The invention relates to the field of game technology, in particular to a balance test method, device, device and storage medium of game map, the method includes: obtaining the target game map of the balance to be tested; acquiring the set of artificial agents, wherein the artificial agents in the set point to different decision models, and the different decision models are based on different neural networks The network model and / or different incentive functions are used to determine the machine learning training; the artificial agent in the artificial agent collection is used to simulate the game player using the target game map to play the game; the game data of the artificial agent using the target game map to play the game is obtained; the income heat map of the target game map is generated according to the game data; Analyze the revenue heat map to determine the balance of the target game map. The game map balance test method can shorten the development and verification cycle of the game map.
【技术实现步骤摘要】
一种游戏地图平衡性测试方法、装置、设备及存储介质
本专利技术涉及游戏
,特别涉及一种游戏地图平衡性测试方法、装置、设备及存储介质。
技术介绍
随着网络技术的飞速发展,网络游戏越来越受到人们的喜爱,特别是第一人称射击类游戏(First-PersonShooterGame,FPS),由于可以以玩家的主观视角来进行射击游戏而深受用户的喜爱。玩家们不再像别的游戏一样操纵屏幕中的虚拟人物来进行游戏,而是身临其境的体验游戏带来的视觉冲击,这就大大增强了游戏的主动性和真实感。在此类游戏中,游戏地图的平衡性是评价一款游戏好坏的一项重要指标,如果游戏地图的平衡性不佳,也即玩家能够在游戏地图中的某个区域获得的收益过高或者过低,则会导致玩家较多或者较少的选择该地图区域,导致整个游戏失衡,从而降低游戏的趣味性。因此,在游戏开发过程中,需要对游戏地图的平衡性进行测试。现有技术中,通常是通过把游戏地图开放到游戏中,然后收集游戏玩家在这张游戏地图中玩游戏的收益(击杀数),收集几万到十几万个对局游戏的收益后生成收益热力图,游戏策划人员即可根据生成的收益热力图修改地图结构。由于收集对局数据需要较长的时间,游戏策划人员修改地图结构后还需要对修改后的游戏地图的平衡性进行测试,导致游戏地图的开发验证周期较长,且游戏地图不经过验证,直接上线的风险较大。
技术实现思路
针对现有技术的上述问题,本专利技术的目的在于提供一种游戏地图平衡性测试方法、装置、设备及存储介质,能够缩短游戏地图的开发验证周期,并且降低游戏地 ...
【技术保护点】
1.一种游戏地图平衡性测试方法,其特征在于,包括:/n获取待测试平衡性的目标游戏地图;/n获取人工智能体集合,所述人工智能体集合中的人工智能体指向不同的决策模型,所述不同的决策模型基于不同的神经网络模型和/或不同的激励函数进行机器学习训练确定;/n利用所述人工智能体集合中的人工智能体模拟游戏玩家使用所述目标游戏地图进行游戏;/n获取所述人工智能体使用所述目标游戏地图进行游戏的游戏数据;/n根据所述游戏数据生成所述目标游戏地图的收益热力图;/n对所述收益热力图进行分析,确定所述目标游戏地图的平衡性。/n
【技术特征摘要】
1.一种游戏地图平衡性测试方法,其特征在于,包括:
获取待测试平衡性的目标游戏地图;
获取人工智能体集合,所述人工智能体集合中的人工智能体指向不同的决策模型,所述不同的决策模型基于不同的神经网络模型和/或不同的激励函数进行机器学习训练确定;
利用所述人工智能体集合中的人工智能体模拟游戏玩家使用所述目标游戏地图进行游戏;
获取所述人工智能体使用所述目标游戏地图进行游戏的游戏数据;
根据所述游戏数据生成所述目标游戏地图的收益热力图;
对所述收益热力图进行分析,确定所述目标游戏地图的平衡性。
2.根据权利要求1所述的方法,其特征在于,还包括使用所述目标游戏地图训练人工智能体,所述使用所述目标游戏地图训练人工智能体包括:
将所述人工智能体的训练任务划分为多个难度等级;
从所述目标游戏地图中为每个难度等级的训练任务匹配对应的训练地图;
依次针对每个难度等级的训练任务,基于深度强化学习算法,使用所述训练地图对所述人工智能体进行训练。
3.根据权利要求2所述的方法,其特征在于,所述依次针对每个难度等级的训练任务,基于深度强化学习算法,使用所述训练地图对所述人工智能体进行训练包括:
构建所述人工智能体的神经网络模型和激励函数;
根据所述神经网络模型和所述激励函数获取利用所述人工智能体模拟游戏玩家使用所述训练地图进行训练的训练样本数据;
基于深度强化学习算法,使用所述训练样本数据对所述人工智能体的神经网络模型进行训练,调整所述神经网络模型的参数,得到所述人工智能体的决策模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述神经网络模型和所述激励函数获取利用所述人工智能体模拟游戏玩家使用所述训练地图进行训练的训练样本数据包括:
在游戏运行过程中,获取所述人工智能体的当前状态数据;
将所述当前状态数据输入所述人工智能体的神经网络模型中,生成所述当前状态数据对应的决策数据;
根据所述决策数据确定所述人工智能体的决策动作,并控制所述人工智能体执行所述决策动作;
根据所述激励函数确定所述人工智能体执行所述决策动作后的回报数据;
获取所述人工智能体执行所述决策动作后的后续状态数据;
将所述当前状态数据、所述决策数据、所述回报数据和所述后续状态数据组...
【专利技术属性】
技术研发人员:黄盈,李旭冬,董海阳,王林,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。