基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法

技术领域

本发明涉及电子竞技领域，具体涉及基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法。

背景技术

近些年电子竞技市场不断扩大，MOBA类游戏是当下较为流行的一种游戏类型，MOBA类游戏的主要过程为由多位玩家组队，选用控制英雄，通过击杀单位获取经验和经济，摧毁敌方基地从而获取比赛胜利。在大多数MOBA类游戏中一般存在小兵、野怪、防御塔等非玩家控制的单位，这些单位一般可以简单击杀来以此为玩家提供基本的经验和经济获取，要用这种方式来确立优势往往需要较长时间或较多的击杀数。MOBA类游戏中也存在着强大的非玩家控制单位，这些单位往往较难击杀，且一旦击杀可以提供大量的经济和强力的增益或道具，这些单位一般被称为史诗级野怪。经常可以在电子竞技赛场上看见有一方由于击败了强力的史诗级野怪而获得了巨大的经济领先和强力的增益，以此获得巨大的优势甚至转化为胜势。但由于史诗级野怪较难击杀，有时也可以看到由于一方想要击败史诗级野怪而葬送了优势，使队伍陷入劣势甚至输掉比赛。所以不管是在电子竞技赛场上还是普通游戏中，史诗级野怪击杀时机的选择就显得至关重要。已有相关学者在英雄选用与禁用、英雄优势组合等方面对电子竞技的战略决策问题进行研究，但多集中于比赛前，少有设计比赛中的行为。

针对电子竞技战略决策和角色行为模式研究，诸多学者从不同的角度出发对此进行研究，例如基于深度学习和LSTM模型构建了一种基于阵容的胜率预测系统，为阵容推荐与胜利预测系统提供了新的解决方案，但其没有考虑玩家因素，也没有考虑MOBA类游戏中普遍存在的变化性。现有技术中将attention算法与LRUA模块相结合，并使用了双向长短记忆网络，消除了传统模型中难以体现数据特征这一劣势，但其选用的特征相对单一，适用范围较窄。

发明内容

本发明目的：在于提供基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法，将k-means算法和attention算法相结合，针对不同的测量点分别计算MOBA类游戏中各英雄在此测量点的强弱关系，随后通过更多特征计算attention值并比较，最后得出在该测量点时间是否应该进行史诗级野怪击杀行为，所得结果降低了电子竞技决策过程中的干扰因素，对电子竞技的发展起到了促进作用。

为实现以上功能，本发明设计基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法，按预设周期执行步骤S1-步骤S5，获得击杀时间确认模型，然后应用击杀时间确认模型，分别针对各等级比赛下的各史诗级野怪，完成对史诗级野怪击杀时间点的检测；

S1:针对目标游戏进程，基于史诗级野怪出现时间点，对目标游戏自该出现时间点起的剩余时长进行四段划分，获得包括该出现时间点的四个测量点，包括第一测量点、第二测量点、第三测量点、第四测量点；

S2:针对目标游戏中各英雄角色，采集各英雄角色在预设等级比赛中各测量点的战绩参数，其中各英雄角色的战绩参数包括场均补刀数、经验获取数、经济总量、击杀数、造成伤害总量，基于各英雄角色的战绩参数，通过极差法，构建各英雄角色分别所对应的战绩参数样本集；

以各英雄角色的战绩参数为输入，以各英雄角色分别所对应的战绩参数样本集为输出，构建英雄角色样本集模块；

S3:以各英雄角色分别所对应的战绩参数样本集为输入，基于K-means算法，以本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输出，构建英雄角色强弱分析模块，其中强弱关系系数用于表示各英雄角色在各测量点的性能强弱；

S4:采集本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以及本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输入，基于本局比赛中对战双方队伍的英雄角色的选择，通过attention算法，分别计算本局比赛中对战双方队伍的击杀优势系数，击杀优势系数用于判断在该测量点适合击杀野怪的队伍，以对战双方队伍的击杀优势系数为输出，构建击杀优势系数模块；

S5:以各英雄角色在预设等级比赛中各预设测量点的战绩参数为输入，以对战双方队伍的击杀优势系数为输出，基于英雄角色样本集模块、英雄角色强弱分析模块、击杀优势系数模块，构建击杀时间确认模型，然后应用击杀时间确认模型，完成对史诗级野怪击杀时间点的检测。

作为本发明的一种优选技术方案：步骤S2中针对目标游戏中各英雄角色，采集各英雄角色在预设等级比赛中各测量点的战绩参数，其中各英雄角色的战绩参数包括场均补刀数、经验获取数、经济总量、击杀数、造成伤害总量数据，基于各英雄角色的战绩参数，并通过极差法，构建各英雄角色分别所对应的战绩参数样本集的具体步骤如下：

S21：构建集合A，其中A的子集为{1,2,3…,a,…,n}，集合中1,2,3…,a,…,n为目标游戏中英雄角色的编号，n为目标游戏中英雄角色的总数；

S22：分别针对各英雄角色，采集各英雄角色在至少50场预设等级比赛中各测量点的战绩参数，其中各英雄角色的战绩参数包括场均补刀数、经验获取数、经济总量、击杀数、造成伤害总量；分别针对各战绩参数，计算平均值；

S23：分别针对各战绩参数，基于各战绩参数的平均值，通过极差法对各战绩参数进行处理，具体如下式：

式中，a为目标游戏中英雄角色的编号，i表示战绩参数，i∈{1,2,3,4,5}，其中，i＝1表示场均补刀数，i＝2表示经验获取数，i＝3表示经济总量，i＝4表示击杀数，i＝5表示造成伤害总量；s

S24：分别针对各英雄角色，构建各英雄角色分别所对应的战绩参数样本集如下式：

Z

式中，Z

作为本发明的一种优选技术方案：步骤S3中以各英雄角色分别所对应的战绩参数样本集为输入，基于K-means算法，以本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输出，构建英雄角色强弱分析模块的具体步骤如下：

S301:在第一测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的场均补刀数、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1，2，3，…，10}，s′

S302:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

S303:基于步骤S302所获得的集合[S

S304:在第二测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的击杀数、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1,2,3,…,10}，s′

S305:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

S306:基于步骤S305所获得的集合[S

S307:在第三测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的经济总量、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1，2，3，…,10}，s′

S308:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

S309:基于步骤S308所获得的集合[S

S310:在第四测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的击杀数、造成伤害总量，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1，2，3，…,10}，s′

S311:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

S312:基于步骤S311所获得的集合[S

作为本发明的一种优选技术方案：步骤S4中采集本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以及本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输入，基于本局比赛中对战双方队伍的英雄角色的选择，通过attention算法，分别计算本局比赛中对战双方队伍的击杀优势系数，击杀优势系数用于判断在该测量点适合击杀野怪的队伍，以对战双方队伍的击杀优势系数为输出，构建击杀优势系数模块具体步骤如下：

S401:将本局比赛所选择的各英雄角色分为两个对战队伍，分别为第一对战队伍和第二对战队伍，各对战队伍英雄角色数量为5个；

S402:针对第一对战队伍的各英雄角色，采集各英雄角色的名称、经济总量、等级、推塔数，并分别针对各英雄角色的名称、经济总量、等级、推塔数构建如下形式的集合X：

X＝{x

式中，x

S403:在其中一个测量点，将英雄角色强弱分析模块输出的第一对战队伍的各英雄角色在该测量点的强弱关系系数相加，获得相加值q，基于LSTM单元，将相加值q转换为向量Q，并基于点积操作，获得权重矩阵f(Q,x

f(Q，x

式中，i∈{1,2,3,4}；

S404:基于步骤S403所获得的权重矩阵f(Q,x

g(Q,x

式中，w为权重值，其取值为q/20；

S405:基于步骤S404所获得的注意力权重矩阵g(Q,x

z(Q,x

S406:基于步骤S405所获得的多层感知矩阵z(Q,x

式中，j∈{1,2,3,4}，t

S407:基于步骤S406所获得的经过softmax函数所获得的各映射值t

L

式中，y

S408:针对第二对战队伍的各英雄角色，重复步骤S402-步骤S407，获得第二对战队伍此测量点的击杀优势系数L

有益效果：相对于现有技术，本发明的优点包括：

不同的MOBA类游戏都拥有着独特的史诗级野怪，击杀它们的难度和获得的收益往往是成正比的，但是根据英雄特性、阵容、比赛内的实际情况，并不是在任意时间点都可以做出击杀史诗级野怪的战略决策，经常可以在职业赛场上看到，每一方因为过早或过晚的采取击杀史诗级野怪这一决策导致进入劣势或丧失优势。所以如何使选手明确在何时应该采取击杀史诗级野怪的决策就显得至关重要。因此本方法采用一种基于特定测量点将k-means算法和attention算法相结合的史诗级野怪击杀时间确认方法。在引导一方选手在合适时间点击杀史诗级野怪同时，也引导另一方选手在这一时间点拖延对手击杀史诗级野怪。这一方法一方面减少电子竞技战略决策过程中的干扰因素，另一方面提升了电子竞技战略决策和游戏内角色行为预测的准确性，同时可以提高电子竞技比赛的胜率和促进电子竞技的发展。

附图说明

图1是根据本发明实施例提供的基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

参照图1，本发明实施例提供的基于MOBA类游戏阵容的史诗级野怪击杀时间确认方法，按预设周期执行步骤S1-步骤S5，获得击杀时间确认模型，然后应用击杀时间确认模型，分别针对各等级比赛下的各史诗级野怪，完成对史诗级野怪击杀时间点的检测；

S1:针对目标游戏进程，基于史诗级野怪出现时间点，对目标游戏自该出现时间点起的剩余时长进行四段划分，获得包括该出现时间点的四个测量点，包括第一测量点、第二测量点、第三测量点、第四测量点；

以游戏《英雄联盟》的峡谷先锋线为例，《英雄联盟》出现的第一个具有争夺意义的史诗级野怪为峡谷先锋，其出现时间为8分钟和15分钟，考虑到击杀效率即击杀该史诗级野怪所需的时间，所以第一测量点为10分钟，第二测量点为18分钟，紧接着史诗级野怪纳什男爵在20分钟出现，所以第三测量点为25分钟，最后测量点为英雄六神装时间即所有装备均不可以进行合成，所以第四测量点定位为35分钟，此测量点可以根据不同情况和不同MOBA类游戏进行更改。

在史诗级野怪开局就存在的MOBA类游戏中可以依据前期、中期、后期和大后期进行测量点的选取。

S2:针对目标游戏中各英雄角色，采集各英雄角色在预设等级比赛中各测量点的战绩参数，其中各英雄角色的战绩参数包括场均补刀数、经验获取数、经济总量、击杀数、造成伤害总量，基于各英雄角色的战绩参数，通过极差法，构建各英雄角色分别所对应的战绩参数样本集；

以各英雄角色的战绩参数为输入，以各英雄角色分别所对应的战绩参数样本集为输出，构建英雄角色样本集模块；

步骤S2中构建各英雄角色分别所对应的战绩参数样本集的具体步骤如下：

S21：构建集合A，其中A的子集为{1,2,3…,a,…,n}，集合中1,2,3…,a,…,n为目标游戏中英雄角色的编号，n为目标游戏中英雄角色的总数，其中n>10；

S22：分别针对各英雄角色，采集各英雄角色在至少50场预设等级比赛中各测量点的战绩参数，其中各英雄角色的战绩参数包括场均补刀数、经验获取数、经济总量、击杀数、造成伤害总量；分别针对各战绩参数，计算平均值；

S23：分别针对各战绩参数，基于各战绩参数的平均值，通过极差法对各战绩参数进行处理，具体如下式：

式中，a为目标游戏中英雄角色的编号，i表示战绩参数，i∈{1,2,3,4,5}，其中，i＝1表示场均补刀数，i＝2表示经验获取数，i＝3表示经济总量，i＝4表示击杀数，i＝5表示造成伤害总量；s

S24：分别针对各英雄角色，构建各英雄角色分别所对应的战绩参数样本集如下式：

Z

式中，Z

在一个实施例中，各英雄角色所对应的战绩参数样本集表示为表1形式：

表1

S3:以各英雄角色分别所对应的战绩参数样本集为输入，基于K-means算法，以本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输出，构建英雄角色强弱分析模块，其中强弱关系系数用于表示各英雄角色在各测量点的性能强弱；

步骤S3中构建英雄角色强弱分析模块的具体步骤如下：

S301:在第一测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的场均补刀数、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1,2，3，…，10}，s′

S302:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

运算代码如下：

print H

clf＝kmeans(n_canidient＝10)

y_pred＝clf.prediet(H

print(if)

print(s

import num as 10

import matpletlib.pyplet

s

print S

s

print S

S303:基于步骤S302所获得的集合[S

S304:在第二测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的击杀数、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1,2,3,…,10}，s′

S305:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

运算代码如下：

print H

clf＝kmeans(n_canidient＝10)

y_pred＝clf.prediet(H

print(if)

print(s

import num as 10

import matpletlib.pyplet

s

print S

s

print S

S306:基于步骤S305所获得的集合[S

S307:在第三测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的经济总量、经验获取数，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1,2,3,…,10}，s′

S308:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

运算代码如下：

print H

clf＝kmeans(n_canidient＝10)

y_pred＝clf.prediet(H

print(if)

print(s

import num as 10

import matpletlib.pyplet

s

print S

s

print S

S309:基于步骤S308所获得的集合[S

S310:在第四测量点，分别针对本局比赛所选择的各英雄角色的战绩参数样本集中的击杀数、造成伤害总量，构建本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

H

式中，b为本局比赛所选择的英雄角色的编号，b∈{1,2,3,…,10}，s′

S311:基于本局比赛所选择的各英雄角色分别所对应的战绩参数子集H

运算代码如下：

print H

clf＝kmeans(n_canidient＝10)

y_pred＝clf.prediet(H

print(if)

print(s

import num as 10

import matpletlib.pyplet

s

print S

s

print S

S312:基于步骤S311所获得的集合[S

S4:采集本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以本局比赛所选择的各英雄角色的名称、经济总量、等级、推塔数，以及本局比赛所选择的各英雄角色在各测量点的强弱关系系数为输入，基于本局比赛中对战双方队伍的英雄角色的选择，通过attention算法，分别计算本局比赛中对战双方队伍的击杀优势系数，击杀优势系数用于判断在该测量点适合击杀野怪的队伍，以对战双方队伍的击杀优势系数为输出，构建击杀优势系数模块；

步骤S4中构建击杀优势系数模块具体步骤如下：

S401:将本局比赛所选择的各英雄角色分为两个对战队伍，分别为第一对战队伍和第二对战队伍，各对战队伍英雄角色数量为5个；

S402:针对第一对战队伍的各英雄角色，采集各英雄角色的名称、经济总量、等级、推塔数，并分别针对各英雄角色的名称、经济总量、等级、推塔数构建如下形式的集合X：

X＝{x

式中，x

在一个实施例中，各英雄角色的名称、经济总量、等级、推塔数在代码中的字段名、参数格式、数据类型、取值范围如表2所示：

表2

S403:在其中一个测量点，将英雄角色强弱分析模块输出的第一对战队伍的各英雄角色在该测量点的强弱关系系数相加，获得相加值q，基于LSTM单元，将相加值q转换为向量Q，并基于点积操作，获得权重矩阵f(Q,x

f(Q,x

式中，i∈{1,2,3,4}；

S404:基于步骤S403所获得的权重矩阵f(Q,x

g(Q,x

式中，w为权重值，其取值为q/20；

S405:基于步骤S404所获得的注意力权重矩阵g(Q,x

z(Q,x

S406:基于步骤S405所获得的多层感知矩阵z(Q,x

式中，j∈{1,2,3,4}，t

S407:基于步骤S406所获得的经过softmax函数所获得的各映射值t

L

式中，y

S408:针对第二对战队伍的各英雄角色，重复步骤S402-步骤S407，获得第二对战队伍此测量点的击杀优势系数L

S5:以各英雄角色在预设等级比赛中各测量点的战绩参数为输入，以对战双方队伍的击杀优势系数为输出，基于英雄角色样本集模块、英雄角色强弱分析模块、击杀优势系数模块，构建击杀时间确认模型，然后应用击杀时间确认模型，完成对史诗级野怪击杀时间点的检测。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。