CN114565050A - 一种游戏人工智能行动规划方法及系统 - Google Patents

Abstract

本发明公开了一种游戏人工智能行动规划方法，属于计算机游戏和人工智能技术领域，该规划方法具体步骤如下：步骤一：获取样本数据；步骤二：基学习器训练；步骤三：层级判断及权重配比；步骤四：集成学习；步骤五：反馈与执行；本发明采用三类基学习器对游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本进行训练学习，并根据真实玩家游戏水平对三类基学习器进行权重分配，最后通过集成学习构建游戏AI行为规划模型，并基于其对游戏AI进行行动规划和执行，使得游戏AI能够针对不同玩家水平做出多种不同行动反应，行为模式多元，从而满足不同水平玩家的游戏趣味性，大大提高了真实玩家游戏体验感。

Description

一种游戏人工智能行动规划方法及系统

技术领域

本发明涉及计算机游戏和人工智能领域，尤其涉及一种游戏人工智能行动规划方法及系统。

背景技术

经检索，中国专利号CN109857552A公开了一种游戏人工智能行动规划方法及系统，该发明虽然能够使NPC的AI行为范围变得更宽，但非玩家角色行动路径的仍相对死板固定，无法针对不同水平玩家做出不同行动路径变化，从而易降低真实玩家游戏体验感；游戏人工智能(也称游戏AI，Game Artificial Intelligence)，是人工智能科学技术领域的一个新兴的、活跃的学科分支，是计算机游戏和人工智能相结合的产物，一般是指游戏中，计算机控制的非玩家角色(Non-Player Character，缩写为NPC)能够模拟人类思维或者现实中的其他生物，表现出一定的智能行为，好的AI使游戏变得更加逼真，更加接近现实；目前，随着网络游戏市场的不断发展和壮大，游戏行业的竞争越来越大，游戏玩家也变得越来越挑剔；为了满足玩家对游戏各方面不断提高的需求，在激烈的竞争中生存下来，甚至脱颖而出，游戏开发技术也在不断的发展和改善；如今游戏在画面，音效与系统等各个方面都得到了不断的完善，尤其在画面效果方面，更是实现了巨大的跨越式发展；当各个游戏在画面方面的追求几乎已经到了极致，人们开始越来越多的把眼光放到对游戏的可玩性有着巨大影响的游戏技术上；然而在游戏AI方面，大部分公司仍使用定性AI(定性AI的行为表现是具有指定性和可预见性)的方式来预设非玩家角色的行动，这使得游戏AI与玩家互动的过程中的行为表现较为死板，无法针对不同水平玩家做出不同行动路径变化，从而易降低真实玩家游戏体验感；因此，发明出一种游戏人工智能行动规划方法及系统变得尤为重要；

现有的游戏AI行动规划方法大多采用单一行为树的方式来预设非玩家角色的行动，该类方法虽然容易落实和实现，但其行为模式固定，游戏AI的行为表现较为死板，无法针对不同水平玩家做出不同行动路径变化，易导致游戏趣味性变低，从而影响真实玩家游戏体验感；为此，我们提出一种游戏人工智能行动规划方法及系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种游戏人工智能行动规划方法及系统。

为了实现上述目的，本发明采用了如下技术方案：

一种游戏人工智能行动规划方法，该规划方法具体步骤如下：

步骤一：获取样本数据，获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据，所述玩家信息数据包括玩家待执行任务数据和玩家游戏水平信息；将所述游戏场景数据、非玩家角色任务数据和玩家待执行任务数据作为初始样本数据，形成游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

步骤二：基学习器训练，构建三类基学习器，并依次提取步骤一中所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本，同时将其输入所述三类基学习器进行训练，生成个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

步骤三：层级判断及权重配比，提取步骤一所述玩家游戏水平信息，根据其判断定义玩家所处层级，并根据所述玩家所处层级对步骤二所述个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

步骤四：集成学习，构建集成学习器，并将步骤三所述权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本输入其中进行集成学习，形成游戏AI行动决策模型；

步骤五：反馈与执行，根据步骤四所述游戏AI行动决策模型对非玩家角色进行行为指令反馈，并使其执行。

进一步地，步骤一所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本形成前需经过预处理操作，所述预处理操作包括但不限于数据清洗、数据格式变换、数据集成和数据规约和缺失数据补全；所述玩家游戏水平信息包括但不限于玩家游戏等级、玩家操作评分、玩家游戏时长、玩家荣誉积分和玩家游戏胜率。

进一步地，步骤二所述三类基学习器为异质，所述个体游戏场景样本采用SVM算法模型，所述个体非玩家角色任务样本Logistic算法模型，所述个体玩家待执行任务样本采用KNN算法模型。

进一步地，步骤三所述玩家所处层级共包括A、B、C、D和E五级，其A级表示该玩家水平较低，其B级表示该玩家水平一般，其C级表示该玩家水平中等，其D级表示该玩家水平较高，其E级表示该玩家水平超高；步骤三所述权重配比具体运行过程如下：

S1：获取判断定义后的玩家所处层级；

S2：若判断定义后的玩家所处层级处于A级或B级，则判定该玩家为新手型玩家，则赋予个体游戏场景样本0.5权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于C级，则判定该玩家为中庸型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.75权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于D级或E级，则判定该玩家为高手型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.5权重。

进一步地，步骤四所述集成学习基于Bagging框架，并根据权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行加权平均策略结合。

一种游戏人工智能行动规划系统，包括信息读取模块、机器学习模块、水平数据提取模块、处理判断模块、权重配比模块、集成学习模块、行动决策模块和指令反馈模块；

所述信息读取模块用于获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据，并通过提取，得到游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

所述机器学习模块用于利用异质个体学习器对所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本进行个体学习，得到个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

所述水平数据提取模块用于提取所述玩家信息数据中的玩家游戏水平信息；

所述处理判断模块用于根据评判标准对所述玩家游戏水平信息进行玩家所处层级判断定义；

所述权重配比模块用于根据所述判断定义后玩家所处层级对个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

所述集成学习模块用于利用集成学习器对所述权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行集成学习；形成游戏AI行动决策模型；

所述行动决策模块用于通过游戏AI行动决策模型对不同水平玩家所面对的非玩家角色进行不同行为指令下达；

所述指令反馈模块用于接收所述行为指令，并将其反馈给游戏中的非玩家角色，令其执行。

相比于现有技术，本发明的有益效果在于：

本申请公开了一种游戏人工智能行动规划方法及系统，其采用三类基学习器对游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本进行训练学习，并根据真实玩家游戏水平对三类基学习器进行权重分配，最后通过集成学习构建游戏AI行为规划模型，并基于其对游戏AI进行行动规划和执行，使得游戏AI能够针对不同玩家水平做出多种不同行动反应，行为模式多元，从而满足不同水平玩家的游戏趣味性，大大提高了真实玩家游戏体验感。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种游戏人工智能行动规划方法的整体流程图；

图2为本发明提出的一种游戏人工智能行动规划系统的整体示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

参照图1，本实施例公开了一种游戏人工智能行动规划方法，该规划方法具体步骤如下：

获取样本数据，获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据；

具体的，该玩家信息数据包括玩家待执行任务数据和玩家游戏水平信息；

将游戏场景数据、非玩家角色任务数据和玩家待执行任务数据作为初始样本数据，形成游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

具体的，该游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本形成前需经过预处理操作，该预处理操作包括但不限于数据清洗、数据格式变换、数据集成和数据规约和缺失数据补全；该玩家游戏水平信息包括但不限于玩家游戏等级、玩家操作评分、玩家游戏时长、玩家荣誉积分和玩家游戏胜率。

基学习器训练，构建三类基学习器，并依次提取游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本，同时将其输入三类基学习器进行训练，生成个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

具体的，该三类基学习器为异质，其个体游戏场景样本采用SVM算法模型，个体非玩家角色任务样本Logistic算法模型，个体玩家待执行任务样本采用KNN算法模型。

层级判断及权重配比，提取玩家游戏水平信息，根据其判断定义玩家所处层级，并根据玩家所处层级对个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

具体的，该玩家所处层级共包括A、B、C、D和E五级，其A级表示该玩家水平较低，其B级表示该玩家水平一般，其C级表示该玩家水平中等，其D级表示该玩家水平较高，其E级表示该玩家水平超高；其权重配比具体运行过程如下：

获取判断定义后的玩家所处层级；

若判断定义后的玩家所处层级处于A级或B级，则判定该玩家为新手型玩家，则赋予个体游戏场景样本0.5权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于C级，则判定该玩家为中庸型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.75权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于D级或E级，则判定该玩家为高手型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.5权重。

集成学习，构建集成学习器，并将权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本输入其中进行集成学习，形成游戏AI行动决策模型；

具体的，该集成学习基于Bagging框架，并根据权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行加权平均策略结合。

反馈与执行，根据游戏AI行动决策模型对非玩家角色进行行为指令反馈，并使其执行。

参照图2，本实施例公开了一种游戏人工智能行动规划系统，包括信息读取模块、机器学习模块、水平数据提取模块、处理判断模块、权重配比模块、集成学习模块、行动决策模块和指令反馈模块；

信息读取模块用于获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据，并通过提取，得到游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

机器学习模块用于利用异质个体学习器对游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本进行个体学习，得到个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

水平数据提取模块用于提取玩家信息数据中的玩家游戏水平信息；处理判断模块用于根据评判标准对玩家游戏水平信息进行玩家所处层级判断定义；权重配比模块用于根据判断定义后玩家所处层级对个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

集成学习模块用于利用集成学习器对权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行集成学习；形成游戏AI行动决策模型；

行动决策模块用于通过游戏AI行动决策模型对不同水平玩家所面对的非玩家角色进行不同行为指令下达；指令反馈模块用于接收行为指令，并将其反馈给游戏中的非玩家角色，令其执行。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种游戏人工智能行动规划方法，其特征在于，该规划方法具体步骤如下：

步骤一：获取样本数据，获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据，所述玩家信息数据包括玩家待执行任务数据和玩家游戏水平信息；将所述游戏场景数据、非玩家角色任务数据和玩家待执行任务数据作为初始样本数据，形成游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

步骤二：基学习器训练，构建三类基学习器，并依次提取步骤一中所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本，同时将其输入所述三类基学习器进行训练，生成个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

步骤三：层级判断及权重配比，提取步骤一所述玩家游戏水平信息，根据其判断定义玩家所处层级，并根据所述玩家所处层级对步骤二所述个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

步骤四：集成学习，构建集成学习器，并将步骤三所述权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本输入其中进行集成学习，形成游戏AI行动决策模型；

步骤五：反馈与执行，根据步骤四所述游戏AI行动决策模型对非玩家角色进行行为指令反馈，并使其执行。

2.根据权利要求1所述的一种游戏人工智能行动规划方法，其特征在于，步骤一所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本形成前需经过预处理操作，所述预处理操作包括但不限于数据清洗、数据格式变换、数据集成和数据规约和缺失数据补全；所述玩家游戏水平信息包括但不限于玩家游戏等级、玩家操作评分、玩家游戏时长、玩家荣誉积分和玩家游戏胜率。

3.根据权利要求1所述的一种游戏人工智能行动规划方法，其特征在于，步骤二所述三类基学习器为异质，所述个体游戏场景样本采用SVM算法模型，所述个体非玩家角色任务样本Logistic算法模型，所述个体玩家待执行任务样本采用KNN算法模型。

4.根据权利要求1所述的一种游戏人工智能行动规划方法，其特征在于，步骤三所述玩家所处层级共包括A、B、C、D和E五级，其A级表示该玩家水平较低，其B级表示该玩家水平一般，其C级表示该玩家水平中等，其D级表示该玩家水平较高，其E级表示该玩家水平超高；步骤三所述权重配比具体运行过程如下：

S1：获取判断定义后的玩家所处层级；

S2：若判断定义后的玩家所处层级处于A级或B级，则判定该玩家为新手型玩家，则赋予个体游戏场景样本0.5权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于C级，则判定该玩家为中庸型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.75权重，个体玩家待执行任务样本0.25权重；

若判断定义后的玩家所处层级处于D级或E级，则判定该玩家为高手型玩家，则赋予个体游戏场景样本0.25权重，个体非玩家角色任务样本0.25权重，个体玩家待执行任务样本0.5权重。

5.根据权利要求1所述的一种游戏人工智能行动规划方法，其特征在于，步骤四所述集成学习基于Bagging框架，并根据权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行加权平均策略结合。

6.一种游戏人工智能行动规划系统，其特征在于，包括信息读取模块、机器学习模块、水平数据提取模块、处理判断模块、权重配比模块、集成学习模块、行动决策模块和指令反馈模块；

所述信息读取模块用于获取各种游戏场景数据、非玩家角色任务数据和玩家信息数据，并通过提取，得到游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本；

所述机器学习模块用于利用异质个体学习器对所述游戏场景初始样本、非玩家角色任务初始样本和玩家待执行任务初始样本进行个体学习，得到个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本；

所述水平数据提取模块用于提取所述玩家信息数据中的玩家游戏水平信息；

所述处理判断模块用于根据评判标准对所述玩家游戏水平信息进行玩家所处层级判断定义；

所述权重配比模块用于根据所述判断定义后玩家所处层级对个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行权重配比；

所述集成学习模块用于利用集成学习器对所述权重配比后的个体游戏场景样本、个体非玩家角色任务样本和个体玩家待执行任务样本进行集成学习；形成游戏AI行动决策模型；

所述行动决策模块用于通过游戏AI行动决策模型对不同水平玩家所面对的非玩家角色进行不同行为指令下达；

所述指令反馈模块用于接收所述行为指令，并将其反馈给游戏中的非玩家角色，令其执行。

Images