CN113230644B - 一种象棋人工智能防作弊方法 - Google Patents

一种象棋人工智能防作弊方法 Download PDF

Info

Publication number
CN113230644B
CN113230644B CN202110522896.XA CN202110522896A CN113230644B CN 113230644 B CN113230644 B CN 113230644B CN 202110522896 A CN202110522896 A CN 202110522896A CN 113230644 B CN113230644 B CN 113230644B
Authority
CN
China
Prior art keywords
chess
fitness
cheating
user
game
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
Application number
CN202110522896.XA
Other languages
English (en)
Other versions
CN113230644A (zh
Inventor
宫阳阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Zhongxiang Micro Technology Co ltd
Original Assignee
Hangzhou Zhongxiang Micro Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Zhongxiang Micro Technology Co ltd filed Critical Hangzhou Zhongxiang Micro Technology Co ltd
Priority to CN202110522896.XA priority Critical patent/CN113230644B/zh
Publication of CN113230644A publication Critical patent/CN113230644A/zh
Application granted granted Critical
Publication of CN113230644B publication Critical patent/CN113230644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A63F3/00—Board games; Raffle games
    • A63F3/02—Chess; Similar board games
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种象棋人工智能防作弊方法。它具体包括如下步骤：线上用户以在棋力评测场的对局棋谱作为数据统计标的，线下用户以棋手线下公开比赛棋谱作为数据统计标的，对棋谱的每个局面进行象棋旋风引擎和DTM残局库打分，最终给出AI局势图的打分序列；计算每步棋和每盘棋的AI吻合度；统计用户全部有效对局进行胜率激励后的AI吻合度的算数平均值，得出棋力；通过上述算法得出的棋力对象棋AI的棋力区间进行比较来判定是否为软件作弊；同时对用户最近10/25/50盘有效对局的棋力进行计算，辅以用户举报，判定是否人机作弊。本发明的有益效果是：依托象棋AI技术，对待判定用户的棋谱进行综合数据分析，比对棋谱和AI的吻合度，自动判定是否为作弊用户。

Description

一种象棋人工智能防作弊方法
技术领域
本发明涉及人工智能相关技术领域，尤其是指一种象棋人工智能防作弊方法。
背景技术
随着象棋人工智能（简称：象棋AI）技术的应用和不断普及，越来越多的象棋用户购买电脑版象棋AI软件，通过连线的方式进行软件作弊，这样就造成在线棋力评测的结果失真。
市面上常见的线上象棋类对弈平台app都深受软件作弊之害，严重影响了平台的公平公正性。为了象棋行业的健康发展，维护平台用户的切身利益，急需推出一套防作弊系统来打击和制衡软件作弊行为。
发明内容
本发明是为了克服现有技术中存在上述的不足，提供了一种能够自动判定作弊情况的象棋人工智能防作弊方法。
为了实现上述目的，本发明采用以下技术方案：
一种象棋人工智能防作弊方法，具体包括如下步骤：
（1）为了保证对弈数据的公平公正性，线上用户以在棋力评测场的对局棋谱作为数据统计标的，线下用户以棋手线下公开比赛棋谱作为数据统计标的，对棋谱的每个局面进行象棋旋风引擎和DTM残局库打分，最终给出AI局势图的打分序列S={S1,S2,……,Sm}，m为该盘棋的步数；
（2）计算每步棋的准确度，记做AI吻合度Fk，k为当前步数的序号；
（3）象棋对局分为开局、中局和残局，根据不同类型局面的计算权重来计算每盘棋的AI吻合度Fr；
（4）统计用户全部有效对局进行胜率激励后的AI吻合度Fr的算数平均值，得出用户的综合AI吻合度Fu，称为棋力；
（5）根据上述步骤（1）到步骤（4）的算法得出的棋力Fu和象棋AI的棋力区间FAI进行比较，来判定是否为软件作弊；
（6）当Fu没有落在FAI的区间内，需要对用户最近10/25/50盘有效对局的棋力进行计算，并辅以用户举报，判定用户是不是人机作弊。
象棋AI下棋和纯人下棋在每步棋的准确性方面有很大的区别：纯人下棋会失误，但是AI下棋几乎不会失误。本象棋人工智能防作弊方法依托象棋AI技术，通过对待判定用户的棋谱进行综合数据分析，通过比对用户的棋谱数据和AI打分的吻合度，从而自动判定是否为软件作弊用户。
作为优选，在步骤（2）中，计算每步棋的AI吻合度Fk具体方法如下：Fk由当前局面的打分Sk和上一局面的打分Sk-1有关，记Smin为参与AI吻合度计算的下限， Smax为参与AI吻合度计算的上限；当Smin＜Sk-1＜Smax时，进行如下计算：
Fk=（Sk+Sini-Sk-1）/ Bk，其中k＞0，S0=50，Sini是为了去除AI打分波动需要设定的值，Bk为AI吻合度的计算底数，Fk的上限记做Fmax，Fk的下限记做Fmin，如果Fk＞Fmax，则Fk取值Fmax，如果Fk＜Fmin，则Fk取值Fmin，作为第k步最终的AI吻合度。
作为优选，在步骤（3）中，计算每盘棋的AI吻合度具体方法如下：
（31）开局：对局开始的前10回合，即k≤20的局面，权重Wk为0.5，且前4个回合，即k≤8，不参与统计计算；
（32）残局：记车、炮、马为大子，设车的价值为900，炮和马的价值为450，双方的大子的价值总和都＜1500的局面，权重Wk为0.75；
（33）中局：开局和残局之外的局面，权重Wk为1；
（34）第r局棋的AI吻合度Fr为每步棋Fk*Wk的加权算数平均值，当该盘棋的步数m＞mmin时，给出该局棋的AI吻合度，否则这盘棋不进行AI吻合度统计。
象棋对局分为开局、中局和残局，在不同阶段，人和AI的差别并不相同。因为开局和残局阶段存在大量的定式和学习资料，人类和AI的水平接近，如果仅仅通过每步棋的AI吻合度进行标准统一的判定，很可能会误判，因此不同类型局面的计算权重（记做Wk）不同，开局和残局的权重需要降低。
作为优选，在步骤（4）中，用户棋力的计算方式具体方法如下：对局的结果也会影响到Fr，称之为胜率激励，胜率激励后第r盘的AI吻合度记做F* r；胜和负结果的加乘系数分别记做M胜、M和、M负，如对局结果为胜，则F* r=Fr*M胜，如对局结果为和，则F* r=Fr*M和，如对局结果为负，则F* r=Fr* M负；用户的棋力Fu为每盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值。
作为优选，在步骤（5）中，具体为：FAI的区间为75%-100%，如果发现用户对局数在100盘以上，且75%≤Fu≤100%，自动判定为软件作弊；根据棋力Fu的区间对评测的用户进行分流，75%≤Fu≤100%的用户在一起评测，Fu＜75%的用户在一起评测，棋力大于75%的作弊用户无法匹配到纯人用户，从根本上解决软件作弊的弊端。
作为优选，在步骤（6）中，人机作弊是软件作弊的高级形式，具体指的是：前期纯人下棋，后期使用象棋AI下棋进行的作弊行为；具体方法如下：用户最近n盘有效对局的综合棋力记做Fu n，为最近n盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值；用户最近10盘、25盘、50盘的综合棋力，记做Fu 10、Fu 25、Fu 50；当Fu＜75%，且有用户举报后，进入人机作弊判决过程，具体为：Fu 10，Fu 25，Fu 50的算数平均值≥75%，最终判定为人机作弊。
本发明的有益效果是：依托象棋AI技术，通过对待判定用户的棋谱进行综合数据分析，通过比对用户的棋谱数据和AI打分的吻合度，从而自动判定是否为软件作弊用户。
附图说明
图1是步骤（1）中的AI局势图；
图2是步骤（3）中一盘棋的AI吻合度对比图；
图3是步骤（4）中用户棋力的展示图；
图4是步骤（5）中软件作弊用户的棋力值截图；
图5是步骤（6）中人机作弊用户的棋力值截图；
图6是步骤（6）中辅以举报的作弊处罚后台图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
一种象棋人工智能防作弊方法，具体包括如下步骤：
（1）为了保证对弈数据的公平公正性，线上用户以在棋力评测场的对局棋谱作为数据统计标的，线下用户以棋手线下公开比赛棋谱作为数据统计标的，对棋谱的每个局面进行象棋旋风引擎和DTM残局库打分，最终给出AI局势图的打分序列S={S1,S2,……,Sm}，m为该盘棋的步数，如图1所示；
（2）计算每步棋的准确度，记做AI吻合度Fk，k为当前步数的序号；AI下棋的特点是步步精准，打分局势图是一个向上的曲线，且几乎没有失误，利用这一点，计算每步棋的AI吻合度Fk具体方法如下：Fk由当前局面的打分Sk和上一局面的打分Sk-1有关，记Smin为参与AI吻合度计算的下限，默认为25，Smax为参与AI吻合度计算的上限，默认为1200；当Smin＜Sk-1＜Smax时，进行如下计算：
Fk=（Sk+Sini-Sk-1）/ Bk，其中k＞0，S0=50，Sini是为了去除AI打分波动需要设定的值，默认为25；Bk为AI吻合度的计算底数，Bk的取值如下：当|Fk-1|≤300时，Bk=50；当301<|Fk-1|≤600时，Bk=100；当601<|Fk-1|≤900时，Bk=150；当901<|Fk-1|≤1200时，Bk=300；Fk的上限记做Fmax，Fk的下限记做Fmin，如果Fk＞Fmax，则Fk取值Fmax，如果Fk＜Fmin，则Fk取值Fmin，作为第k步最终的AI吻合度，Fmin的默认值为-2.25（失误招法的判决阈值），Fmax的默认值为1。
（3）象棋对局分为开局、中局和残局，根据不同类型局面的计算权重来计算每盘棋的AI吻合度Fr；象棋对局分为开局、中局和残局，在不同阶段，人和AI的差别并不相同，因为开局和残局阶段存在大量的定式和学习资料，人类和AI的水平接近，如果仅仅通过每步棋的AI吻合度进行标准统一的判定，很可能会误判，因此不同类型局面的计算权重（记做Wk）不同，开局和残局的权重需要降低；故而，计算每盘棋的AI吻合度具体方法如下：
（31）开局：对局开始的前10回合，即k≤20的局面，权重Wk为0.5，且前4个回合，即k≤8，不参与统计计算；
（32）残局：记车、炮、马为大子，设车的价值为900，炮和马的价值为450，双方的大子的价值总和都＜1500的局面，权重Wk为0.75；
（33）中局：开局和残局之外的局面，权重Wk为1；
（34）第r局棋的AI吻合度Fr为每步棋Fk*Wk的加权算数平均值，当该盘棋的步数m＞mmin时（mmin指的是每盘棋最少的步数，默认为29）时，给出该局棋的AI吻合度，否则这盘棋不进行AI吻合度统计。
如图2所示，一盘棋对弈双方的AI吻合度分别为30%和39%，一般情况下AI吻合度高的一方会取得胜利。
（4）统计用户全部有效对局进行胜率激励后的AI吻合度Fr的算数平均值，得出用户的综合AI吻合度Fu，称为棋力；如果通过一盘棋的AI吻合度就判定是否软件作弊，可能存在大量的误判，因此需要对用户全部有效对局进行胜率激励后的AI吻合度Fr的算数平均值，得出用户的综合AI吻合度Fu，如图3所示。用户棋力Fu的计算方式具体方法如下：对局的结果也会影响到Fr，称之为胜率激励，胜率激励后第r盘的AI吻合度记做F* r；胜和负结果的加乘系数分别记做M胜、M和、M负，如对局结果为胜，则F* r=Fr*M胜，如对局结果为和，则F* r=Fr*M和，如对局结果为负，则F* r=Fr* M负。如果是线上用户，M胜=1，M和=1，M负=1，如果是线下用户，考虑到消极和棋的因素，M胜=1.06，M和=0.96，M负=0.95。因此，对线上用户实施如下：如对局结果为胜，则F* r=Fr*1.06，如对局结果为和，则F* r=Fr*0.96，如对局结果为负，则F* r=Fr*0.95；用户的棋力Fu为每盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值。
（5）根据上述步骤（1）到步骤（4）的算法得出的棋力Fu和象棋AI的棋力区间FAI进行比较，来判定是否为软件作弊，如Fu落在FAI内，判定为软件作弊；具体为：FAI的区间为75%-100%，如果发现用户对局数在100盘以上，且75%≤Fu≤100%，自动判定为软件作弊，如图4所示；根据棋力Fu的区间对评测的用户进行分流，75%≤Fu≤100%的用户在一起评测，Fu＜75%的用户在一起评测，棋力大于75%的作弊用户无法匹配到纯人用户，从根本上解决软件作弊的弊端。
（6）当Fu没有落在FAI的区间内，需要对用户最近10/25/50盘有效对局的棋力进行计算，并辅以用户举报，判定用户是不是人机作弊；人机作弊是软件作弊的高级形式，具体指的是：前期纯人下棋，后期使用象棋AI下棋进行的作弊行为；人机作弊的特征是棋力变化曲线的波动非常大，而纯人用户受限于智力因素不可能在短时间内突飞猛进，因为波动很小，尤其是在下满100局后，棋力基本上处于一个固定值。如果采用棋力的方法进行判定，会造成大量的漏网之鱼；具体方法如下：用户最近n盘有效对局的综合棋力记做Fu n，为最近n盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值；用户最近10盘、25盘、50盘的综合棋力，记做Fu 10、Fu 25、Fu 50；当Fu＜75%，且有用户举报后，进入人机作弊判决过程，具体为：Fu 10，Fu 25，Fu 50的算数平均值≥75%，最终判定为人机作弊；如图5中ID为1032632和1038421的用户为典型的人机作弊用户，综合棋力低于75%，但是最近10/25/50盘的AI吻合度均高于75%，Fu 10，Fu 25，Fu 50的算数平均值≥75%，辅以用户举报，如图6所示，可以最终判定为人机作弊。

Claims (5)

1.一种象棋人工智能防作弊方法，其特征是，具体包括如下步骤：
（1）为了保证对弈数据的公平公正性，线上用户以在棋力评测场的对局棋谱作为数据统计标的，线下用户以棋手线下公开比赛棋谱作为数据统计标的，对棋谱的每个局面进行象棋旋风引擎和DTM残局库打分，最终给出AI局势图的打分序列S={S1,S2,……,Sm}，m为该盘棋的步数；
（2）计算每步棋的准确度，记做AI吻合度Fk，k为当前步数的序号；计算每步棋的AI吻合度Fk具体方法如下：Fk由当前局面的打分Sk和上一局面的打分Sk-1有关，记Smin为参与AI吻合度计算的下限， Smax为参与AI吻合度计算的上限；当Smin＜Sk-1＜Smax时，进行如下计算：
Fk=（Sk+Sini-Sk-1）/ Bk，其中k＞0，S0=50，Sini是为了去除AI打分波动需要设定的值，Bk为AI吻合度的计算底数，Fk的上限记做Fmax，Fk的下限记做Fmin，如果Fk＞Fmax，则Fk取值Fmax，如果Fk＜Fmin，则Fk取值Fmin，作为第k步最终的AI吻合度；
（3）象棋对局分为开局、中局和残局，根据不同类型局面的计算权重来计算每盘棋的AI吻合度Fr；
（4）统计用户全部有效对局进行胜率激励后的AI吻合度Fr的算数平均值，得出用户的综合AI吻合度Fu，称为棋力；
（5）根据上述步骤（1）到步骤（4）的算法得出的棋力Fu和象棋AI的棋力区间FAI进行比较，来判定是否为软件作弊；
（6）当Fu没有落在FAI的区间内，需要对用户最近10/25/50盘有效对局的棋力进行计算，并辅以用户举报，判定用户是不是人机作弊。
2.根据权利要求1所述的一种象棋人工智能防作弊方法，其特征是，在步骤（3）中，计算每盘棋的AI吻合度具体方法如下：
（31）开局：对局开始的前10回合，即k≤20的局面，权重Wk为0.5，且前4个回合，即k≤8，不参与统计计算；
（32）残局：记车、炮、马为大子，设车的价值为900，炮和马的价值为450，双方的大子的价值总和都＜1500的局面，权重Wk为0.75；
（33）中局：开局和残局之外的局面，权重Wk为1；
（34）第r局棋的AI吻合度Fr为每步棋Fk*Wk的加权算数平均值，当该盘棋的步数m＞mmin时，给出该局棋的AI吻合度，否则这盘棋不进行AI吻合度统计。
3.根据权利要求2所述的一种象棋人工智能防作弊方法，其特征是，在步骤（4）中，用户棋力的计算方式具体方法如下：对局的结果也会影响到Fr，称之为胜率激励，胜率激励后第r盘的AI吻合度记做F* r；胜和负结果的加乘系数分别记做M胜、M和、M负，如对局结果为胜，则F* r=Fr*M胜，如对局结果为和，则F* r=Fr*M和，如对局结果为负，则F* r=Fr* M负；用户的棋力Fu为每盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值。
4.根据权利要求3所述的一种象棋人工智能防作弊方法，其特征是，在步骤（5）中，具体为：FAI的区间为75%-100%，如果发现用户对局数在100盘以上，且75%≤Fu≤100%，自动判定为软件作弊；根据棋力Fu的区间对评测的用户进行分流，75%≤Fu≤100%的用户在一起评测，Fu＜75%的用户在一起评测，棋力大于75%的作弊用户无法匹配到纯人用户，从根本上解决软件作弊的弊端。
5.根据权利要求4所述的一种象棋人工智能防作弊方法，其特征是，在步骤（6）中，人机作弊是软件作弊的高级形式，具体指的是：前期纯人下棋，后期使用象棋AI下棋进行的作弊行为；具体方法如下：用户最近n盘有效对局的综合棋力记做Fu n，为最近n盘有效对局进行胜率激励后的AI吻合度F* r的算数平均值；用户最近10盘、25盘、50盘的综合棋力，记做Fu 10、Fu 25、Fu 50；当Fu＜75%，且有用户举报后，进入人机作弊判决过程，具体为：Fu 10，Fu 25，Fu 50的算数平均值≥75%，最终判定为人机作弊。
CN202110522896.XA 2021-05-13 2021-05-13 一种象棋人工智能防作弊方法 Active CN113230644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110522896.XA CN113230644B (zh) 2021-05-13 2021-05-13 一种象棋人工智能防作弊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110522896.XA CN113230644B (zh) 2021-05-13 2021-05-13 一种象棋人工智能防作弊方法

Publications (2)

Publication Number Publication Date
CN113230644A CN113230644A (zh) 2021-08-10
CN113230644B true CN113230644B (zh) 2023-09-19

Family

ID=77134064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110522896.XA Active CN113230644B (zh) 2021-05-13 2021-05-13 一种象棋人工智能防作弊方法

Country Status (1)

Country Link
CN (1) CN113230644B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113934766B (zh) * 2021-10-11 2023-04-14 网易有道信息技术(江苏)有限公司 围棋定式对弈方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204073909U (zh) * 2014-09-10 2015-01-07 焦慧娟 一种用于反应釜中的搅拌装置
CN107661622A (zh) * 2017-09-18 2018-02-06 北京深度奇点科技有限公司 一种生成五子棋对局数据的方法
CN109032935A (zh) * 2018-07-13 2018-12-18 东北大学 基于幻影围棋的非完美信息博弈完美化软件模型的预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL231947A0 (en) * 2014-04-03 2014-08-31 Chess Vision Ltd A vision system for monitoring board games and a method therefor

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204073909U (zh) * 2014-09-10 2015-01-07 焦慧娟 一种用于反应釜中的搅拌装置
CN107661622A (zh) * 2017-09-18 2018-02-06 北京深度奇点科技有限公司 一种生成五子棋对局数据的方法
CN109032935A (zh) * 2018-07-13 2018-12-18 东北大学 基于幻影围棋的非完美信息博弈完美化软件模型的预测方法

Also Published As

Publication number Publication date
CN113230644A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
EP3533505A1 (en) User interaction monitoring
CN113230644B (zh) 一种象棋人工智能防作弊方法
WO2019085823A1 (zh) 游戏信息的确定方法和装置、存储介质、电子装置
Holmgård et al. Personas versus clones for player decision modeling
US6830513B1 (en) Computer-based player performance variation
Lee et al. Predicting game outcome in multiplayer online battle arena games
CN110263937B (zh) 一种数据处理方法、设备及存储介质
Zhang Tactical decision system of table tennis match based on C4. 5 decision tree
Karavolos et al. Pairing character classes in a deathmatch shooter game via a deep-learning surrogate model
Yin et al. A data-driven approach for online adaptation of game difficulty
Viggiato et al. Trouncing in dota 2: An investigation of blowout matches
CN111346385A (zh) 游戏匹配方法及装置
Zhou et al. Discovering of game AIs’ characters using a neural network based AI imitator for AI clustering
Das et al. Prediction Model of Success and Failure in Football Competitions
CN111553165B (zh) 一种基于情感计算的足球运动员比赛表现评估方法
Zhang et al. Research on Mahjong game strategy combining hand tiles optimization and situation search
CN108664842A (zh) 一种唇动识别模型的构建方法及系统
Zeng et al. A Machine Learning Model to Predict Player's Positions based on Performance.
Li et al. Study on the play strategy of dou dizhu poker based on convolution neural network
CN112007355A (zh) 全自动化游戏辅助系统
Ravi et al. Using Game Theory to maximize the chance of victory in two-player sports
CN110033295A (zh) 对游戏中事件的奖励重要性的检测装置及方法
Cheng et al. Intelligent level generation for Super Mario using interactive evolutionnary computation
Oh et al. Identifying the rush strategies in the game logs of the real-time strategy game StarCraft-II
Gourh et al. Football prediction using XGBoost algorithm: a literature review

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