CN113256462B - 基于云计算的电竞教育系统 - Google Patents
基于云计算的电竞教育系统 Download PDFInfo
- Publication number
- CN113256462B CN113256462B CN202110553561.4A CN202110553561A CN113256462B CN 113256462 B CN113256462 B CN 113256462B CN 202110553561 A CN202110553561 A CN 202110553561A CN 113256462 B CN113256462 B CN 113256462B
- Authority
- CN
- China
- Prior art keywords
- user role
- matrix
- role
- user
- behavior
- 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
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 230000006399 behavior Effects 0.000 claims description 236
- 239000011159 matrix material Substances 0.000 claims description 193
- 239000013598 vector Substances 0.000 claims description 89
- 238000006243 chemical reaction Methods 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000452 restraining effect Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 10
- 238000011161 development Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010017472 Fumbling Diseases 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000010391 action planning Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- 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
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及云计算技术领域，具体涉及基于云计算的电竞教育系统，所述系统包括：分布式云计算服务器组和用户端；所述分布式云计算服务器包括多个并联的云计算服务器；所述用户端配置用于采集运行数据，将运行数据发送至分布式云计算服务器组。其通过采集用户端的AI角色行为数据和用户角色行为数据，配合分布式云计算服务器组来预测用户角色行为，以此来生成AI角色行为优化链，从而提升用户端的AI角色行为的合理性，对抗用户角色，达到训练用户行为的目的，以此实现电竞学员的自动训练，即便学员能够操控用户角色击败AI角色，但AI角色将根据调整后的行为，对抗学员操控的用户角色，以此提升学员的操作能力。
Description
技术领域
本发明属于云计算技术领域，具体涉及基于云计算的电竞教育系统。
背景技术
电竞行业快速发展，人才缺口越来越大，据腾讯报告显示，2017年底电竞从业人才缺口达26万，预计2020年底，电竞从业人才缺口将达50万。巨大的人才缺口催生了电竞教育的发展。
近年来随着全球电子竞技行业的不断深化，素质电子竞技教育的全面推进，不仅是国家体育总局，国家教育部门也越来越重视电子竞技在传统体育竞技中的地位，在不断提高大学生身体素质要求的同时，也开设了游戏、电子竞技专业，为当代年轻人带来了全新的教育模式。
但是基于我国目前的电竞行业还处于发展阶段的情况，是远远不能达到国家体育总局，以及国家教育部门的要求的，与国际电子竞技的水平更是有着较大的差距，以及现阶段的电子竞技环境还有待加强。
专利号为CN201910328075.5A的专利公开了一种基于大数据的云计算教育平台，包括云数据中心模块、与云数据中心模块通讯连接的云数据采集模块、与云数据中心模块通讯连接的客户端；云数据中心模块包括成绩模块、综合素质评价模块、家校互动信息模块、选修课内容模块、学生考勤记录模块、数字图书馆模块、精品课堂模块、班级社区模块、教育博客模块、央馆教学资源库模块与试题库模块；客户端包括登录模块与注册模块，登录模块包括学校管理员登录模块、学生登录模块、教师登录模块与家长登录模块。
其通过全方位的进行课堂管理，实现了基于云计算的在线教育。但目前针对电竞教育，仍然没有成熟的教育平台。而由于电竞教育不同于传统的教育，电竞教育重在实战，且由于电竞基于电子游戏，如果通过老师授课，将难以实现教育学员的目的。
发明内容
有鉴于此，本发明的主要目的在于提供基于云计算的电竞教育系统，其通过采集用户端的AI角色行为数据和用户角色行为数据，配合分布式云计算服务器组来预测用户角色行为，以此来生成AI角色行为优化链，从而提升用户端的AI角色行为的合理性，对抗用户角色，达到训练用户行为的目的，以此实现电竞学员的自动训练，即便学员能够操控用户角色击败AI角色，但AI角色将根据调整后的行为，对抗学员操控的用户角色，以此提升学员的操作能力。
为达到上述目的，本发明的技术方案是这样实现的：
基于云计算的电竞教育系统，所述系统包括：分布式云计算服务器组和用户端；所述分布式云计算服务器包括多个并联的云计算服务器；所述用户端配置用于采集运行数据，将运行数据发送至分布式云计算服务器组；所述运行数据包括：用户角色行为数据和AI角色行为数据；所述分布式云计算服务器组接收到运行数据后，基于用户角色行为数据首先进行用户行为预测，构建用户角色行为链，再基于AI角色行为数据和构建的用户角色行为链生成AI角色行为优化链；再进行用户行为预测，构建的用户角色行为链具有多个，基于用户角色行为链生成的AI角色行为优化链也具有多个；分布式云计算服务器组将并联的云计算服务器进行分组，得到多个云计算服务器子组；云计算服务器子组的数量与AI角色行为优化链的数量相同；每个云计算服务器子组与一个AI角色行为优化链对应，同时每个AI角色行为优化链与一个用户角色行为优化链；当用户端实时采集到新的用户角色行为数据后，分布式云计算服务器组基于采集到的新的用户角色行为数据，找到对应的AI角色行为优化链，再基于找到的AI角色行为优化链，找到对应的AI角色行为优化链，以及找到对应的云计算服务器子组，对应的云计算服务器子组基于对应的AI角色行为优化链，发送控制命令至用户端，控制用户端的AI角色按照AI角色行为优化链运行。
进一步的，所述方法包括：基于用户角色行为数据确定用户角色的待利用的用户角色属性项目及所述用户角色属性项目对应的用户角色项目数据；从用户角色属性矩阵中，确定各个用户角色属性项目分别对应的用户角色属性向量；其中，所述用户角色属性矩阵为预先基于用户角色历史行为数据得到的用于用户行为预测的矩阵，所述用户角色属性矩阵中包括样本集所涵盖的多个属性项目对应的属性向量；根据所述用户角色属性向量、所述用户角色项目数据以及预设的向量合并公式，计算用户角色数据合并向量；根据用户角色反应矩阵、所述用户角色数据合并向量、预设的多个初始状态向量以及预设的概率计算公式，计算每个所述初始状态向量的第一概率值；其中，所述用户角色反应矩阵为预先基于所述用户角色历史行为数据而获得的用于用户行为预测的调整矩阵，所述多个初始状态向量均不相同，每个初始状态向量所包括的元素均分别唯一对应一个状态项目，且每个元素表示所对应状态项目的状态；根据所述第一概率值，确定所述用户角色对应的第一用户行为预测向量；根据所述第一用户行为预测向量，确定所述用户角色的状态的预测结果；基于用户角色的状态的预测结果，构建用户角色行为链。
进一步的，获得所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：获得初始有用矩阵以及用户角色样本集，其中，所述初始有用矩阵至少包括初始属性矩阵以及初始反应矩阵，所述用户角色样本集中包含第一预设数量个样本，每个样本至少包括多个第一属性项目、所述第一属性项目对应的第一项目数据、状态项目以及所述状态项目对应的第一状态数据；从所述用户角色样本集中选择第二预设数量个用户角色样本；从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量；根据所述第一属性向量、每个用户角色样本的各个第一属性项目分别对应的第一项目数据以及所述向量合并公式，获得第一数据合并向量；根据当前初始反应矩阵、所述第一数据合并向量、多个所述初始状态向量以及预设的概率计算公式，计算每个用户角色样本所对应的多个初始状态向量的第二概率值；根据所述第二概率值，确定每个用户角色样本所对应的第二用户行为预测向量；并将每个用户角色样本所对应的第一状态数据进行0-1编码，获得每个用户角色样本的期望状态向量；根据公式
计算每个用户角色样本所对应的第二用户行为预测向量相对于所对应期望状态向量的误差；其中，T表示所述误差，
表示用户角色样本所对应的期望状态向量，Δv表示用户角色样本所对应的第二用户行为预测向量；
其中，xi表示用户角色行为数据中的某个项目的当前值，xi-1表示用户角色行为数据中的某个项目的前一个值，m表示用户角色行为数据的数量，yi表示用户角色行为数据中的另一个项目的当前值，yi-1表示用户角色行为数据中的另一个项目的前一个值；
其中，ai为用户角色行为数据中的某个项目的平均值，bi为用户角色行为数据中的另一个项目的平均值；根据每个用户角色样本的误差，确定用户角色有效误差；根据当前初始属性矩阵、当前初始反应矩阵、所述用户角色有效误差以及预设的更新公式，获得第一属性矩阵以及第一反应矩阵；根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵。
进一步的，所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
进一步的，判断所述样本集中是否有未被选择的样本时，如果否，判断当前第一有用矩阵是否满足收敛条件，其中，当前第一有用矩阵至少包括当前第一属性矩阵以及当前第一反应矩阵；当判断出当前第一有用矩阵不满足收敛条件时，以所述第一属性矩阵更新所述初始属性矩阵，以所述第一反应矩阵更新所述初始反应矩阵，返回执行从所述样本集中选择第二预设数量个样本作为用户角色样本的步骤；当判断出当前第一有用矩阵满足收敛条件时，将所述第一属性矩阵作为所述用户角色属性矩阵，将所述第一反应矩阵作为所述用户角色反应矩阵。
进一步的，所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
进一步的，判断所述样本集中是否有未被选择的样本时，如果否，将当前第一属性矩阵确定为所述用户角色属性矩阵，将当前第一反应矩阵确定为所述用户角色反应矩阵。
进一步的，所述基于AI角色行为数据和构建的用户角色行为链生成AI角色行为优化链的方法包括：基于用户角色行为链中，构建用户角色行为链的共轭链；再基于AI角色行为数据进行AI行为预测，构建AI角色行为链；再将AI角色行为链和共轭链进行取平均处理，生成AI角色行为优化链。
进一步的，所述共轭链的构建方法包括：事先建立AI角色行为和用户角色行为的克制关系表；若某个AI角色行为和用户角色行为构成克制关系，则该AI角色行为和用户角色行为构成共轭；基于用户角色行为链中的每个用户角色行为，通过克制关系表，构建用户角色行为链的共轭链。
进一步的，所述克制关系表为一个关系数据库。
本发明的基于云计算的电竞教育系统，其通过采集用户端的AI角色行为数据和用户角色行为数据，配合分布式云计算服务器组来预测用户角色行为，以此来生成AI角色行为优化链，从而提升用户端的AI角色行为的合理性，对抗用户角色，达到训练用户行为的目的，以此实现电竞学员的自动训练，即便学员能够操控用户角色击败AI角色，但AI角色将根据调整后的行为，对抗学员操控的用户角色，以此提升学员的操作能力。主要通过以下过程实现：
1.AI角色行为的优化：本发明通过采集用户角色行为和AI角色行为数据，来进行用户角色行为预测，基于预测结果，则可以得知接下来学员会在用户端控制用户角色作出什么行为，再通过云计算服务器来构建针对对抗用户角色行为的AI行为链，这样就实现了自动完成对学员的训练，学员在不断的操作过程中，得到技术的提升，且根据学员在操作后技术提升后，还能不断优化AI角色行为，以此不断刺激学员提升自己的技术，实现电竞教育的智能化；
2.分布式云服务器的分组：本发明通过多个并联的云服务器来构成云计算服务器组，再通过预测的角色行为和构建的优化后的AI角色行为，来进行分组，每个分组控制一个单独的优化后的AI角色行为，以此保证执行效率，因为用户在用户端进行操作时，其情况无法预测，因此若用户行为进行了改变，则需要采用另外的AI角色行为，如果还是采用一个优化后的AI角色行为，则无法达到目的。
附图说明
图1为本发明实施例提供的基于云计算的电竞教育系统的系统结构示意图；
图2为本发明实施例提供的基于云计算的电竞教育系统的用户角色行为链和AI角色行为优化链的构建原理示意图；
图3为本发明实施例提供的基于云计算的电竞教育系统将并联的云计算服务器进行分组的原理示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示，基于云计算的电竞教育系统，所述系统包括：分布式云计算服务器组和用户端；所述分布式云计算服务器包括多个并联的云计算服务器；所述用户端配置用于采集运行数据，将运行数据发送至分布式云计算服务器组；所述运行数据包括：用户角色行为数据和AI角色行为数据；所述分布式云计算服务器组接收到运行数据后，基于用户角色行为数据首先进行用户行为预测，构建用户角色行为链，再基于AI角色行为数据和构建的用户角色行为链生成AI角色行为优化链；再进行用户行为预测，构建的用户角色行为链具有多个，基于用户角色行为链生成的AI角色行为优化链也具有多个；分布式云计算服务器组将并联的云计算服务器进行分组，得到多个云计算服务器子组；云计算服务器子组的数量与AI角色行为优化链的数量相同；每个云计算服务器子组与一个AI角色行为优化链对应，同时每个AI角色行为优化链与一个用户角色行为优化链；当用户端实时采集到新的用户角色行为数据后，分布式云计算服务器组基于采集到的新的用户角色行为数据，找到对应的AI角色行为优化链，再基于找到的AI角色行为优化链，找到对应的AI角色行为优化链，以及找到对应的云计算服务器子组，对应的云计算服务器子组基于对应的AI角色行为优化链，发送控制命令至用户端，控制用户端的AI角色按照AI角色行为优化链运行。
采用上述技术方案，本发明通过采集用户端的AI角色行为数据和用户角色行为数据，配合分布式云计算服务器组来预测用户角色行为，以此来生成AI角色行为优化链，从而提升用户端的AI角色行为的合理性，对抗用户角色，达到训练用户行为的目的，以此实现电竞学员的自动训练，即便学员能够操控用户角色击败AI角色，但AI角色将根据调整后的行为，对抗学员操控的用户角色，以此提升学员的操作能力。主要通过以下过程实现：
1.AI角色行为的优化：本发明通过采集用户角色行为和AI角色行为数据，来进行用户角色行为预测，基于预测结果，则可以得知接下来学员会在用户端控制用户角色作出什么行为，再通过云计算服务器来构建针对对抗用户角色行为的AI行为链，这样就实现了自动完成对学员的训练，学员在不断的操作过程中，得到技术的提升，且根据学员在操作后技术提升后，还能不断优化AI角色行为，以此不断刺激学员提升自己的技术，实现电竞教育的智能化；
2.分布式云服务器的分组：本发明通过多个并联的云服务器来构成云计算服务器组，再通过预测的角色行为和构建的优化后的AI角色行为，来进行分组，每个分组控制一个单独的优化后的AI角色行为，以此保证执行效率，因为用户在用户端进行操作时，其情况无法预测，因此若用户行为进行了改变，则需要采用另外的AI角色行为，如果还是采用一个优化后的AI角色行为，则无法达到目的
实施例2
在上一实施例的基础上，所述方法包括：基于用户角色行为数据确定用户角色的待利用的用户角色属性项目及所述用户角色属性项目对应的用户角色项目数据；从用户角色属性矩阵中，确定各个用户角色属性项目分别对应的用户角色属性向量；其中，所述用户角色属性矩阵为预先基于用户角色历史行为数据得到的用于用户行为预测的矩阵，所述用户角色属性矩阵中包括样本集所涵盖的多个属性项目对应的属性向量；根据所述用户角色属性向量、所述用户角色项目数据以及预设的向量合并公式，计算用户角色数据合并向量；根据用户角色反应矩阵、所述用户角色数据合并向量、预设的多个初始状态向量以及预设的概率计算公式，计算每个所述初始状态向量的第一概率值；其中，所述用户角色反应矩阵为预先基于所述用户角色历史行为数据而获得的用于用户行为预测的调整矩阵，所述多个初始状态向量均不相同，每个初始状态向量所包括的元素均分别唯一对应一个状态项目，且每个元素表示所对应状态项目的状态；根据所述第一概率值，确定所述用户角色对应的第一用户行为预测向量；根据所述第一用户行为预测向量，确定所述用户角色的状态的预测结果；基于用户角色的状态的预测结果，构建用户角色行为链。
具体的，游戏中的AI，大多数都是按照规则设定好的，没有太多花哨的技术。原因有几个：
一是出于风险成本的考虑，用一个新技术，需要程序员开发相应的算法和框架，游戏设计师重新上手设计方法和摸索算法的适用范围，小团队承受不起这样的开销，大团队又怕做坏名声；
二是“高级”的AI算法并不直观，难以设计。举一个例子，怎么利用神经网络来训练一个士兵AI？我见过的一个例子是设计师用几个按键来操作士兵移动攻击，然后程序自动记录敌我双方的数据和设计师的操作，最后利用这些信息作为input构建一个行为树。这个方法的问题有三个，一是效率奇慢，因为如果数据不够，行为树就可能覆盖不了所有情况，但多少才是“够”，又没有定论；二是错误的操作也会被记录下来，当然可以开发一个功能来删除设计师的某个动作；三是行为树的结果是无法解释的，相当于一个黑箱。
实施例3
在上一实施例的基础上，获得所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：获得初始有用矩阵以及用户角色样本集，其中，所述初始有用矩阵至少包括初始属性矩阵以及初始反应矩阵，所述用户角色样本集中包含第一预设数量个样本，每个样本至少包括多个第一属性项目、所述第一属性项目对应的第一项目数据、状态项目以及所述状态项目对应的第一状态数据；从所述用户角色样本集中选择第二预设数量个用户角色样本；从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量；根据所述第一属性向量、每个用户角色样本的各个第一属性项目分别对应的第一项目数据以及所述向量合并公式，获得第一数据合并向量；根据当前初始反应矩阵、所述第一数据合并向量、多个所述初始状态向量以及预设的概率计算公式，计算每个用户角色样本所对应的多个初始状态向量的第二概率值；根据所述第二概率值，确定每个用户角色样本所对应的第二用户行为预测向量；并将每个用户角色样本所对应的第一状态数据进行0-1编码，获得每个用户角色样本的期望状态向量；根据公式
计算每个用户角色样本所对应的第二用户行为预测向量相对于所对应期望状态向量的误差；其中，T表示所述误差，
表示用户角色样本所对应的期望状态向量，Δv表示用户角色样本所对应的第二用户行为预测向量；
其中，xi表示用户角色行为数据中的某个项目的当前值，xi-1表示用户角色行为数据中的某个项目的前一个值，m表示用户角色行为数据的数量，yi表示用户角色行为数据中的另一个项目的当前值，yi-1表示用户角色行为数据中的另一个项目的前一个值；
其中，ai为用户角色行为数据中的某个项目的平均值，bi为用户角色行为数据中的另一个项目的平均值；根据每个用户角色样本的误差，确定用户角色有效误差；根据当前初始属性矩阵、当前初始反应矩阵、所述用户角色有效误差以及预设的更新公式，获得第一属性矩阵以及第一反应矩阵；根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵。
具体的，游戏AI的目标之一就是要找到一种简单并可扩展的开发逻辑的方案，常用的技术包括有限状态机(FSM)、分层有限状态机(HFSM)、面向目标的动作规划(GOAP)、分层任务网络(HTN)等。
行为树作为次时代的AI技术，距其原型提出也约有10年左右，像Halo、Spore、Crysis等大作已经采用。目前，很多知名的游戏引擎也已整合或提供了自己的行为树组件，例如Unreal4、Unity引擎等。
具体的，所述向量合并公式采用现有技术中的向量合并公式，具体为：设一个向量为：A＝[1234]；另一个向量为：B＝[5678]；将A和B合并成C＝[A B]＝[12345678]。
实施例4
在上一实施例的基础上，所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
具体的，不同于有限状态机或者其它AI系统，行为树就是一棵节点层次分明的树，控制着AI物体的一系列决定。从树延伸出的叶子节点，执行控制AI物体的指令。各种工具节点组成树的分支，来控制AI指令的走向以形成一系列的指令，这样来满足游戏需要。
它可以是一棵很高的树，可以具有完成特定功能的子树，开发者可以创建行为库并把它们适当地连接起来以达到非常真实的AI行为。开发过程是高度可迭代的，你可以先排出一个基础的行为树，然后创建新的分支来处理各种达到目标的可选方案，这些分支按照它们的优先级排列，这样AI在一个特定的行为失败可以回溯到另一个策略，这是行为树巨大优势所在。
实施例5
在上一实施例的基础上，判断所述样本集中是否有未被选择的样本时，如果否，判断当前第一有用矩阵是否满足收敛条件，其中，当前第一有用矩阵至少包括当前第一属性矩阵以及当前第一反应矩阵；当判断出当前第一有用矩阵不满足收敛条件时，以所述第一属性矩阵更新所述初始属性矩阵，以所述第一反应矩阵更新所述初始反应矩阵，返回执行从所述样本集中选择第二预设数量个样本作为用户角色样本的步骤；当判断出当前第一有用矩阵满足收敛条件时，将所述第一属性矩阵作为所述用户角色属性矩阵，将所述第一反应矩阵作为所述用户角色反应矩阵。
具体的，目前，最为先进的AI游戏技术当属于遗传算法。所谓的遗传算法，是基于达尔文进化论提出的一种决策计算模型，计算机在模拟自然进化过程中寻求最优解。体现在游戏上，NPC会根据以往的经验去优化策略，新一轮的进攻的“敌人”会接收“牺牲者”的意志，并针对玩家的过往策略逐个击破。这意味着越强大的玩家将面临越强大的敌人，并且没有尽头。
实施例6
在上一实施例的基础上，所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
具体的，从目前发展来看，AI是否已经如火如荼的进入了游戏行业了呢？其实并不是。游戏AI的发展仅仅只是较于AI初期有了一定程度的进步，但是AI就像一个宝藏，其中能够应用于游戏中的结合点还需要我们不断去发掘。
智能相对论分析师柯鸣认为，AI游戏的发展需要“真心”做游戏。所谓的“真心”，就是玩家在游戏过程中，极度专注，且全身心投入，连贯流畅的享受游戏体验，并不断享受成功喜悦的一种情绪及心理状态。
实施例7
在上一实施例的基础上，判断所述样本集中是否有未被选择的样本时，如果否，将当前第一属性矩阵确定为所述用户角色属性矩阵，将当前第一反应矩阵确定为所述用户角色反应矩阵。
实施例8
在上一实施例的基础上，所述基于AI角色行为数据和构建的用户角色行为链生成AI角色行为优化链的方法包括：基于用户角色行为链中，构建用户角色行为链的共轭链；再基于AI角色行为数据进行AI行为预测，构建AI角色行为链；再将AI角色行为链和共轭链进行取平均处理，生成AI角色行为优化链。
实施例9
在上一实施例的基础上，所述共轭链的构建方法包括：事先建立AI角色行为和用户角色行为的克制关系表；若某个AI角色行为和用户角色行为构成克制关系，则该AI角色行为和用户角色行为构成共轭；基于用户角色行为链中的每个用户角色行为，通过克制关系表，构建用户角色行为链的共轭链。
实施例10
在上一实施例的基础上，所述克制关系表为一个关系数据库。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。
Claims (5)
1.基于云计算的电竞教育系统，其特征在于，所述系统包括：分布式云计算服务器组和用户端；所述分布式云计算服务器包括多个并联的云计算服务器；所述用户端配置用于采集运行数据，将运行数据发送至分布式云计算服务器组；所述运行数据包括：用户角色行为数据和AI角色行为数据；所述分布式云计算服务器组接收到运行数据后，基于用户角色行为数据首先进行用户行为预测，构建用户角色行为链，再基于AI 角色行为数据和构建的用户角色行为链生成AI角色行为优化链；在进行用户行为预测时，构建的用户角色行为链具有多个，基于用户角色行为链生成的AI角色行为优化链也具有多个；分布式云计算服务器组将并联的云计算服务器进行分组，得到多个云计算服务器子组；云计算服务器子组的数量与AI角色行为优化链的数量相同；每个云计算服务器子组与一个AI角色行为优化链对应，同时每个AI角色行为优化链与一个用户角色行为优化链对应；当用户端实时采集到新的用户角色行为数据后，分布式云计算服务器组基于采集到的新的用户角色行为数据，找到对应的AI角色行为优化链，再基于找到的AI角色行为优化链，找到对应的用户角色行为优化链，以及找到对应的云计算服务器子组，对应的云计算服务器子组基于对应的AI角色行为优化链，发送控制命令至用户端，控制用户端的AI角色按照AI角色行为优化链运行；
所述基于AI 角色行为数据和构建的用户角色行为链生成AI角色行为优化链的方法包括：基于用户角色行为链中，构建用户角色行为链的共轭链；再基于AI角色行为数据进行AI行为预测，构建AI角色行为链；再将AI角色行为链和共轭链进行取平均处理，生成AI角色行为优化链；
所述共轭链的构建方法包括：事先建立AI角色行为和用户角色行为的克制关系表；若某个AI角色行为和用户角色行为构成克制关系，则该AI角色行为和用户角色行为构成共轭；基于用户角色行为链中的每个用户角色行为，通过克制关系表，构建用户角色行为链的共轭链；
基于用户角色行为数据确定用户角色的待利用的用户角色属性项目及所述用户角色属性项目对应的用户角色项目数据；从用户角色属性矩阵中，确定各个用户角色属性项目分别对应的用户角色属性向量；其中，所述用户角色属性矩阵为预先基于用户角色历史行为数据得到的用于用户行为预测的矩阵，所述用户角色属性矩阵中包括样本集所涵盖的多个属性项目对应的属性向量；根据所述用户角色属性向量、所述用户角色项目数据以及预设的向量合并公式，计算用户角色数据合并向量；根据用户角色反应矩阵、所述用户角色数据合并向量、预设的多个初始状态向量以及预设的概率计算公式，计算每个所述初始状态向量的第一概率值；其中，所述用户角色反应矩阵为预先基于所述用户角色历史行为数据而获得的用于用户行为预测的调整矩阵，所述多个初始状态向量均不相同，每个初始状态向量所包括的元素均分别唯一对应一个状态项目，且每个元素表示所对应状态项目的状态；根据所述第一概率值，确定所述用户角色对应的第一用户行为预测向量；根据所述第一用户行为预测向量，确定所述用户角色的状态的预测结果；基于用户角色的状态的预测结果，构建用户角色行为链；
所述向量合并公式具体为：设一个向量为：A = [1 2 3 4]；另一个向量为：B = [5 6 78]；将A和B合并成C=[A B] = [1 2 3 4 5 6 7 8]；
获得所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：获得初始有用矩阵以及用户角色样本集，其中，所述初始有用矩阵至少包括初始属性矩阵以及初始反应矩阵，所述用户角色样本集中包含第一预设数量个样本，每个样本至少包括多个第一属性项目、所述第一属性项目对应的第一项目数据、状态项目以及所述状态项目对应的第一状态数据；从所述用户角色样本集中选择第二预设数量个用户角色样本；从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量；根据所述第一属性向量、每个用户角色样本的各个第一属性项目分别对应的第一项目数据以及所述向量合并公式，获得第一数据合并向量；根据当前初始反应矩阵、所述第一数据合并向量、多个所述初始状态向量以及预设的概率计算公式，计算每个用户角色样本所对应的多个初始状态向量的第二概率值；根据所述第二概率值，确定每个用户角色样本所对应的第二用户行为预测向量；并将每个用户角色样本所对应的第一状态数据进行0-1编码，获得每个用户角色样本的期望状态向量；根据公式
，计算每个用户角色样本所对应的第二用户行为预测向量相对于所对应期望状态向量的误差；其中，
表示所述误差，
表示用户角色样本所对应的期望状态向量，
表示用户角色样本所对应的第二用户行为预测向量；
所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
2.如权利要求1所述的系统，其特征在于，判断所述样本集中是否有未被选择的样本时，如果否，判断当前第一有用矩阵是否满足收敛条件，其中，当前第一有用矩阵至少包括当前第一属性矩阵以及当前第一反应矩阵；当判断出当前第一有用矩阵不满足收敛条件时，以所述第一属性矩阵更新所述初始属性矩阵，以所述第一反应矩阵更新所述初始反应矩阵，返回执行从所述样本集中选择第二预设数量个样本作为用户角色样本的步骤；当判断出当前第一有用矩阵满足收敛条件时，将所述第一属性矩阵作为所述用户角色属性矩阵，将所述第一反应矩阵作为所述用户角色反应矩阵。
3.如权利要求2所述的系统，其特征在于，所述根据当前第一属性矩阵、当前第一反应矩阵、当前初始属性矩阵以及当前初始反应矩阵，确定所述用户角色属性矩阵以及所述用户角色反应矩阵的步骤，包括：判断所述样本集中是否有未被选择的样本；如果是，从未被选择的样本中选择第三预设数量个样本作为用户角色样本，并以当前第一属性矩阵更新当前初始属性矩阵，以当前第一反应矩阵更新当前初始反应矩阵，返回执行所述从当前初始属性矩阵中，确定每个用户角色样本的各个第一属性项目分别对应的第一属性向量的步骤。
4.如权利要求3所述的系统，其特征在于，判断所述样本集中是否有未被选择的样本时，如果否，将当前第一属性矩阵确定为所述用户角色属性矩阵，将当前第一反应矩阵确定为所述用户角色反应矩阵。
5.如权利要求4所述的系统，其特征在于，所述克制关系表为一个关系数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110553561.4A CN113256462B (zh) | 2021-05-20 | 2021-05-20 | 基于云计算的电竞教育系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110553561.4A CN113256462B (zh) | 2021-05-20 | 2021-05-20 | 基于云计算的电竞教育系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113256462A CN113256462A (zh) | 2021-08-13 |
| CN113256462B true CN113256462B (zh) | 2022-03-18 |
Family
ID=77183169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110553561.4A Active CN113256462B (zh) | 2021-05-20 | 2021-05-20 | 基于云计算的电竞教育系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113256462B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106390456A (zh) * | 2016-09-30 | 2017-02-15 | 腾讯科技（深圳）有限公司 | 游戏中角色行为的生成方法和装置 |
| CN105709417B (zh) * | 2014-12-05 | 2019-03-01 | 博雅网络游戏开发（深圳）有限公司 | 桌球游戏中智能对战角色控制系统和方法 |
| CN110443284A (zh) * | 2019-07-15 | 2019-11-12 | 超参数科技(深圳)有限公司 | Ai模型的训练方法、调用方法、服务器及可读存储介质 |
| CN110947177A (zh) * | 2019-11-14 | 2020-04-03 | 咪咕互动娱乐有限公司 | 云游戏教学互动的方法、系统、设备及其计算机可读存储介质 |
| CN111385594A (zh) * | 2018-12-29 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 一种虚拟角色互动方法、装置和存储介质 |
| CN111738294A (zh) * | 2020-05-21 | 2020-10-02 | 深圳海普参数科技有限公司 | Ai模型的训练方法、使用方法、计算机设备及存储介质 |
| CN111760291A (zh) * | 2020-07-06 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 游戏互动行为模型生成方法、装置、服务器和存储介质 |
| CN112337096A (zh) * | 2020-11-25 | 2021-02-09 | 腾讯科技（深圳）有限公司 | 虚拟角色的控制方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-20 CN CN202110553561.4A patent/CN113256462B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105709417B (zh) * | 2014-12-05 | 2019-03-01 | 博雅网络游戏开发（深圳）有限公司 | 桌球游戏中智能对战角色控制系统和方法 |
| CN106390456A (zh) * | 2016-09-30 | 2017-02-15 | 腾讯科技（深圳）有限公司 | 游戏中角色行为的生成方法和装置 |
| CN111385594A (zh) * | 2018-12-29 | 2020-07-07 | 腾讯科技（深圳）有限公司 | 一种虚拟角色互动方法、装置和存储介质 |
| CN110443284A (zh) * | 2019-07-15 | 2019-11-12 | 超参数科技(深圳)有限公司 | Ai模型的训练方法、调用方法、服务器及可读存储介质 |
| CN110947177A (zh) * | 2019-11-14 | 2020-04-03 | 咪咕互动娱乐有限公司 | 云游戏教学互动的方法、系统、设备及其计算机可读存储介质 |
| CN111738294A (zh) * | 2020-05-21 | 2020-10-02 | 深圳海普参数科技有限公司 | Ai模型的训练方法、使用方法、计算机设备及存储介质 |
| CN111760291A (zh) * | 2020-07-06 | 2020-10-13 | 腾讯科技（深圳）有限公司 | 游戏互动行为模型生成方法、装置、服务器和存储介质 |
| CN112337096A (zh) * | 2020-11-25 | 2021-02-09 | 腾讯科技（深圳）有限公司 | 虚拟角色的控制方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于行为树的游戏AI设计与实现;何汶俊;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190115;第1-5章 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113256462A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mansur et al. | Social learning network analysis model to identify learning patterns using ontology clustering techniques and meaningful learning | |
| Smith | Essential techniques for military modeling and simulation | |
| Akiyama et al. | Helios2018: Robocup 2018 soccer simulation 2D league champion | |
| CN108579095A (zh) | 游戏中的社交关系推荐方法、装置和计算机可读存储介质 | |
| Fan et al. | A review of artificial intelligence for games | |
| Ashlock et al. | General video game playing escapes the no free lunch theorem | |
| CN110458295B (zh) | 基于人工智能的棋牌关卡生成方法、训练方法及装置 | |
| Qader et al. | Evolving and training of neural network to play DAMA board game using NEAT algorithm | |
| Berthling-Hansen et al. | Automating behaviour tree generation for simulating troop movements (poster) | |
| Wang et al. | Towards skilled population curriculum for multi-agent reinforcement learning | |
| CN113256462B (zh) | 基于云计算的电竞教育系统 | |
| Robertson et al. | Finding Schrödinger’s gun | |
| Pogossian et al. | On competing agents consistent with expert knowledge | |
| Conroy et al. | A value equivalence approach for solving interactive dynamic influence diagrams | |
| Frank et al. | The statistics proxy server | |
| CN114870403A (zh) | 一种游戏中的对战匹配方法、装置、设备及存储介质 | |
| Wu et al. | Analysis of strategy in robot soccer game | |
| Torkaman et al. | Robust opponent modeling in real-time strategy games using Bayesian Networks | |
| CN113253976A (zh) | 一种基于游戏记录分析的研发模块构建方法及系统 | |
| do Couto et al. | A trust and reputation framework for game agents: Providing a social bias to computer players | |
| Brown | Towards better personas in gaming: Contract based expert systems | |
| Tracy | Using genetic algorithms to model strategic interactions | |
| Shugart et al. | An ecological evaluation of FORPLAN in national forest planning | |
| KR102187880B1 (ko) | 게임 업데이트 가이드를 위한 방법 및 장치 | |
| Blackford | Online build-order optimization for real-time strategy agents using multi-objective evolutionary algorithms |
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 |