果数据和更新关卡配置数据输入到预测AI模型,从而使得预测AI模型输出对应的评测结果,以利用评测结果分析更新关卡配置数据的配置合理性,从而节省新关卡的开发时间,增强对新关卡的更新关卡配置数据评估的准确性。
请参阅图7,图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备可以包括服务器。
如图7所示,该计算机设备30包括处理器301和存储器302,处理器301和存储器302通过总线连接,该总线比如为I2C(Inter-integrated Circuit)总线。
具体地,处理器301可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(Central Processing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器302可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时,实现本申请实施例提供的任意一种所述的关卡配置数据调整方法。
示例性的,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现如下步骤:
获取目标应用程序的初始关卡配置数据;
根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,所述第一输出数据为所述闯关AI模型根据所述初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
获取所述目标应用程序的初始关卡闯关数据,所述初始关卡闯关数据是游戏角色在所述目标应用程序的初始关卡闯关所生成的数据;
根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型;
获取所述目标应用程序的更新关卡配置数据;
利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,其中,所述配置评估信息是用于评估所述更新关卡配置数据的配置合理性的信息;
发送所述配置评估信息给终端设备,以使所述终端设备根据调整指令调整所述更新关卡配置数据,所述调整指令为用户响应所述配置评估信息向所述终端设备所发出的指令。
在部分实施例中,所述初始关卡配置数据包括多种配置参数,处理器301还用于实现如下步骤:
将所述配置参数作为特征向量输入到预设深度神经网络进行AI模型训练;
检测所述AI模型的输出统计数据是否符合预设指标;
当所述AI模型的输出统计数据符合所述预设指标时,将当前所述AI模型作为所述闯关AI模型;
多次将所述配置参数作为特征向量输入到所述闯关AI模型,以获取所述第一输出数据。
在部分实施例中,处理器301还用于实现如下步骤:
根据所述配置参数随机生成初始化关卡;
将所述初始化关卡进行特征向量提取,以获取与所述配置参数对应的第一特征向量;
将所述第一特征向量输入到预设深度网络模型中并利用强化学习算法AI模型训练。
在部分实施例中,所述输出统计数据包括闯关胜率,处理器301还用于实现如下步骤:
检测当前所述AI模型输出统计数据的闯关胜率与相邻所述AI模型输出统计数据的闯关胜率之间的差值是否小于预设值;
当所述闯关胜率差值小于预设值时,判断当前所述AI模型的输出统计数据符合所述预设指标。
在部分实施例中,所述预测AI模型包括至少两个子AI模型,处理器301还用于实现如下步骤:
将所述第一输出数据及初始关卡配置数据作为训练样本,将所述初始关卡闯关数据作为训练标签,利用至少两种监督学习算法进行AI模型训练,以获取至少两个对应的子AI模型;
确定至少两个所述子AI模型输出数据的权值,以构建所述预测AI模型。
在部分实施例中,所述所述监督学习算法包括随机森林算法、Adaboost算法、深度神经网络算法、xgboost算法或lightGBM算法中的至少两者。
在部分实施例中,处理器301还用于实现如下步骤:
将所述更新关卡配置数据作为特征向量输入至所述闯关AI模型,以获取第二输出数据,所述第二输出数据为所述闯关AI模型根据所述更新关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
将所述第二输出数据和所述更新关卡配置数据作为特征向量输入至所述预测AI模型,以获取所述更新关卡配置数据的配置评估信息。
本申请的实施例中还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序中包括关卡配置数据调整程序指令,所述处理器执行所述关卡配置数据调整程序指令,实现上述实施例提供的任一种所述的关卡配置数据调整方法的步骤。
其中,所述计算机可读存储介质可以是前述任一实施例所述的计算机设备的内部存储单元,例如所述计算机设备的存储器或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备,例如所述计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种关卡配置数据调整方法,其特征在于,所述方法包括:
获取目标应用程序的初始关卡配置数据;
根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,所述第一输出数据为所述闯关AI模型根据所述初始关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
获取所述目标应用程序的初始关卡闯关数据,所述初始关卡闯关数据是游戏角色在所述目标应用程序的初始关卡闯关所生成的数据;
根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型;
获取所述目标应用程序的更新关卡配置数据;
利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,其中,所述配置评估信息是用于评估所述更新关卡配置数据的配置合理性的信息;
发送所述配置评估信息给终端设备,以使所述终端设备根据调整指令调整所述更新关卡配置数据,所述调整指令为用户响应所述配置评估信息向所述终端设备所发出的指令;
所述利用所述闯关AI模型及所述预测AI模型获取所述更新关卡配置数据的配置评估信息,包括:
将所述更新关卡配置数据作为特征向量输入至所述闯关AI模型,以获取第二输出数据,所述第二输出数据为所述闯关AI模型根据所述更新关卡配置数据进行闯关对应的多次输出状态数据的统计数据;
将所述第二输出数据和所述更新关卡配置数据作为特征向量输入至所述预测AI模型,以获取所述更新关卡配置数据的配置评估信息。
2.根据权利要求1所述的方法,其特征在于,所述初始关卡配置数据包括多种配置参数,所述根据所述初始关卡配置数据训练闯关AI模型,并获取所述闯关AI模型对应的第一输出数据,包括:
将所述配置参数作为特征向量输入到预设深度神经网络进行AI模型训练;
检测所述AI模型的输出统计数据是否符合预设指标;
当所述AI模型的输出统计数据符合所述预设指标时,将当前所述AI模型作为所述闯关AI模型;
多次将所述配置参数作为特征向量输入到所述闯关AI模型,以获取所述第一输出数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述配置参数作为特征向量输入到预设深度神经网络进行AI模型训练,包括
根据所述配置参数随机生成初始化关卡;
将所述初始化关卡进行特征向量提取,以获取与所述配置参数对应的第一特征向量;
将所述第一特征向量输入到预设深度网络模型中并利用强化学习算法AI模型训练。
4.根据权利要求3所述的方法,其特征在于,所述强化学习算法包括PPO算法、DDPG算法或A3C算法中至少一者。
5.根据权利要求2所述的方法,其特征在于,所述输出统计数据包括闯关胜率,所述检测所述AI模型的输出统计数据是否符合预设指标,包括:
检测当前所述AI模型输出统计数据的闯关胜率与相邻所述AI模型输出统计数据的闯关胜率之间的差值是否小于预设值;
当所述闯关胜率差值小于预设值时,判断当前所述AI模型的输出统计数据符合所述预设指标。
6.根据权利要求1所述的方法,其特征在于,所述预测AI模型包括至少两个子AI模型,所述根据所述第一输出数据、所述初始关卡配置数据及所述初始关卡闯关数据训练预测AI模型,包括:
将所述第一输出数据及初始关卡配置数据作为训练样本,将所述初始关卡闯关数据作为训练标签,利用至少两种监督学习算法进行AI模型训练,以获取至少两个对应的子AI模型;
确定至少两个所述子AI模型输出数据的权值,以构建所述预测AI模型。
7.根据权利要求6所述的方法,其特征在于,所述监督学习算法包括随机森林算法、Adaboost算法、深度神经网络算法、xgboost算法或lightGBM算法中的至少两者。
8.一种计算机设备,其特征在于,所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的关卡配置数据调整程序,所述关卡配置数据调整程序被所述处理器执行时,实现如权利要求1至7中任一项所述的关卡配置数据调整方法。
9.一种存储介质,其特征在于,所述存储介质上存储有关卡配置数据调整程序,所述关卡配置数据调整程序被处理器执行时使所述处理器实现如权利要求1至7中任一项所述的关卡配置数据调整方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794440.4A CN111957047B (zh) | 2020-08-12 | 2020-08-12 | 关卡配置数据调整方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794440.4A CN111957047B (zh) | 2020-08-12 | 2020-08-12 | 关卡配置数据调整方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111957047A CN111957047A (zh) | 2020-11-20 |
CN111957047B true CN111957047B (zh) | 2024-01-26 |
Family
ID=73365442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794440.4A Active CN111957047B (zh) | 2020-08-12 | 2020-08-12 | 关卡配置数据调整方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111957047B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022133865A1 (en) * | 2020-12-24 | 2022-06-30 | Huawei Technologies Co., Ltd. | Methods and systems for artificial intelligence based architecture in wireless network |
CN114915983A (zh) * | 2021-02-07 | 2022-08-16 | 展讯通信(上海)有限公司 | 一种数据获取方法及装置 |
CN113134238A (zh) * | 2021-03-26 | 2021-07-20 | 超参数科技(深圳)有限公司 | 关卡设置方法、装置、计算机设备和存储介质 |
CN113342700B (zh) * | 2021-08-04 | 2021-11-19 | 腾讯科技(深圳)有限公司 | 一种模型评估方法、电子设备及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107376353A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技(深圳)有限公司 | 关卡配置方法及装置 |
CN107970608A (zh) * | 2017-11-09 | 2018-05-01 | 腾讯科技(成都)有限公司 | 关卡游戏的设置方法和装置、存储介质、电子装置 |
CN110585730A (zh) * | 2019-09-10 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 游戏的节奏感测试方法、装置以及相关设备 |
KR102078609B1 (ko) * | 2018-10-23 | 2020-02-19 | 주식회사 카카오게임즈 | 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법 |
CN111506514A (zh) * | 2020-07-01 | 2020-08-07 | 深圳云步互娱网络科技有限公司 | 一种应用于消除类游戏的智能测试方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10839215B2 (en) * | 2018-05-21 | 2020-11-17 | Electronic Arts Inc. | Artificial intelligence for emulating human playstyles |
-
2020
- 2020-08-12 CN CN202010794440.4A patent/CN111957047B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107376353A (zh) * | 2017-07-14 | 2017-11-24 | 腾讯科技(深圳)有限公司 | 关卡配置方法及装置 |
CN107970608A (zh) * | 2017-11-09 | 2018-05-01 | 腾讯科技(成都)有限公司 | 关卡游戏的设置方法和装置、存储介质、电子装置 |
KR102078609B1 (ko) * | 2018-10-23 | 2020-02-19 | 주식회사 카카오게임즈 | 게임 로그 시각화를 통한 게임 플레이 패턴 예측 방법 |
CN110585730A (zh) * | 2019-09-10 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 游戏的节奏感测试方法、装置以及相关设备 |
CN111506514A (zh) * | 2020-07-01 | 2020-08-07 | 深圳云步互娱网络科技有限公司 | 一种应用于消除类游戏的智能测试方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111957047A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111957047B (zh) | 关卡配置数据调整方法、计算机设备及存储介质 | |
CN109513215B (zh) | 一种对象匹配方法、模型训练方法以及服务器 | |
CN111282267B (zh) | 信息处理方法、装置、介质及电子设备 | |
CN111738294B (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN107970608A (zh) | 关卡游戏的设置方法和装置、存储介质、电子装置 | |
CN109794065B (zh) | 游戏角色创建方法、装置、电子设备及存储介质 | |
CN110276442A (zh) | 一种神经网络架构的搜索方法及装置 | |
CN110378699A (zh) | 一种交易反欺诈方法、装置及系统 | |
CN108654091A (zh) | 用于游戏中作弊校验的方法、介质、装置和计算设备 | |
CN106663184A (zh) | 人脸数据验证的方法和系统 | |
CN110665233A (zh) | 游戏行为识别方法、装置、设备及介质 | |
CN111506514B (zh) | 一种应用于消除类游戏的智能测试方法及系统 | |
JP7119820B2 (ja) | 予測プログラム、予測方法および学習装置 | |
CN111310918B (zh) | 一种数据处理方法、装置、计算机设备及存储介质 | |
CN110458295B (zh) | 基于人工智能的棋牌关卡生成方法、训练方法及装置 | |
CN112274935B (zh) | Ai模型训练方法、使用方法、计算机设备及存储介质 | |
CN115577795A (zh) | 策略模型优化方法、装置及存储介质 | |
CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN107308642A (zh) | 角色行为定义方法、装置及电子设备 | |
CN113253976B (zh) | 一种基于游戏记录分析的研发模块构建方法及系统 | |
CN112870722B (zh) | 对战格斗类ai游戏模型的生成方法、装置、设备及介质 | |
CN110721471B (zh) | 一种虚拟应用对象输出方法、装置以及计算机存储介质 | |
CN114861917A (zh) | 贝叶斯小样本学习的知识图谱推理模型、系统及推理方法 | |
CN113988199A (zh) | Ai下棋模型的分级处理方法、装置及相关设备 | |
Widiyanto et al. | The calculation of player’s and non-player character’s gameplay attribute growth in role-playing game with K-NN and Naive Bayes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |