CN116785719B - 一种数据处理方法及相关装置 - Google Patents
一种数据处理方法及相关装置 Download PDFInfo
- Publication number
- CN116785719B CN116785719B CN202311069622.5A CN202311069622A CN116785719B CN 116785719 B CN116785719 B CN 116785719B CN 202311069622 A CN202311069622 A CN 202311069622A CN 116785719 B CN116785719 B CN 116785719B
- Authority
- CN
- China
- Prior art keywords
- array
- genetic
- target
- volumes
- information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 49
- 230000002068 genetic effect Effects 0.000 claims abstract description 387
- 238000012545 processing Methods 0.000 claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 108090000623 proteins and genes Proteins 0.000 claims description 202
- 230000003993 interaction Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 30
- 238000012804 iterative process Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 101150090155 R gene Proteins 0.000 claims description 6
- 108700026215 vpr Genes Proteins 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 20
- 230000001965 increasing effect Effects 0.000 description 18
- 238000005516 engineering process Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 9
- 229910052737 gold Inorganic materials 0.000 description 9
- 230000035772 mutation Effects 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 241000209202 Bromus secalinus Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 206010017577 Gait disturbance Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007614 genetic variation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种数据处理方法以及相关装置。本申请实施例可应用于计算机技术领域。其方法包括:首先,获取包括M个第一阵容的第一阵容集合及阵容遗传约束条件信息;接着,基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成包括N个第二阵容的第二阵容集合,每个第二阵容对应的阵容属性信息满足阵容遗传约束条件信息;最后,根据第二阵容集合中生成目标业务的分析结果。本申请实施例提供的方法,通过遗传算法生成第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种数据处理方法及相关装置。
背景技术
战术策略类游戏(例如自走棋)是目前市场上最受欢迎的游戏类型之一。在此游戏中,玩家构建自己的游戏阵容,自动与其他玩家进行战斗。游戏中的棋子、羁绊组合种类繁多,对游戏平衡性进行分析极具挑战性。
战术策略类游戏对平衡性要求较高,在游戏上线之前需要对游戏中阵容强弱的平衡性进行测试。传统的平衡性测试方法在测试阵容强弱时,需要根据测试人员对游戏的理解搭配强势的阵容,然后进行阵容对战,通过实际对战结果判断阵容平衡性。由于传统测试方法高度依赖于测试人员对游戏的理解,导致阵容平衡性较差,并且无法进行大规模的阵容测试。
发明内容
本申请实施例提供了一种数据处理方法以及相关装置,在解决了现有技术中阵容平衡性较差、阵容平衡性测试效率较低的问题。
本申请的一方面提供一种数据处理方法,包括:
获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息,其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数;
基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应的阵容属性信息满足阵容遗传约束条件信息,N大于1的整数;
根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
本申请的另一方面提供了一种数据处理装置,包括:数据获取模块、遗传迭代模块及分析模块;具体的:
数据获取模块,用于获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息,其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数;
遗传迭代模块,用于基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应的阵容属性信息满足阵容遗传约束条件信息,N大于1的整数;
分析模块,用于根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
在本申请实施例的另一种实现方式中,遗传迭代模块,还用于:
根据M个第一阵容对应的M个阵容属性信息及阵容遗传约束条件信息,计算M个第一阵容对应的M个适应度;
获取适应度阈值及迭代阈值;
根据适应度阈值,从M个第一阵容中确定K个第一目标阵容,其中,K个第一目标阵容对应的K个适应度值均大于适应度阈值,K为大于等于1且小于等于M的整数;
根据遗传算法对K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合,其中,第二阵容集合对应的迭代次数等于迭代阈值。
在本申请实施例的另一种实现方式中,遗传迭代模块,还用于:
将M个第一阵容中的每个第一阵容进行两两交互,得到M个第一阵容对应的M个对战胜率;
根据M个第一阵容对应的M个阵容属性信息与阵容遗传约束条件信息的匹配度,对M个第一阵容对应的对战胜率进行适应度函数计算,生成M个第一阵容对应的M个适应度。
在本申请实施例的另一种实现方式中,遗传迭代模块,还用于:
基于遗传算法,根据K个第一目标阵容中生成K个第一交叉阵容,其中,K个第一交叉阵容为对K个第一目标阵容中的基因信息进行交叉得到的;
将K个第一目标阵容与K个第一交叉阵容进行两两交互,得到K个第一目标阵容对应的K个适应度;
根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
在本申请实施例的另一种实现方式中,遗传迭代模块,还用于:
基于遗传算法,根据K个第一目标阵容中生成K个第一变异阵容,其中,K个第一变异阵容为对K个第一目标阵容中的基因信息进行替换得到的;
将K个第一目标阵容与K个第一变异阵容进行两两交互,得到K个第一目标阵容对应的K个适应度;
根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
在本申请实施例的另一种实现方式中,遗传迭代模块,还用于:
根据M个适应度对M个第一阵容进行降序排列,取前L个第一阵容;
获取迭代阈值;
根据遗传算法对L个第一阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合,其中,第二阵容集合对应的迭代次数等于迭代阈值。
在本申请实施例的另一种实现方式中,数据处理装置还包括遗传迭代调整模块;具体的,传迭代调整模块用于:
获取频次阈值及连续轮次阈值;
统计第二阵容集合中每个基因信息的频次;
确定频次高于频次阈值的基因信息为候选基因信息;
统计候选基因信息在遗传迭代处理中的连续轮次,其中,连续轮次用于表征候选基因信息在遗传迭代处理中适应度值连续高于适应度阈值的次数;
确定连续轮次高于连续轮次阈值的候选基因信息为第一目标基因信息;
若第一目标基因信息存在于基因信息黑名单中,则获取第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值,其中,基因信息黑名单中的基因信息为待减少遗传迭代处理的基因信息,第一目标遗传停滞时长用于表征第一目标基因信息在遗传迭代处理中的停止遗传迭代的时长;
若第一目标基因信息对应的第一目标遗传停滞时长大于遗传停滞时长阈值,则删除包含第一目标基因信息的第二阵容。
在本申请实施例的另一种实现方式中,遗传迭代调整模块,还用于:
获取非连续轮次阈值;
统计候选基因信息在遗传迭代处理中的非连续轮次,其中,非连续轮次用于表征候选基因信息在遗传迭代处理中适应度值高于适应度阈值的次数;
确定非连续轮次高于非连续轮次阈值的候选基因信息为第二目标基因信息;
降低包含第二目标基因信息的第二阵容的变异次数,其中,变异次数用于表征基于遗传算法根据包含第二目标基因信息的第二阵容生成第二变异阵容的次数。
在本申请实施例的另一种实现方式中,遗传迭代调整模块,还用于:
若第一目标基因信息对应的第一目标遗传停滞时长小于等于遗传停滞时长阈值,则延长第一目标基因信息对应的第一目标遗传停滞时长。
在本申请实施例的另一种实现方式中,遗传迭代调整模块,还用于:
若第一目标基因信息不存在于基因信息黑名单中,则在基因信息黑名单增加第一目标基因信息。
在本申请实施例的另一种实现方式中,数据获取模块,还用于:
获取目标业务关联的基因信息配置信息,其中,基因信息配置信息包括X个虚拟对象对应的X个虚拟对象属性信息及Y个虚拟技能对应的Y个虚拟技能属性信息,X及Y均为大于1的整数;
根据基因信息配置信息,生成M个第一阵容,其中,每个第一阵容中包含至少一个虚拟对象、每个虚拟对象对应的至少一个虚拟技能及在M个第一阵容进行两两交互时每个虚拟对象对应的交互顺序。
在本申请实施例的另一种实现方式中,分析模块,还用于:
获取N个第二阵容中对应的N个交互信息,其中,交互信息包括交互阵容及胜败信息;
统计N个交互信息中每个虚拟对象出现的频次及每个虚拟技能出现的频次;
根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
本申请的另一方面提供了一种计算机设备,包括:
存储器、收发器、处理器以及总线系统;
其中,存储器用于存储程序;
处理器用于执行存储器中的程序,包括执行上述各方面的方法;
总线系统用于连接存储器以及处理器,以使存储器以及处理器进行通信。
本申请的另一方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
本申请的另一方面提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方面所提供的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请提供了一种数据处理方法以及相关装置,其方法包括:获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息,其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数;基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应的阵容属性信息满足阵容遗传约束条件信息,N大于1的整数;根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。本申请实施例提供的方法,通过遗传算法对初始的第一阵容集合进行迭代遗传处理生成第二阵容集合,第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率。
附图说明
图1为本申请某一实施例提供的数据处理系统的一个架构示意图;
图2为本申请某一实施例提供的数据处理方法的流程图;
图3为本申请另一实施例提供的数据处理方法的流程图;
图4为本申请另一实施例提供的数据处理方法的流程图;
图5为本申请另一实施例提供的数据处理方法的流程图;
图6为本申请另一实施例提供的数据处理方法的流程图;
图7为本申请另一实施例提供的数据处理方法的流程图;
图8为本申请另一实施例提供的数据处理方法的流程图;
图9为本申请另一实施例提供的数据处理方法的流程图;
图10为本申请另一实施例提供的数据处理方法的流程图;
图11为本申请另一实施例提供的数据处理方法的流程图;
图12为本申请另一实施例提供的数据处理方法的流程图;
图13为本申请又一实施例提供的数据处理方法的流程图;
图14为本申请某一实施例提供的虚拟对象的界面示意图;
图15为本申请某一实施例提供的虚拟装备的界面示意图;
图16为本申请某一实施例提供的棋盘的界面示意图;
图17为本申请某一实施例提供的虚拟对象升级的示意图;
图18为本申请某一实施例提供的虚拟商店的界面示意图;
图19为本申请某一实施例提供的抽卡概率的示意图;
图20为本申请某一实施例提供的阵容遗传约束条件信息的界面示意图;
图21为本申请某一实施例提供的目标阵容的搜索结果示意图;
图22为本申请某一实施例提供的数据处理模块的示意图;
图23为本申请某一实施例提供的适应度计算的示意图;
图24为本申请某一实施例提供的遗传迭代停滞逻辑的流程图;
图25为本申请某一实施例提供的平衡性分析的结果图;
图26为本申请某一实施例提供的平衡性阵容的示意图;
图27为本申请某一实施例提供的数据处理装置的结构示意图;
图28为本申请另一实施例提供的数据处理装置的结构示意图;
图29为本申请某一实施例提供的服务器结构示意图。
实施方式
本申请实施例提供了一种数据处理方法,通过遗传算法对初始的第一阵容集合进行迭代遗传处理生成第二阵容集合,第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning, ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
战术策略类游戏:是指提供给玩家一个可以多动脑筋思考问题,处理较复杂事情的环境,允许玩家自由控制、管理和使用游戏中的人、或事物,通过这种自由的手段以及玩家们开动脑筋想出的对抗敌人的办法来达到游戏所要求的目标。
自走棋游戏(Auto Battler,亦称为Auto Chess):是战术策略类电子游戏的一个类型,通常具有类似国际象棋的元素,某种意义上也算战棋游戏。玩家在准备阶段时将角色放置在网格形状的战场上,然后角色会自动相互战斗,通常无需玩家进一步输入操作。
战术策略类游戏对平衡性要求较高,在游戏上线之前需要对游戏中阵容强弱的平衡性进行测试。传统的平衡性测试方法在测试阵容强弱时,需要根据测试人员对游戏的理解搭配强势的阵容,然后进行阵容对战,通过实际对战结果判断阵容平衡性。由于传统测试方法高度依赖于测试人员对游戏的理解,导致阵容平衡性较差,并且无法进行大规模的阵容测试。
另一种平衡性测试方法是需要获取游戏实际的对战数据,通过分析各个阵容或各个虚拟对象的出场率/胜率等数据,进而分析得出阵容的平衡性,但是,这种方法需要获取大量的实际对战数据,对于未上线的游戏无法提前进行阵容的平衡性评估,滞后性严重。
本申请实施例提供的数据处理方法,通过遗传算法对初始的第一阵容集合进行迭代遗传处理生成第二阵容集合,第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率,并且能够在游戏上线之前进行大规模的阵容平衡性测试,有效弥补了传统方案的不足之处。
为了便于理解,请参阅图1,图1为本申请实施例中数据处理方法的应用环境图,如图1所示,本申请实施例中数据处理方法应用于数据处理系统。数据处理系统包括:服务器和终端设备;其中,服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端和服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请实施例在此不做限制。
服务器首先获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息,其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件。接着,服务器基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应于的阵容属性信息满足阵容遗传约束条件信息。最后,服务器根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
下面将从服务器的角度,对本申请中数据处理方法进行介绍。请参阅图2,本申请实施例提供的数据处理方法包括:步骤S110至步骤S130。具体的:
S110、获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息。
其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数。
可以理解的是,在本申请实施例中目标业务是指待进行平衡性测试的游戏。第一阵容集合是指初始阵容集合,第一阵容(初始阵容)是模型根据阵容构建的基础条件对虚拟对象及虚拟技能进行组合得到的,举例说明,共有60个虚拟对象及60个虚拟装备,阵容构建基础条件包括:每个阵容最多允许有6个虚拟对象且最少有1个虚拟对象,每个虚拟对象最多携带6个虚拟技能,第一阵容可以是由1至6个相同或不同的虚拟对象组成,且每个虚拟对象可以携带0至6个虚拟技能,并且对阵容中的虚拟对象的对战顺序进行设定,即为同一阵容的每个虚拟对象设置1-6的对战顺序。
第一阵容进行两两交互时虚拟对象对应的交互顺序指的是,在进行两两阵容对战时,每个阵容中每个虚拟对象对应的出场对战顺序。举例说明,第一阵容A中包含6个虚拟对象a1、a2、a3、a4、a5及a6,其中,a1的对战顺序为第一位,a2的对战顺序为第二位,a3的对战顺序为第三位,a4的对战顺序为第四位,a5的对战顺序为第五位,a6的对战顺序为第六位;第一阵容B中包含6个虚拟对象b1、b2、b3、b4、b5及b6,其中,b1的对战顺序为第一位,b2的对战顺序为第二位,b3的对战顺序为第三位,b4的对战顺序为第四位,b5的对战顺序为第五位,b6的对战顺序为第六位;当第一阵容A与第一阵容B进行两两交互对战时,首先由第一阵容A中的6个虚拟对象a1、a2、a3、a4、a5及a6按照每个虚拟对象对应的对战顺序依次对第一阵容B中的全部虚拟对象进行攻击,当第一阵容A中的6个虚拟对象全部攻击完成后,由第一阵容B中的6个虚拟对象b1、b2、b3、b4、b5及b6按照每个虚拟对象对应的对战顺序依次对第一阵容B中的全部虚拟对象进行攻击。
虚拟对象为游戏中的英雄或棋子,每个虚拟对象具有相应的虚拟价格(即获得或购买虚拟对象时所支付的虚拟金币的数量)及羁绊(虚拟身份特征,例如虚拟战队、虚拟角色定位)。虚拟装备是指为增强虚拟对象的交互能力的设备,通过为虚拟对象佩戴虚拟装备,以增强虚拟对象在某一方面的能力,每个虚拟对象最多可以佩戴3个虚拟装备。
阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,举例说明,阵容属性信息包括了阵容中虚拟对象的战队或角色定位的数量、组建该阵容中全部虚拟对象对应的虚拟价格、组建该阵容中全部虚拟装备对应的虚拟价格、高级虚拟装备的数量、组建该阵容的概率等等。
阵容遗传约束条件信息用于表征第二阵容部署的控制条件,举例说明,对虚拟对象的战队或角色定位的数量限定,对虚拟对象能够携带的虚拟装备的数量的限定,对特殊虚拟装备的数量的限定,对组建阵容时所需要花费的虚拟价格的限定,对阵容成型的概率的限定,刷新虚拟金币的限定等等。
S120、基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合。
其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应于的阵容属性信息满足阵容遗传约束条件信息,N大于1的整数。
可以理解的是,以第一阵容集合作为初始种群,通过遗传算法对初始种群进行遗传迭代,经过多轮迭代后,确定阵容属性信息满足阵容遗传约束条件信息的阵容组成第二阵容集合。在遗传算法中,基因是指虚拟对象、该虚拟对象配置的虚拟设备以及该虚拟对象在阵容之间的交互时对应的交互顺序(对战位次),个体是指阵容,即由固定数量的虚拟对象组成的阵容,种群是指多个阵容的集合。适应度函数为基于阵容的胜率计算得到的,即适应度函数C=S (e(阵容a)),其中,S为系数,e(阵容a)表示阵容a的胜率函数。适应度函数是遗传算法最为关键的组成部分,其结果决定了遗传过程中个体是否会被淘汰,其作用逻辑为:在每一轮遗传迭代过程中,阵容集合中的每个阵容都会计算自身的适应度,适应度高的阵容被保留到下一轮遗传迭代,适应度低的阵容则被淘汰。
S130、根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
可以理解的是,进行阵容平衡性分析时要考虑阵容的胜率、阵容中虚拟对象的在阵容集合中出现的频次及阵容中虚拟装备在阵容集合中出现的频次等等。
本申请实施例提供的方法,通过遗传算法对初始的第一阵容集合进行迭代遗传处理生成第二阵容集合,第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率。
在本申请的图2对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图3,步骤S120进一步包括子步骤S121至子步骤S124。具体的:
S121、根据M个第一阵容对应的M个阵容属性信息及阵容遗传约束条件信息,计算M个第一阵容对应的M个适应度。
可以理解的是,在进行遗传迭代过程中,适应度设计的核心是判断阵容的阵容属性信息是否符合阵容遗传约束条件,对于阵容属性信息是否符合阵容遗传约束条件的阵容进行相应的权重降低。举例说明,假设有阵容遗传约束条件中包含6个约束条件,每种约束条件均为独立的约束条件,即每种约束条件对应一个约束函数,6个约束条件对应于6个约束函数:C1、C2、C3、C4、C5、C6,当个体满足相应约束时,其返回值为1,否则需要乘以惩罚权重,惩罚权重小于1,且6个约束条件对应的惩罚权重各不相同。阵容的适应度为C=C1(C2(C3 (C4(C5(C6(e(阵容a))))))),其中,C1、C2、C3、C4、C5、C6为6个独立的约束函数,e(阵容a)表示阵容a的胜率值。通过约束函数返回值设计可知,当且仅当阵容的阵容属性信息满足全部的遗传约束条件信息是,适应度取得最大值,同时也等于胜率。
S122、获取适应度阈值及迭代阈值。
可以理解的是,适应度阈值及迭代阈值为预先设定的。适应度权重用于对阵容进行选择,将适应度大于适应度权重的阵容进行保留,而对于适应度不大于适应度权重的阵容进行丢弃,保留下来的阵容可以参与后续的遗传迭代中,而丢弃的阵容无法继续后续的遗传迭代的过程。迭代阈值是是对遗传迭代过程的限制,为了避免遗传迭代过程无法停止,需要设定迭代阈值,当迭代的轮次等于迭代阈值时,停止继续迭代。
S123、根据适应度阈值,从M个第一阵容中确定K个第一目标阵容。
其中,K个第一目标阵容对应的K个适应度值均大于适应度阈值,K为大于等于1且小于等于M的整数。
可以理解的是,根据适应度阈值从M个第一阵容中确定需要进行下一轮迭代遗传的K个第一目标阵容,具体的,根据M个第一阵容对应的M个适应度,确定适应度大于适应度阈值的第一阵容作为第一目标阵容。
S124、根据遗传算法对K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合。
其中,第二阵容集合对应的迭代次数等于迭代阈值。
可以理解的是,根据遗传算法对K个第一目标阵容进行多轮遗传迭代处理,遗传迭代处理的轮次等于迭代阈值,在生成的所有子代阵容中,根据子代阵容的阵容属性信息从所有子代阵容中确定阵容属性信息满足遗传约束条件信息。
本申请实施例提供的方法,通过初始阵容的适应度选择可以进行后续遗传迭代的目标阵容,接着通过遗传算法对目标阵容进行后续的遗传迭代,当遗传迭代的次数达到迭代阈值时停止迭代,并且从所有的自代中选择阵容属性信息满足遗传约束条件信息的阵容作为最终的目标阵容,通过遗传算法增加了在阵容进化过程中目标阵容的数量,使得经过遗传迭代后生成的阵容为平衡性较强的阵容,提高了阵容的平衡性。
在本申请的图3对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图4,步骤S121进一步包括子步骤S1211至子步骤S1212。具体的:
S1211、将M个第一阵容中的每个第一阵容进行两两交互,得到M个第一阵容对应的M个对战胜率。
可以理解的是,通过对M个第一阵容中的每个第一阵容进行两两交互,即对对M个第一阵容中的每个第一阵容进行两两对战,计算得到每个阵容的对战胜率,举例说明,5个第一阵容:阵容A、阵容B、阵容C、阵容D、阵容E,5个第一阵容进行两两对战,以阵容A为例,阵容A与其余4个阵容进行对战,两胜两负,即阵容A的对战胜率为50%,以此类推,可以得到M个第一阵容对应的M个对战胜率。
S1212、根据M个第一阵容对应的M个阵容属性信息与阵容遗传约束条件信息的匹配度,对M个第一阵容对应的对战胜率进行适应度函数计算,生成M个第一阵容对应的M个适应度。
可以理解的是,根据每个阵容的对战胜率以及该阵容的属性信息与阵容遗传约束条件信息的匹配度,计算每个阵容适应度,得到每个阵容对应的适应度。举例说明,假设有阵容遗传约束条件中包含6个约束条件,每种约束条件均为独立的约束条件,即每种约束条件对应一个约束函数,6个约束条件对应于6个约束函数:C1、C2、C3、C4、C5、C6,当个体满足相应约束时,其返回值为1,否则需要乘以惩罚权重,惩罚权重小于1,且6个约束条件对应的惩罚权重各不相同。阵容的适应度为C=C1(C2(C3(C4(C5(C6(e(阵容a))))))),其中,C1、C2、 C3、C4、C5、C6为6个独立的约束函数,e(阵容a)表示阵容a的胜率值。通过约束函数返回值设计可知,当且仅当阵容的阵容属性信息满足全部的遗传约束条件信息是,适应度取得最大值,同时也等于胜率。
本申请实施例提供的方法,通过阵容的胜率以及阵容属性信息与阵容遗传约束条件信息的匹配度计算阵容的适应度,进而根据适应度选择需要进行遗传迭代的阵容,提高了阵容适应度计算的准确性,以及对需要遗传迭代的阵容的选择的可靠性。
在本申请的图3对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图5,步骤S124进一步包括子步骤S1241至子步骤S1243。具体的:
S1241、基于遗传算法,根据K个第一目标阵容中生成K个第一交叉阵容。
其中,K个第一交叉阵容为对K个第一目标阵容中的基因信息进行交叉得到的。
可以理解的是,在遗传迭代过程中对个体(阵容)中的基因(虚拟对象、虚拟装备及虚拟对象的交互顺序)进行交叉变异和突变。本申请实施例以交叉变异为例,进行基因交叉变异可以是,将阵容A中的某个虚拟对象与阵容B中的某个虚拟对象进行交换,或者是将阵容A中的虚拟对象a携带的虚拟装备与阵容B中的虚拟对象b携带的虚拟装备进行交换,或者是将阵容A中的虚拟对象a的交互顺序与阵容B中的虚拟对象b的交互顺序进行交换。
S1242、将K个第一目标阵容与K个第一交叉阵容进行两两交互,得到K个第一目标阵容对应的K个适应度。
可以理解的是,将第一目标阵容与第一交叉阵容进行两两对战交互,得到每个第一目标阵容对应的胜率,再根据每个第一目标阵容对应的胜率与该阵容的属性信息与阵容遗传约束条件信息的匹配度,计算每个第一目标阵容的适应度。
S1243、根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
可以理解的是,根据K个第一目标阵容的对应的K个适应度,从K个第一目标阵容中选择适应度高的N个第一目标阵容作为第二阵容,完成该轮的遗传迭代。
本申请实施例提供的方法,通过遗传算法对需要进行遗传迭代的目标阵容生成交叉阵容,进而将目标阵容与交叉阵容进行对战交互,根据对战胜率计算每个目标阵容的适应度,通过适应度从目标阵容中选择第二阵容,提高了第二阵容确定的准确性及可靠性。
在本申请的图3对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图6,步骤S124进一步包括子步骤S1244至子步骤S1246。具体的:
S1244、基于遗传算法,根据K个第一目标阵容中生成K个第一变异阵容。
其中,K个第一变异阵容为对K个第一目标阵容中的基因信息进行替换得到的。
可以理解的是,在遗传迭代过程中对个体(阵容)中的基因(虚拟对象、虚拟装备及虚拟对象的交互顺序)进行交叉变异和突变。本申请实施例以突变为例,进行基因突变可以是,将阵容A中的某个虚拟对象a直接替换为虚拟对象b,或者将某个虚拟对象携带的虚拟装备a直接替换为虚拟装备b,或者直接将某个虚拟对象的对战交互顺序更改为与原顺序不同的行顺序。
S1245、将K个第一目标阵容与K个第一变异阵容进行两两交互,得到K个第一目标阵容对应的K个适应度。
可以理解的是,将第一目标阵容与第一变异阵容进行两两对战交互,得到每个第一目标阵容对应的胜率,再根据每个第一目标阵容对应的胜率与该阵容的属性信息与阵容遗传约束条件信息的匹配度,计算每个第一目标阵容的适应度。
S1246、根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
可以理解的是,根据K个第一目标阵容的对应的K个适应度,从K个第一目标阵容中选择适应度高的N个第一目标阵容作为第二阵容,完成该轮的遗传迭代。
本申请实施例提供的方法,通过遗传算法对需要进行遗传迭代的目标阵容生成变异阵容,进而将目标阵容与变异阵容进行对战交互,根据对战胜率计算每个目标阵容的适应度,通过适应度从目标阵容中选择第二阵容,提高了第二阵容确定的准确性及可靠性。
在本申请的图3对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图7,步骤S121之后还包括步骤S125至步骤S127。具体的:
S125、根据M个适应度对M个第一阵容进行降序排列,取前L个第一阵容。
可以理解的是,根据适应度从M个第一阵容中选择适应度高的L个第一阵容。
S126、获取迭代阈值。
可以理解的是,迭代阈值为预先设定的。迭代阈值是是对遗传迭代过程的限制,为了避免遗传迭代过程无法停止,需要设定迭代阈值,当迭代的轮次等于迭代阈值时,停止继续迭代。
S127、根据遗传算法对L个第一阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合。
其中,第二阵容集合对应的迭代次数等于迭代阈值。
可以理解的是,根据遗传算法对L个第一阵容进行多轮遗传迭代处理,遗传迭代处理的轮次等于迭代阈值,在生成的所有子代阵容中,根据子代阵容的阵容属性信息从所有子代阵容中确定阵容属性信息满足遗传约束条件信息。
本申请实施例提供的方法,通过初始阵容的适应度选择可以进行后续遗传迭代的目标阵容,接着通过遗传算法对目标阵容进行后续的遗传迭代,当遗传迭代的次数达到迭代阈值时停止迭代,并且从所有的自代中选择阵容属性信息满足遗传约束条件信息的阵容作为最终的目标阵容,通过遗传算法增加了在阵容进化过程中目标阵容的数量,使得经过遗传迭代后生成的阵容为平衡性较强的阵容,提高了阵容的平衡性。
在遗传迭代过程中容易出现搜索空间过于局部的情况,即阵容中的绝大部分基因信息中的虚拟对象相同,导致算法很难搜索到其他虚拟对象。传统的解决方法主要是调高遗传变异率,增加多样性,但在实际应用中存在不合理的情况,例如某些阵容进化较慢,需要多次迭代才能提高适应度,而过早提高变异率将导致这部分阵容被遗漏。
本申请实施例提供了数据处理方法,通过增加小黑屋机制,以解决阵容进化较慢的问题。请参阅图8,本申请实施例提供的数据处理方法包括:步骤S210至步骤S270。具体的:
S210、获取频次阈值及连续轮次阈值。
可以理解的是,频次阈值及连续轮次阈值为预先设定的。频次阈值用于确定在遗传迭代过程中,对总频次出现高于频次阈值的基因信息进行确定。连续轮次阈值用于确定在遗传迭代过程中,对遗传迭代过程中连续轮次高于连续轮次阈值的基因信息进行确定。
S220、统计第二阵容集合中每个基因信息的频次。
可以理解的是,对第二阵容中每个基因信息的频次进行统计。
S230、确定频次高于频次阈值的基因信息为候选基因信息。
可以理解的是,将频次高于频次阈值的基因信息确定为候选基因信息。
S240、统计候选基因信息在遗传迭代处理中的连续轮次。
其中,连续轮次用于表征候选基因信息在遗传迭代处理中适应度值连续高于适应度阈值的次数。
可以理解的是,对候选基因信息在遗传迭代处理中的连续轮次进行统计。
S250、确定连续轮次高于连续轮次阈值的候选基因信息为第一目标基因信息。
可以理解的是,将连续轮次高于连续轮次阈值的候选基因信息为第一目标基因信息。
S260、若第一目标基因信息存在于基因信息黑名单中,则获取第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值。
其中,基因信息黑名单中的基因信息为待减少遗传迭代处理的基因信息,第一目标遗传停滞时长用于表征第一目标基因信息在遗传迭代处理中的停止遗传迭代的时长。
可以理解的是,确定的第一目标基因信息为在遗传迭代过程中反复出现的相同的棋子,由于存在的相同的棋子数量较高,导致了阵容进化较慢,因此需要对该类第一目标基因信息进行遗传停滞。
S270、若第一目标基因信息对应的第一目标遗传停滞时长大于遗传停滞时长阈值,则删除包含第一目标基因信息的第二阵容。
可以理解的是,如果第一目标基因信息对应的第一目标遗传停滞时长大于遗传停滞时长阈值,则对包含第一目标基因信息的第二阵容进行种群销毁。
本申请实施例提供的方法,通过增加小黑屋机制即增加基因信息在遗传迭代中的停滞时长,对于频次及连续轮次均高于相应阈值的基因信息增加遗传迭代中的停滞时长,对于停滞时长超过阈值的基因信息所在的阵容进行销毁,以提高阵容进化速度。
在本申请的图8对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图9,步骤S230之后还包括步骤S231至步骤S234。具体的:
S231、获取非连续轮次阈值。
可以理解的是,非连续轮次阈值为预先设定的。非连续轮次阈值用于确定在遗传迭代过程中,对于非连续轮次高于非连续轮次阈值的基因信息进行确定。
S232、统计候选基因信息在遗传迭代处理中的非连续轮次。
其中,非连续轮次用于表征候选基因信息在遗传迭代处理中适应度值高于适应度阈值的次数。
可以理解的是,对候选基因信息的非连续轮次进行统计。具体的统计方式可以是通过统计该基因信息在遗传迭代处理中适应度值高于适应度阈值的次数得到。
S233、确定非连续轮次高于非连续轮次阈值的候选基因信息为第二目标基因信息。
S234、降低包含第二目标基因信息的第二阵容的变异次数。
其中,变异次数用于表征基于遗传算法根据包含第二目标基因信息的第二阵容生成第二变异阵容的次数。
可以理解的是,当基因信息的频次及非连续轮次均高于阈值时,需要对包含该类基因信息的阵容的变异率进行调整,以降低包含该类基因信息的阵容的变异率。
本申请实施例提供的方法,通过对包含频次及非连续轮次均高于阈值的基因信息的阵容的变异率进行降低,减少阵容在后续遗传迭代过程的变异过程。
在本申请的图8对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图10,步骤S260之后还包括步骤S280。具体的:
S280、若第一目标基因信息对应的第一目标遗传停滞时长小于等于遗传停滞时长阈值,则延长第一目标基因信息对应的第一目标遗传停滞时长。
可以理解的是,确定的第一目标基因信息为在遗传迭代过程中反复出现的相同的棋子,由于存在的相同的棋子数量较高,导致了阵容进化较慢,因此需要对该类第一目标基因信息进行遗传停滞,如果该类第一目标基因信息对应的遗传停滞时长小于等于遗传停滞时长阈值,则延长第一目标基因信息对应的第一目标遗传停滞时长。
本申请实施例提供的方法,通过增加小黑屋机制即增加基因信息在遗传迭代中的停滞时长,减少了相同的基因信息在遗传迭代中的迭代次数,进而增加了种群的多样性。
在本申请的图8对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图11,步骤S250之后还包括步骤S251。具体的:
S251、若第一目标基因信息不存在于基因信息黑名单中,则在基因信息黑名单增加第一目标基因信息。
可以理解的是,频次高于频次阈值且连续轮次高于连续轮次阈值的基因信息确定为需要添加至基因信息黑名单的基因信息,判断符合频次高于频次阈值且连续轮次高于连续轮次阈值的基因信息是否存在于基因信息黑名单中,若该类基因信息不存在于基因信息黑名单中,则在基因信息黑名单增加该类基因信息。
本申请实施例提供的方法,通过将满足频次高于频次阈值且连续轮次高于连续轮次阈值的基因信息添加至基因信息黑名单,在后续的遗传迭代过程中,增加黑名单基因信息的停止遗传迭代时长,减少了相同的基因信息在遗传迭代中的迭代次数,进而增加了种群的多样性。
在本申请的图2对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图12,步骤S110进一步包括子步骤S111至子步骤S112。具体的:
S111、获取目标业务关联的基因信息配置信息。
其中,基因信息配置信息包括X个虚拟对象对应的X个虚拟对象属性信息及Y个虚拟技能对应的Y个虚拟技能属性信息,X及Y均为大于1的整数。
可以理解的是,获取目标业务关联的配置表,在配置表中记录了全部的虚拟对象及全部的虚拟技能等基本信息。虚拟对象为游戏中的英雄或棋子,每个虚拟对象具有相应的虚拟价格(即获得或购买虚拟对象时所支付的虚拟金币的数量)及羁绊(虚拟身份特征,例如虚拟战队、虚拟角色定位)。虚拟装备是指为增强虚拟对象的交互能力的设备,通过为虚拟对象佩戴虚拟装备,以增强虚拟对象在某一方面的能力,每个虚拟对象最多可以佩戴3个虚拟装备。
S112、根据基因信息配置信息,生成M个第一阵容。
其中,每个第一阵容中包含至少一个虚拟对象、每个虚拟对象对应的至少一个虚拟技能及在M个第一阵容进行两两交互时每个虚拟对象对应的交互顺序。
可以理解的是,第一阵容集合是指初始阵容集合,第一阵容(初始阵容)是模型根据阵容构建的基础条件对虚拟对象及虚拟技能进行组合得到的,举例说明,共有60个虚拟对象及60个虚拟装备,阵容构建基础条件包括:每个阵容最多允许有6个虚拟对象且最少有1个虚拟对象,每个虚拟对象最多携带6个虚拟技能,第一阵容可以是由1至6个相同或不同的虚拟对象组成,且每个虚拟对象可以携带0至6个虚拟技能,并且对阵容中的虚拟对象的对战顺序进行设定。
本申请实施例提供的方法,通过对阵容进行配置,为后续进行遗传迭代算法找寻平衡性较高的目标阵容奠定基础。
在本申请的图2对应的实施例提供的数据处理方法的一个可选实施例中,请参阅图13,步骤S130进一步包括子步骤S131至子步骤S133。具体的:
S131、获取N个第二阵容中对应的N个交互信息。
其中,交互信息包括交互阵容及胜败信息。
S132、统计N个交互信息中每个虚拟对象出现的频次及每个虚拟技能出现的频次。
S133、根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
可以理解的是,通过对阵容进行两两对战,得到每个阵容对应的交互信息,根据交互信息确定每个虚拟对象的对战次数以及对战结果,进而分析得到每个虚拟对象携带不同的虚拟装备时候的胜率,结合虚拟对象的胜率分析每个阵容的胜率,得到目标业务的分析结果。
本申请实施例提供的方法,通过对平衡性较高的第二阵容进行目标业务的分析,得到阵容的平衡性分析结果,提高了在游戏上线之前对阵容平衡性测试的效率。
为了便于理解,下面将介绍一种应用于自走棋手游的数据处理方法。首先对该自走棋手游进行介绍,自走棋手游一般是多人竞技的自走棋游戏,每场游戏共有8名玩家进行多回合1v1对战,每个回合开始前玩家在固定棋盘上摆放棋子,回合开始后棋子将自动和敌方棋子进行对战,败方将会扣除血量,当血量为0时将被淘汰。如图14所示,每个虚拟对象(棋子)有相应的价格、羁绊(种群、角色定位),在该自走棋手游中约有60个不同的虚拟对象。如图15所示,虚拟对象可通过佩戴虚拟装备增强能力,每个虚拟对象最多佩戴3个虚拟装备,在该自走棋手游中约有60个不同虚拟装备。如图16所示,棋盘大小为7×4,共28个位置可放虚拟对象,虚拟对象放置的位置与其进行对战的出场顺序有关。如图17所示,每3个相同星级的虚拟对象自动合成1个高星的虚拟对象,其中虚拟商店可直接购买的1星的基础虚拟对象,虚拟对象最高可升至3星,虚拟对象的战斗力会随星级的提高而提高。如图18所示,在虚拟商店中,玩家可以消耗虚拟金币购买相应虚拟对象,虚拟商店每回合免费从虚拟对象库里刷出5个虚拟对象,玩家也可以通过消耗额外虚拟金币刷新虚拟商店里的虚拟对象。如图19所示,各个虚拟价格的虚拟对象在虚拟商店刷新的概率随着玩家的等级改变,等级越高,能刷到高费虚拟对象的概率越大。如图20所示,通过配置阵容遗传约束条件信息进行遗传迭代对平衡性较高的阵容进行搜索。如图21所示,将搜索得到的平衡性较高的阵容进行展示,方便分析和查看。如图22所示,图22为本申请实施例提供的为执行本申请实施例提供的方法的模块图,包括:1)游戏配置文件,通过解析游戏相关配置表,获取棋子、羁绊、装备等基本信息。2)自动对战框架,用于对阵容进行两两自动对战。3)阵容搜索算法:阵容实际上可以定义为“棋子+装备+站位”的组合,可采用遗传算法进行优化组合搜索。4)平衡性分析结果:根据算法最终结果以及历史对战数据进行分析,阵容胜率、棋子强度、羁绊强度等等。
下面将对阵容搜索算法进行介绍,阵容可以定义为“棋子+装备+站位”的组合,因此强势阵容搜索问题可以转化为传统的组合优化搜索问题。优于组合空间是海量的,无法做全局搜索,这类问题通常采用优化搜索算法来解决,例如遗传算法、粒子群算法、模拟退火法等。本申请实施例采用遗传算法,其中,关键定义包括:基因:单个“虚拟对象+虚拟装备+虚拟对象的交互顺序”;个体:多个“虚拟对象+虚拟装备+虚拟对象的交互顺序”的组合;种群:多个个体的集合。
适应度函数:C=C1(C2(C3(C4(C5(C6(e(阵容a))))))),其中,C1、C2、C3、C4、C5、C6为6个独立的约束函数,e(阵容a)表示阵容a的胜率值,即关于胜率函数的函数。适应度函数是遗传算法最为关键的组成部分,其结果决定了遗传过程中个体是否会被淘汰,其作用逻辑为:在每一轮遗传迭代过程中,种群中的每个个体都会计算自身的适应度,适应度高的个体被保留到下一轮遗传迭代,适应度低的则被淘汰。适应度函数是遗传算法最为关键的组成部分,对适应度函数的设计优劣会直接影响最终结果是否符合预期。
本申请实施例的适应度设计核心思想是判断个体是否符合目标阵容的某些性质,不符合时对个体进行惩罚(减少适应度)。阵容属性信息包括了阵容中虚拟对象的战队或角色定位的数量、组建该阵容中全部虚拟对象对应的虚拟价格、组建该阵容中全部虚拟装备对应的虚拟价格、高级虚拟装备的数量、组建该阵容的概率等等,具体的:1、虚拟对象的战队或角色定位的数量的限定。约束种群只往特定战队/角色定位的方向去进化,在数据处理中会遍历每个战队/角色定位,分别进行每个战队/角色定位的搜索。2、普通虚拟装备的总数量的限定。限制个体能携带的装备总数量,一般取实际阵容携带装备数量的均值。3、高级虚拟装备的总数量的限定。虚拟高级装备数量获取难度比普通装备更大,因此对其数量需要进行额外的约束。4、组建该阵容中全部虚拟对象对应的虚拟价格的限定。由于玩家的虚拟金币数受限,因此对其持有的虚拟对象总价格也相应需要受限。5、组建阵容的概率的限定。由于虚拟商店刷新不同虚拟价格的虚拟对象的概率不同,因此不同阵容成型的概率也不一样。通过提取了各虚拟价格的虚拟对象的获得概率p,计算阵容概率P=p1×p2×…×pn。取游戏实际的阵容概率均值作为标准,适应度函数对超过此标准的阵容进行惩罚。6、虚拟商店刷新消耗的虚拟金币的限定。由于玩家虚拟金币数受限,因此对其刷新虚拟商店里的虚拟对象所消耗的虚拟金币也相应需要受限。通过结合虚拟对象本身价格、升星机制以及实际玩家商店刷新消耗总金币,拟合出各个棋子的预期刷新消耗金币c,计算阵容的预期商店刷新消耗总金币C=c1×c2×…×cn。取实际阵容刷新消耗总金币均值作为标准,适应度函数对超过此标准的阵容进行惩罚。以上6个约束条件均对应独立的约束函数:C1、C2、…、C6,当阵容满足相应约束时,其返回值为1,否则为1×惩罚系数,其中惩罚系数<1。如图23所示,最终阵容的适应度计算方式为:阵容的适应度为C=C1(C2(C3(C4(C5(C6(e(阵容 a))))))),其中,C1、C2、C3、C4、C5、C6为6个独立的约束函数,e(阵容a)表示阵容a的胜率值。通过约束函数返回值设计可知,当且仅当阵容的阵容属性信息满足全部的遗传约束条件信息是,适应度取得最大值,同时也等于胜率。
在遗传迭代过程中容易出现搜索空间过于局部的情况,即种群中的绝大部分阵容中的虚拟对象相同,导致算法很难搜索到其他虚拟对象。传统的解决方法主要是调高遗传变异率,增加多样性,但在实际应用中存在不合理的情况,例如某些阵容进化较慢,需要多次迭代才能提高适应度,而过早提高变异率将导致这部分个体被遗漏。本方案在此基础上,额外增加了小黑屋机制,实现原理可以是:在种群里维持一个记录器,用于记录阵容的相似度,虚拟对象及虚拟装备在种群中出现的频次、轮次、连续轮次等信息。1、当虚拟对象的频次超过设定的阈值,且虚拟对象的轮次超过设定的阈值时进行种群变异率的调整。2、当虚拟对象的连续轮次超过设定的阈值时对整个阵容进行销毁重构。
实现逻辑如图24所示。相比传统的变异率调整只在单轮遗传中进行,本申请实施例提供的方法对变异率的调整综合考虑了历史的种群分布,同时引入小黑屋机制,当多次调整变异率仍无法解决种群多样性问题时,对整个阵容执行灾变销毁重建。如图25及图26所示,对阵容的平衡性分析包括阵容胜率天梯、高频虚拟对象、高频虚拟装备、高频羁绊、具体的示例阵容等内容。
下面对本申请中的数据处理装置进行详细描述,请参阅图27。图27为本申请实施例中数据处理装置10的一个实施例示意图,数据处理装置10包括:数据获取模块110、遗传迭代模块120及分析模块130。具体的:
数据获取模块110,用于获取目标业务关联的第一阵容集合及目标业务关联的阵容遗传约束条件信息。
其中,第一阵容集合包括M个第一阵容,M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及M个第一阵容进行两两交互时虚拟对象对应的交互顺序,阵容属性信息为根据虚拟对象对应的虚拟对象属性信息及虚拟技能对应的虚拟技能属性信息确定的,阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数。
遗传迭代模块120,用于基于阵容遗传约束条件信息,根据遗传算法对第一阵容集合进行遗传迭代处理,生成第二阵容集合。
其中,第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,每个第二阵容对应的阵容属性信息满足阵容遗传约束条件信息,N大于1的整数。
分析模块130,用于根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
本申请实施例提供的装置,通过遗传算法对初始的第一阵容集合进行迭代遗传处理生成第二阵容集合,第二阵容集合中的每个第二阵容的阵容属性信息满足遗传约束条件信息,以使得每个第二阵容的平衡性较强,通过算法对阵容进行平衡性测试,提高了在游戏上线之前对阵容平衡性测试的效率。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中, 遗传迭代模块120,还用于:
根据M个第一阵容对应的M个阵容属性信息及阵容遗传约束条件信息,计算M个第一阵容对应的M个适应度.
获取适应度阈值及迭代阈值。
根据适应度阈值,从M个第一阵容中确定K个第一目标阵容。
其中,K个第一目标阵容对应的K个适应度值均大于适应度阈值,K为大于等于1且小于等于M的整数。
根据遗传算法对K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合。
其中,第二阵容集合对应的迭代次数等于迭代阈值。
本申请实施例提供的装置,通过初始阵容的适应度选择可以进行后续遗传迭代的目标阵容,接着通过遗传算法对目标阵容进行后续的遗传迭代,当遗传迭代的次数达到迭代阈值时停止迭代,并且从所有的自代中选择阵容属性信息满足遗传约束条件信息的阵容作为最终的目标阵容,通过遗传算法增加了在阵容进化过程中目标阵容的数量,使得经过遗传迭代后生成的阵容为平衡性较强的阵容,提高了阵容的平衡性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中, 遗传迭代模块120,还用于:
将M个第一阵容中的每个第一阵容进行两两交互,得到M个第一阵容对应的M个对战胜率。
根据M个第一阵容对应的M个阵容属性信息与阵容遗传约束条件信息的匹配度,对M个第一阵容对应的对战胜率进行适应度函数计算,生成M个第一阵容对应的M个适应度。
本申请实施例提供的装置,通过阵容的胜率以及阵容属性信息与阵容遗传约束条件信息的匹配度计算阵容的适应度,进而根据适应度选择需要进行遗传迭代的阵容,提高了阵容适应度计算的准确性,以及对需要遗传迭代的阵容的选择的可靠性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中, 遗传迭代模块120,还用于:
基于遗传算法,根据K个第一目标阵容中生成K个第一交叉阵容。
其中,K个第一交叉阵容为对K个第一目标阵容中的基因信息进行交叉得到的。
将K个第一目标阵容与K个第一交叉阵容进行两两交互,得到K个第一目标阵容对应的K个适应度。
根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
本申请实施例提供的装置,通过遗传算法对需要进行遗传迭代的目标阵容生成交叉阵容,进而将目标阵容与交叉阵容进行对战交互,根据对战胜率计算每个目标阵容的适应度,通过适应度从目标阵容中选择第二阵容,提高了第二阵容确定的准确性及可靠性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中, 遗传迭代模块120,还用于:
基于遗传算法,根据K个第一目标阵容中生成K个第一变异阵容。
其中,K个第一变异阵容为对K个第一目标阵容中的基因信息进行替换得到的。
将K个第一目标阵容与K个第一变异阵容进行两两交互,得到K个第一目标阵容对应的K个适应度。
根据K个适应度对K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个第二阵容组成第二阵容集合。
本申请实施例提供的装置,通过遗传算法对需要进行遗传迭代的目标阵容生成变异阵容,进而将目标阵容与变异阵容进行对战交互,根据对战胜率计算每个目标阵容的适应度,通过适应度从目标阵容中选择第二阵容,提高了第二阵容确定的准确性及可靠性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中, 遗传迭代模块120,还用于:
根据M个适应度对M个第一阵容进行降序排列,取前L个第一阵容。
获取迭代阈值。
根据遗传算法对L个第一阵容进行遗传迭代处理,生成N个第二阵容,由N个第二阵容组成第二阵容集合。
其中,第二阵容集合对应的迭代次数等于迭代阈值。
本申请实施例提供的装置,通过初始阵容的适应度选择可以进行后续遗传迭代的目标阵容,接着通过遗传算法对目标阵容进行后续的遗传迭代,当遗传迭代的次数达到迭代阈值时停止迭代,并且从所有的自代中选择阵容属性信息满足遗传约束条件信息的阵容作为最终的目标阵容,通过遗传算法增加了在阵容进化过程中目标阵容的数量,使得经过遗传迭代后生成的阵容为平衡性较强的阵容,提高了阵容的平衡性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中,请参阅图28,数据处理装置还包括:遗传迭代调整模块140。具体的,遗传迭代调整模块140,用于:
获取频次阈值及连续轮次阈值。
统计第二阵容集合中每个基因信息的频次。
确定频次高于频次阈值的基因信息为候选基因信息。
统计候选基因信息在遗传迭代处理中的连续轮次。
其中,连续轮次用于表征候选基因信息在遗传迭代处理中适应度值连续高于适应度阈值的次数。
确定连续轮次高于连续轮次阈值的候选基因信息为第一目标基因信息。
若第一目标基因信息存在于基因信息黑名单中,则获取第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值。
其中,基因信息黑名单中的基因信息为待减少遗传迭代处理的基因信息,第一目标遗传停滞时长用于表征第一目标基因信息在遗传迭代处理中的停止遗传迭代的时长。
若第一目标基因信息对应的第一目标遗传停滞时长大于遗传停滞时长阈值,则删除包含第一目标基因信息的第二阵容。
本申请实施例提供的装置,通过增加小黑屋机制即增加基因信息在遗传迭代中的停滞时长,对于频次及连续轮次均高于相应阈值的基因信息增加遗传迭代中的停滞时长,对于停滞时长超过阈值的基因信息所在的阵容进行销毁,以提高阵容进化速度。
在本申请的图28对应的实施例提供的数据处理装置的一个可选实施例中,遗传迭代调整模块140,还用于:
获取非连续轮次阈值。
统计候选基因信息在遗传迭代处理中的非连续轮次。
其中,非连续轮次用于表征候选基因信息在遗传迭代处理中适应度值高于适应度阈值的次数。
确定非连续轮次高于非连续轮次阈值的候选基因信息为第二目标基因信息。
降低包含第二目标基因信息的第二阵容的变异次数。
其中,变异次数用于表征基于遗传算法根据包含第二目标基因信息的第二阵容生成第二变异阵容的次数。
本申请实施例提供的装置,通过对包含频次及非连续轮次均高于阈值的基因信息的阵容的变异率进行降低,减少阵容在后续遗传迭代过程的变异过程。
在本申请的图28对应的实施例提供的数据处理装置的一个可选实施例中,遗传迭代调整模块140,还用于:
若第一目标基因信息对应的第一目标遗传停滞时长小于等于遗传停滞时长阈值,则延长第一目标基因信息对应的第一目标遗传停滞时长。
本申请实施例提供的装置,通过增加小黑屋机制即增加基因信息在遗传迭代中的停滞时长,减少了相同的基因信息在遗传迭代中的迭代次数,进而增加了种群的多样性。
在本申请的图28对应的实施例提供的数据处理装置的一个可选实施例中,遗传迭代调整模块140,还用于:
若第一目标基因信息不存在于基因信息黑名单中,则在基因信息黑名单增加第一目标基因信息。
本申请实施例提供的装置,通过将满足频次高于频次阈值且连续轮次高于连续轮次阈值的基因信息添加至基因信息黑名单,在后续的遗传迭代过程中,增加黑名单基因信息的停止遗传迭代时长,减少了相同的基因信息在遗传迭代中的迭代次数,进而增加了种群的多样性。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中,数据获取模块110,还用于:
获取目标业务关联的基因信息配置信息。
其中,基因信息配置信息包括X个虚拟对象对应的X个虚拟对象属性信息及Y个虚拟技能对应的Y个虚拟技能属性信息,X及Y均为大于1的整数。
根据基因信息配置信息,生成M个第一阵容。
其中,每个第一阵容中包含至少一个虚拟对象、每个虚拟对象对应的至少一个虚拟技能及在M个第一阵容进行两两交互时每个虚拟对象对应的交互顺序。
本申请实施例提供的装置,通过对阵容进行配置,为后续进行遗传迭代算法找寻平衡性较高的目标阵容奠定基础。
在本申请的图27对应的实施例提供的数据处理装置的一个可选实施例中,分析模块130,还用于:
获取N个第二阵容中对应的N个交互信息。
其中,交互信息包括交互阵容及胜败信息。
统计N个交互信息中每个虚拟对象出现的频次及每个虚拟技能出现的频次。
根据第二阵容集合中的虚拟对象出现的频次及虚拟技能出现的频次中的至少一种,生成目标业务的分析结果。
本申请实施例提供的装置,通过对平衡性较高的第二阵容进行目标业务的分析,得到阵容的平衡性分析结果,提高了在游戏上线之前对阵容平衡性测试的效率。
图29是本申请实施例提供的一种服务器结构示意图,该服务器300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processingunits,CPU)322(例如,一个或一个以上处理器)和存储器332,一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储介质330通信,在服务器300上执行存储介质330中的一系列指令操作。
服务器300还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341,例如Windows ServerTM,Mac OS XTM,UnixTM, LinuxTM,FreeBSDTM等等。
上述实施例中由服务器所执行的步骤可以基于该图15所示的服务器结构。
所属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,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组建可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (17)
1.一种数据处理方法,其特征在于,包括:
获取目标业务关联的第一阵容集合及所述目标业务关联的阵容遗传约束条件信息,其中,所述第一阵容集合包括M个第一阵容,所述M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及所述M个第一阵容进行两两交互时虚拟对象对应的交互顺序,所述阵容属性信息为根据所述虚拟对象对应的虚拟对象属性信息及所述虚拟技能对应的虚拟技能属性信息确定的,所述阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数;
基于所述阵容遗传约束条件信息,根据遗传算法对所述第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,所述第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,所述每个第二阵容对应的阵容属性信息满足所述阵容遗传约束条件信息,N大于1的整数;
获取频次阈值及连续轮次阈值;统计所述第二阵容集合中每个基因信息的频次,并确定所述频次高于所述频次阈值的基因信息为候选基因信息;
统计所述候选基因信息在所述遗传迭代处理中的连续轮次,并确定所述连续轮次高于所述连续轮次阈值的候选基因信息为第一目标基因信息;其中,所述连续轮次用于表征所述候选基因信息在遗传迭代处理中适应度值连续高于适应度阈值的次数;
若所述第一目标基因信息存在于基因信息黑名单中,则获取所述第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值,其中,所述基因信息黑名单中的基因信息为待减少遗传迭代处理的基因信息,所述第一目标遗传停滞时长用于表征所述第一目标基因信息在遗传迭代处理中的停止遗传迭代的时长;
若所述第一目标基因信息对应的第一目标遗传停滞时长大于所述遗传停滞时长阈值,则删除包含所述第一目标基因信息的第二阵容;
根据所述第二阵容集合中的所述虚拟对象出现的频次及所述虚拟技能出现的频次中的至少一种,生成所述目标业务的分析结果。
2.如权利要求1所述的数据处理方法,其特征在于,所述基于所述阵容遗传约束条件信息,根据遗传算法对所述第一阵容集合进行遗传迭代处理,生成第二阵容集合,包括:
根据所述M个第一阵容对应的M个阵容属性信息及所述阵容遗传约束条件信息,计算所述M个第一阵容对应的M个适应度;
获取适应度阈值及迭代阈值;
根据所述适应度阈值,从所述M个第一阵容中确定K个第一目标阵容,其中,所述K个第一目标阵容对应的K个适应度值均大于所述适应度阈值,K为大于等于1且小于等于M的整数;
根据遗传算法对所述K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由所述N个第二阵容组成第二阵容集合,其中,所述第二阵容集合对应的迭代次数等于所述迭代阈值。
3.如权利要求2所述的数据处理方法,其特征在于,所述根据所述M个第一阵容对应的M个阵容属性信息及所述阵容遗传约束条件信息,计算所述M个第一阵容对应的M个适应度,包括:
将所述M个第一阵容中的每个第一阵容进行两两交互,得到M个第一阵容对应的M个对战胜率;
根据所述M个第一阵容对应的M个阵容属性信息与所述阵容遗传约束条件信息的匹配度,对所述M个第一阵容对应的对战胜率进行适应度函数计算,生成所述M个第一阵容对应的M个适应度。
4.如权利要求2所述的数据处理方法,其特征在于,所述根据遗传算法对所述K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由所述N个第二阵容组成第二阵容集合,包括:
基于遗传算法,根据所述K个第一目标阵容中生成K个第一交叉阵容,其中,所述K个第一交叉阵容为对所述K个第一目标阵容中的基因信息进行交叉得到的;
将所述K个第一目标阵容与所述K个第一交叉阵容进行两两交互,得到K个第一目标阵容对应的K个适应度;
根据所述K个适应度对所述K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个所述第二阵容组成第二阵容集合。
5.如权利要求2所述的数据处理方法,其特征在于,所述根据遗传算法对所述K个第一目标阵容进行遗传迭代处理,生成N个第二阵容,由所述N个第二阵容组成第二阵容集合,包括:
基于遗传算法,根据所述K个第一目标阵容中生成K个第一变异阵容,其中,所述K个第一变异阵容为对所述K个第一目标阵容中的基因信息进行替换得到的;
将所述K个第一目标阵容与所述K个第一变异阵容进行两两交互,得到K个第一目标阵容对应的K个适应度;
根据所述K个适应度对所述K个第一目标阵容进行降序排列,取前N个第一目标阵容作为第二阵容,由N个所述第二阵容组成第二阵容集合。
6.如权利要求2所述的数据处理方法,其特征在于,所述根据所述M个第一阵容对应的M个阵容属性信息及所述阵容遗传约束条件信息,计算所述M个第一阵容对应的M个适应度之后,还包括:
根据所述M个适应度对所述M个第一阵容进行降序排列,取前L个第一阵容;
获取迭代阈值;
根据遗传算法对所述L个第一阵容进行遗传迭代处理,生成N个第二阵容,由所述N个第二阵容组成第二阵容集合,其中,所述第二阵容集合对应的迭代次数等于所述迭代阈值。
7.如权利要求1所述的数据处理方法,其特征在于,所述确定所述频次高于所述频次阈值的基因信息为候选基因信息之后,还包括:
获取非连续轮次阈值;
统计所述候选基因信息在所述遗传迭代处理中的非连续轮次,其中,所述非连续轮次用于表征所述候选基因信息在遗传迭代处理中适应度值高于适应度阈值的次数;
确定所述非连续轮次高于所述非连续轮次阈值的候选基因信息为第二目标基因信息;
降低包含所述第二目标基因信息的第二阵容的变异次数,其中,所述变异次数用于表征基于遗传算法根据所述包含所述第二目标基因信息的第二阵容生成第二变异阵容的次数。
8.如权利要求1所述的数据处理方法,其特征在于,所述获取所述第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值之后,还包括:
若所述第一目标基因信息对应的第一目标遗传停滞时长小于等于所述遗传停滞时长阈值,则延长所述第一目标基因信息对应的第一目标遗传停滞时长。
9.如权利要求1所述的数据处理方法,其特征在于,所述确定所述连续轮次高于所述连续轮次阈值的候选基因信息为第一目标基因信息之后,还包括:
若所述第一目标基因信息不存在于基因信息黑名单中,则在所述基因信息黑名单增加所述第一目标基因信息。
10.如权利要求1所述的数据处理方法,其特征在于,所述获取目标业务关联的第一阵容集合,包括:
获取目标业务关联的基因信息配置信息,其中,所述基因信息配置信息包括X个所述虚拟对象对应的X个虚拟对象属性信息及Y个所述虚拟技能对应的Y个虚拟技能属性信息,X及Y均为大于1的整数;
根据所述基因信息配置信息,生成M个第一阵容,其中,所述每个第一阵容中包含至少一个虚拟对象、每个所述虚拟对象对应的至少一个虚拟技能及在所述M个第一阵容进行两两交互时每个所述虚拟对象对应的交互顺序。
11.如权利要求1所述的数据处理方法,其特征在于,所述根据所述第二阵容集合中的所述虚拟对象出现的频次及所述虚拟技能出现的频次中的至少一种,生成所述目标业务的分析结果,包括:
获取所述N个第二阵容中对应的N个交互信息,其中,交互信息包括交互阵容及胜败信息;
统计所述N个交互信息中每个虚拟对象出现的频次及每个虚拟技能出现的频次;
根据所述第二阵容集合中的所述虚拟对象出现的频次及所述虚拟技能出现的频次中的至少一种,生成所述目标业务的分析结果。
12.一种数据处理装置,其特征在于,包括:
数据获取模块,用于获取目标业务关联的第一阵容集合及所述目标业务关联的阵容遗传约束条件信息,其中,所述第一阵容集合包括M个第一阵容,所述M个第一阵容对应于M个阵容属性信息,每个第一阵容包括R个基因信息,每个基因信息包括虚拟对象、虚拟技能及所述M个第一阵容进行两两交互时虚拟对象对应的交互顺序,所述阵容属性信息为根据所述虚拟对象对应的虚拟对象属性信息及所述虚拟技能对应的虚拟技能属性信息确定的,所述阵容遗传约束条件信息用于表征第二阵容部署的控制条件,M及R均为大于1的整数;
遗传迭代模块,用于基于所述阵容遗传约束条件信息,根据遗传算法对所述第一阵容集合进行遗传迭代处理,生成第二阵容集合,其中,所述第二阵容集合包括N个第二阵容,每个第二阵容包括R个基因信息,所述每个第二阵容对应的阵容属性信息满足所述阵容遗传约束条件信息,N大于1的整数;
遗传迭代调整模块,用于获取频次阈值及连续轮次阈值;统计所述第二阵容集合中每个基因信息的频次,并确定所述频次高于所述频次阈值的基因信息为候选基因信息;统计所述候选基因信息在所述遗传迭代处理中的连续轮次,并确定所述连续轮次高于所述连续轮次阈值的候选基因信息为第一目标基因信息;其中,所述连续轮次用于表征所述候选基因信息在遗传迭代处理中适应度值连续高于适应度阈值的次数; 若所述第一目标基因信息存在于基因信息黑名单中,则获取所述第一目标基因信息对应的第一目标遗传停滞时长及遗传停滞时长阈值,其中,所述基因信息黑名单中的基因信息为待减少遗传迭代处理的基因信息,所述第一目标遗传停滞时长用于表征所述第一目标基因信息在遗传迭代处理中的停止遗传迭代的时长;若所述第一目标基因信息对应的第一目标遗传停滞时长大于所述遗传停滞时长阈值,则删除包含所述第一目标基因信息的第二阵容;
分析模块,用于根据所述第二阵容集合中的所述虚拟对象出现的频次及所述虚拟技能出现的频次中的至少一种,生成所述目标业务的分析结果。
13.如权利要求12所述的数据处理装置,其特征在于,所述遗传迭代调整模块还用于:
获取非连续轮次阈值;
统计所述候选基因信息在所述遗传迭代处理中的非连续轮次,其中,所述非连续轮次用于表征所述候选基因信息在遗传迭代处理中适应度值高于适应度阈值的次数;
确定所述非连续轮次高于所述非连续轮次阈值的候选基因信息为第二目标基因信息;
降低包含所述第二目标基因信息的第二阵容的变异次数,其中,所述变异次数用于表征基于遗传算法根据所述包含所述第二目标基因信息的第二阵容生成第二变异阵容的次数。
14.如权利要求12所述的数据处理装置,其特征在于,所述遗传迭代调整模块还用于:
若所述第一目标基因信息对应的第一目标遗传停滞时长小于等于所述遗传停滞时长阈值,则延长所述第一目标基因信息对应的第一目标遗传停滞时长。
15.如权利要求12所述的数据处理装置,其特征在于,所述遗传迭代调整模块还用于:
若所述第一目标基因信息不存在于基因信息黑名单中,则在所述基因信息黑名单增加所述第一目标基因信息。
16.一种计算机设备,其特征在于,包括:存储器、收发器、处理器以及总线系统;
其中,所述存储器用于存储程序;
所述处理器用于执行所述存储器中的程序,包括执行如权利要求1至11中任一项所述的数据处理方法;
所述总线系统用于连接所述存储器以及所述处理器,以使所述存储器以及所述处理器进行通信。
17.一种计算机可读存储介质,包括指令,其特征在于,当其在计算机上运行时,使得计算机执行如权利要求1至11中任一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069622.5A CN116785719B (zh) | 2023-08-24 | 2023-08-24 | 一种数据处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069622.5A CN116785719B (zh) | 2023-08-24 | 2023-08-24 | 一种数据处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116785719A CN116785719A (zh) | 2023-09-22 |
CN116785719B true CN116785719B (zh) | 2023-11-10 |
Family
ID=88048380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069622.5A Active CN116785719B (zh) | 2023-08-24 | 2023-08-24 | 一种数据处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116785719B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112717412A (zh) * | 2021-01-22 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种数据处理的方法、相关装置、设备及存储介质 |
CN113457152A (zh) * | 2021-07-22 | 2021-10-01 | 腾讯科技(深圳)有限公司 | 一种游戏阵容生成方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190125240A1 (en) * | 2017-10-27 | 2019-05-02 | Jean-Pierre Michel | Self-evaluation tool and diagnostic method for healthy ageing |
-
2023
- 2023-08-24 CN CN202311069622.5A patent/CN116785719B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112717412A (zh) * | 2021-01-22 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 一种数据处理的方法、相关装置、设备及存储介质 |
CN113457152A (zh) * | 2021-07-22 | 2021-10-01 | 腾讯科技(深圳)有限公司 | 一种游戏阵容生成方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116785719A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7399277B2 (ja) | 情報処理方法、装置、コンピュータプログラム及び電子装置 | |
Torrado et al. | Bootstrapping conditional gans for video game level generation | |
Gudmundsson et al. | Human-like playtesting with deep learning | |
US20240189718A1 (en) | Game character behavior control method and apparatus, storage medium, and electronic device | |
CN103198358B (zh) | 信息处理设备、信息处理方法和程序 | |
CN111111220B (zh) | 多人对战游戏的自对弈模型训练方法、装置和计算机设备 | |
CN110175619B (zh) | 基于机器学习模型的出牌牌组确定方法、设备及存储介质 | |
CN110665233B (zh) | 游戏行为识别方法、装置、设备及介质 | |
CN109847366A (zh) | 用于游戏的数据处理方法和装置 | |
CN111957047A (zh) | 关卡配置数据调整方法、计算机设备及存储介质 | |
CN112380453A (zh) | 物品推荐方法、装置、存储介质及设备 | |
CN111701240B (zh) | 虚拟物品的提示方法、装置、存储介质和电子装置 | |
CN110598853B (zh) | 一种模型训练的方法、信息处理的方法以及相关装置 | |
Liu et al. | Prediction of volleyball competition using machine learning and edge intelligence | |
CN113230650B (zh) | 一种数据处理方法、装置及计算机可读存储介质 | |
CN116785719B (zh) | 一种数据处理方法及相关装置 | |
CN113893547A (zh) | 一种基于适应度函数的数据处理方法、系统及存储介质 | |
Barros et al. | Big data analytics in cloud gaming: Players' patterns recognition using artificial neural networks | |
Li et al. | Research on fight the landlords’ single card guessing based on deep learning | |
CN110909890B (zh) | 游戏人工智能训练方法、装置及服务器和存储介质 | |
Yuan et al. | Recommending Bids on Dou-DiZhu Poker Games: A Deep Learning Approach | |
Jakhon et al. | Agent grouping recommendation method in edge computing | |
Li et al. | Landlord's equal cards force generation algorithm | |
Ring et al. | Replicating deepmind starcraft ii reinforcement learning benchmark with actor-critic methods | |
CN113750540B (zh) | 游戏匹配方法、装置、存储介质及计算机程序产品 |
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 |