[發(fā)明專利]自動調整游戲配置的方法、裝置、電子設備及存儲介質

有效

• 申請?zhí)枺?/td>: 201911114614.1
• 申請日: 2019-11-14
• 公開（公告）號: CN110879730B
• 公開（公告）日: 2023-10-24
• 發(fā)明（設計）人: 雷航;洪楷;劉偉;王月瑤;陳乃華
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F9/448
• 分類號: G06F9/448;G06F8/71;G06N20/00
• 代理公司: 深圳市聯鼎知識產權代理有限公司 44232
• 代理人: 王鵬健

1.一種自動調整游戲配置的方法，其特征在于，所述方法包括：

每過預設時間周期，獲取游戲終端在所述時間周期內的運行狀態(tài)；

將所述運行狀態(tài)輸入預訓練的機器學習模型，獲取所述機器學習模型輸出的配置調整動作，其中，所述機器學習模型能夠根據所述運行狀態(tài)預估使得所述游戲終端的預期運行表現最佳的配置調整動作；

基于所述配置調整動作，對所述游戲終端的游戲配置進行調整。

2.根據權利要求1所述的方法，其特征在于，所述機器學習模型通過以下方法進行訓練：

在每輪迭代訓練過程中，每過預設時間周期，獲取游戲終端在所述時間周期內的運行狀態(tài)s；

將所述運行狀態(tài)s輸入所述機器學習模型，使得所述機器學習模型根據所述運行狀態(tài)s從預設的配置調整動作集中選擇配置調整動作a；

基于所述配置調整動作a，對所述游戲終端的游戲配置進行調整；

獲取調整了游戲配置的所述游戲終端在下一時間周期的運行狀態(tài)s’；

基于所述運行狀態(tài)s’，計算所述游戲終端在所述下一時間周期內的運行表現分數r；

基于所述運行表現分數r，對所述機器學習模型進行更新；

若所述運行狀態(tài)s’達到預設條件，終止本輪迭代訓練，直到迭代輪數達到預設輪數閾值。

3.根據權利要求2所述的方法，其特征在于，使得所述機器學習模型根據所述運行狀態(tài)s從預設的配置調整動作集中選擇配置調整動作a，包括：使得所述機器學習模型基于預設貪婪算法，根據所述運行狀態(tài)s從預設的配置調整動作集中選擇配置調整動作a。

4.根據權利要求2所述的方法，其特征在于，基于所述運行表現分數r，對所述機器學習模型進行更新，包括：

將<s,a,s’,r>作為一經驗樣本，加入所述機器學習模型的經驗池中；

從所述經驗池中隨機選取預定數目個經驗樣本；

基于所述預定數目個經驗樣本，計算所述機器學習模型的損失函數；

基于所述損失函數，對所述機器學習模型進行更新。

5.根據權利要求1所述的方法，其特征在于，在將所述運行狀態(tài)輸入預訓練的機器學習模型，獲取所述機器學習模型輸出的配置調整動作之前，包括：將所述運行狀態(tài)中每個屬性按照預設映射規(guī)則，分別映射為對應的向量；

將所述運行狀態(tài)輸入預訓練的機器學習模型，獲取所述機器學習模型輸出的配置調整動作，包括：將所述向量輸入所述機器學習模型，獲取所述機器學習模型輸出的配置調整動作。

6.根據權利要求1所述的方法，其特征在于，在將所述運行狀態(tài)輸入預訓練的機器學習模型，獲取所述機器學習模型輸出的配置調整動作之前，包括：獲取對所述游戲終端的運行狀態(tài)預設的偏好屬性；

基于所述運行狀態(tài)s’，計算所述游戲終端在所述下一時間周期內的運行表現分數r，包括：基于所述運行狀態(tài)s’以及所述偏好屬性，計算所述游戲終端在所述下一時間周期內的運行表現分數r。

7.根據權利要求1所述的方法，其特征在于，所述游戲終端在所述時間周期內的運行狀態(tài)包括但不限于：所述游戲終端的游戲配置、所述游戲終端的溫度、所述游戲終端的CPU使用率、所述游戲終端的GPU使用率、所述游戲終端的貼圖精細度、所述游戲終端在所述時間周期內的平均幀率。

8.一種自動調整游戲配置的裝置，其特征在于，所述裝置包括：

第一獲取模塊，配置為每過預設時間周期，獲取游戲終端在所述時間周期內的運行狀態(tài)；

第二獲取模塊，配置為將所述運行狀態(tài)輸入預訓練的機器學習模型，獲取所述機器學習模型輸出的配置調整動作，其中，所述機器學習模型能夠根據所述運行狀態(tài)預估使得所述游戲終端的預期運行表現最佳的配置調整動作；

調整模塊，配置為基于所述配置調整動作，對所述游戲終端的游戲配置進行調整。