一种基于手机用于足球游戏推理优化的方法

技术领域

本发明涉及游戏优化技术领域，特别是一种基于手机用于足球游戏推理优化的方法。

背景技术

随着近几年人工智能的快速发展，在电子游戏中使用AI智能体来替代传统行为树成为了游戏行业的趋势，同时得益于强化学习算法的不断进步，更多的强化学习环境被开发出来，游戏引擎也开始对在游戏中部署AI智能体进行支持。ML-Agents是基于Unity3D引擎开发的开源的强化学习插件，开发者通过ML-Agents搭建好的神经网络来训练自己的深度学习模型，深度学习是一种通过奖惩机制配合环境信息，让智能体模型不断学习，从而让智能体做出最优操作的训练方法。

ML-Agents因其在使用深度学习模型推理时产生的性能消耗较大，会对影响游戏的帧数，占用内存和设备算力，当出现这个问题时，只能通过修改推理间隔来减少推理时产生性能的消耗，但只是简单的修改推理间隔会导致以下问题：

(1)、间隔时间越长，深度学习模型输出越少，从而影响到深度学习模型的表现和训练深度学习模型的效率；

(2)、使用固定的推理间隔可以使深度学习模型在不进行推理时游戏帧较为然稳定，但在推理时帧数还是有明显的下降，使得游戏帧数上下浮动明显，比如在足球这类体育游戏中，需要的深度学习模型数量较多，在推理时卡顿较为明显。

在移动端中，深度学习模型推理的频率较快或者数量较多时，会使移动设备升温加快，同时可能会因为集中推理的原因导致内存无法释放，使得移动设备在运行游戏时，随着时长帧数逐渐降低。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种基于手机用于足球游戏推理优化的方法。

本发明的目的通过以下技术方案来实现：一种基于手机用于足球游戏推理优化的方法，包括以下步骤：

S1：以球为中心，将足球场划分为区域a、区域b和区域c；

S2：根据划分的区域，将深度学习模型分为三组来设置推理间隔并进行推理；

S3：对同一区域内的深度学习模型进行排序，将同一推理间隔的多个模型进行依次推理；

S4：根据深度学习模型所操控球员的角色职业，对推理间隔进行优化。

优选的，步骤S1中，以球为中心，由内而外划分有区域a、区域b和区域c。

优选的，步骤S2中，三个推理间隔之间的关系为：

推理间隔a*2<推理间隔b；

推理间隔b*2<推理间隔c。

本发明具有以下优点：本发明通过以球为中心，将足球场划分为区域a、区域b和区域c，并对应设置推理间隔进行推理优化，相较于现有直接修改推理间隔，本方法解决了直接修改推理间隔后同一帧推理的模型过多，导致的游戏帧数过低、卡顿、移动设备升温过快的问题，使性能消耗更低，游戏帧数更稳定。

附图说明

图1为推理优化方法流程的结构示意图；

图2为区域分布状态的结构示意图；

图中，1-球，2-区域a，3-区域b，4-区域c。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。通常在此处附图中描述和示出的本发明实施方式的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，或者是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，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。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

在本实施例中，如图1和图2所示，一种基于手机用于足球游戏推理优化的方法，包括以下步骤：

S1：以球1为中心，将足球场划分为区域a2、区域b3和区域c4；优选的，步骤S1中，以球1为中心，由内而外划分有区域a2、区域b3和区域c4。

S2：根据划分的区域，将深度学习模型分为三组来设置推理间隔并进行推理；进一步的，步骤S2中，三个推理间隔之间的关系为：

推理间隔a*2<推理间隔b；

推理间隔b*2<推理间隔c。

具体地说，通过三个不同的推理间隔，分散了深度学习模型推理的时机。

S3：对同一区域内的深度学习模型进行排序，将同一推理间隔的多个模型进行依次推理；具体地说，通过给深度学习模型进行编号，再判断编号与推理间隔取余的值是否等于游戏当前帧号与推理间隔取余的值来实现依次推理，使堆积在同一帧推理的深度学习模型数量进一步拆分，确保同一帧内推理的深度学习模型个数至多为1-2个，其中，深度学习模型个数根据深度学习模型总个数和最大推理间隔灵活设定，从而通过深度学习模型的推理时机来解决深度学习模型推理堆积造成的卡顿，同时不影响深度学习模型的表现。

S4：根据深度学习模型所操控球员的角色职业，对推理间隔进行优化。具体地说，例如深度学习模型所操控的角色分为：前锋、进攻中场、防守中场、后卫，前锋球员的操作输出峰值出现在前场，进攻中场的输出峰值出现在中前场，防守中场的输出峰值出现在中后场，后卫的输出峰值出现在后场，根据这个区别我们将球场分为前中后三个等份，当深度学习模型所操控的角色处于出现操作峰值的区域时，调整其推理间隔，限制深度学习模型在区域a2和区域b3的推理间隔，从而增加无模型推理的时间，合理化深度学习模型的输出，提升游戏帧数同时优化深度学习模型的合理性，减少了模型出现异常操作和跑动的情况，提升了深度学习模型在训练时所采集的数据质量，使模型训练更加高效。通过以球1为中心，将足球场划分为区域a2、区域b3和区域c4，并对应设置推理间隔进行推理优化，相较于现有直接修改推理间隔，本方法解决了直接修改推理间隔后同一帧推理的模型过多，导致的游戏帧数过低、卡顿、移动设备升温过快的问题，使性能消耗更低，游戏帧数更稳定。

尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。