一种MOBA类游戏对线期侦察守卫放置位置确定方法

摘要

本发明公开了一种MOBA类游戏对线期侦察守卫放置位置确定方法，包括：采集比赛对线期结束时的对线英雄相关数据；根据Householder变换和奇异值分解方法的改进算法，确定对线英雄的对线位置；用卷积神经网络对其中的游走英雄的移动区域进行处理，标记得到游走英雄的移动位置；将对线期时对线英雄的对线位置和游走英雄的移动位置相结合，在关键路口和草丛中选取核心点，计算游走英雄和每个核心点的加权距离，计算游走英雄移动到每个核心点的移动概率；根据所有核心点对应的移动概率确定侦察守卫的放置位置。本发明能够通过合理防止侦察守卫来提高电子竞技比赛胜率。

说明书

技术领域

本发明属于MOBA类游戏预测技术领域，具体涉及一种MOBA类游戏对线期侦察守卫放置位置确定方法。

背景技术

互联网的发展带来了电子游戏行业的兴盛，并使电子竞技的市场不断扩大。MOBA类游戏是电子竞技中最受欢迎的类别之一。在大部分MOBA类游戏中，都存在着使用侦察守卫获取视野这一机制。在英雄联盟赛事直播的UI中也存在视野得分之一部分，可见视野控制是比赛的关键之一。对线期良好的视野控制可以使对线强势的英雄减少被游走或打野击杀的概率，也可以使对线弱势的英雄避开危险，更好的发育。对线期的视野布置也在一定程度上可以辐射野区，洞察敌方游走或打野英雄的位置，为己方队伍提供预警。同时侦察守卫的摧毁也可以提供一定的经济，尤其是在dota2中，是辅助经济的重要来源之一。良好的视野控制可以使打法激进，具有压制力的选手在前期扩大优势，可以使后期能力强的选手更好的发育，进而更早的接管比赛。因此，视野对比赛的胜率有着重要影响。已有学者对MOBA类游戏的胜利因素进行研究但大都停留在史诗级野怪击杀等方面，没有探究更深层次因素对比赛胜率的影响。

针对单一因素对胜率的影响和局内英雄行为分析，河南大学的许晨波在研究Dota2胜率系统时，基于阵容这一单一因素，使用深度学习和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，精简了流程，但其没能使用实时数据，影响了预测系统的准确性。金陵科技学院的于诚在研究局内英雄行为时，以已经构建好的战场热点图为基础，在此之上采用K近邻法和PNN算法预测局内英雄的移动方向，其模型可以很好的预测局内核心英雄去往战场核心点的概率，但其需要进行联合分析，否则会存在分析结果不准确的问题。金陵科技学院的于诚在研究局内英雄行为预测时，将attention机制和LRUA模块相结合，并引入嵌入函数Bi-LSTM，在解决队伍评价尺度的基础上，大大提高了模型对局内英雄行为预测的准确性，但其选用的会话特征较少，在一定程度上缺乏普适性。东北大学的呼思乐在研究奇异值分解和PCA算法时，将其置于MapReduce的基础之上，并将模型运用至电子竞技的比赛数据中，其模型极大的降低了对大量数据进行计算时的时间消耗，显示出了较高的可行性，但其只将其运用到了电子竞技的局外数据分析中，并未将其应用与局内数据分析。

上述学者进行研究时，都采用了不同的算法或方法从单一因素的角度出发对比赛胜率进行研究，提高了模型的准确性，但存在着较难与实时数据相结合的问题。同样，在研究行为预测时，有的学者专注于比赛在外大数据的研究，而在研究局内英雄行为预测的时，其模型提高了预测的准确性并精简了流程，但还存在普适性不足，需要进行联合分析等问题。

近些年最热门的PC端MOBA类游戏英雄联盟和DOTA2都拥有着放置侦察守卫控制视野的相关机制，在有视野控制机制的MOBA类游戏电子竞技比赛中，经常可以看到由于没有合理的放置侦察守卫，导致对线时依靠自身技术和英雄强度所带来的优势荡然无存，也可以看到劣势英雄由于经常被线上英雄和打野英雄联合击杀而导致整场比赛都难以发挥作用。所以良好的视野控制可以在一定程度上使己方英雄获得优势，进而影响比赛胜负。如何通过合理防止侦察守卫来提高电子竞技比赛胜率尚未有学者研究。

发明内容

解决的技术问题：本发明提出一种MOBA类游戏对线期侦察守卫放置位置确定方法，将基于Householder变换和奇异值分解方法的改进算法、机器深度学习和基于PNN算法的改进算法相结合，首先针对英雄在对线期所处的位置进行分析，随后使用卷积神经网络对游走和打野英雄的位置进行标记，最后结合英雄在对线期所处的位置和游走和打野英雄的位置，计算游走和打野英雄移动倾向，进而有针对性的放置侦察守卫。所得结果保证对线英雄的安全，提高了电子竞技比赛的胜率，对电子竞技的发展起到了促进作用。

技术方案：

一种MOBA类游戏对线期侦察守卫放置位置确定方法，所述确定方法包括以下步骤：

S1，采集比赛对线期结束时的对线英雄相关数据，对线英雄相关数据包括不同比赛等级、不同英雄组合的对线英雄的成长相关指标数据；构建矩阵H，H为m*n矩阵，m为比赛等级数，n为成长相关指标数量；

S2，根据Householder变换和奇异值分解方法的改进算法，对对线英雄相关数据进行处理，计算相应的奇异矩阵和奇异值，计算贡献率并根据贡献率确定对线英雄的对线位置，对线英雄的对线位置包括靠近敌方防御塔、处在对线路中间位置和靠近我方防御塔三类；

S3，以游戏地图左下角为坐标原点建立坐标系，将整张游戏地图划分为若干个网格；选取游走英雄的移动区域，在整个对线期，按预设周期采集游戏地图信息，采用卷积神经网络对其中的游走英雄的移动区域进行处理，以确定网格中心点，标记得到游走英雄的移动位置；

S4，将对线期时对线英雄的对线位置和游走英雄的移动位置相结合，在关键路口和草丛中选取核心点，计算游走英雄和每个核心点的加权距离，计算游走英雄移动到每个核心点的移动概率；根据所有核心点对应的移动概率确定侦察守卫的放置位置。

进一步地，步骤S1中，成长相关指标数据包括补刀数、KDA和英雄等级；KDA是指英雄的击杀数和助攻数的和除以死亡数的数值。

进一步地，步骤S2中，根据Householder变换和奇异值分解方法的改进算法，对对线英雄相关数据进行处理，计算相应的奇异矩阵和奇异值，计算贡献率并根据贡献率确定对线英雄的对线位置的过程包括以下步骤：

S21，建立矩阵H，H为m*n矩阵，m为比赛等级数，n为成长相关指标数量{c

S22，将矩阵H的第一列设为向量u，进行如下运算：

v＝u-||u||(1，0，0)

Q

S23，将Q

S24，结合式(1)、式(2)和式(3)，对矩阵H′的第一列进行运算，得到Q

S25，根据下述公式计算Q

S26，根据下述公式计算奇异值矩阵Y：

Y＝Q

S27，奇异值矩阵Y对角线上的值为奇异值，从左上到右下分别对应{c

式中，β＝1，2，...，n；

S28，比较{P

进一步地，步骤S3中，采用卷积神经网络对其中的游走英雄的移动区域进行处理，以确定网格中心点，标记得到游走英雄的移动位置的过程包括以下步骤：

S31，以游戏地图左下角为坐标原点建立坐标系，并将整张游戏地图均匀划分为22*22的网格，地图尺寸为220*220，每一个网格尺寸为10*10；选择游走英雄的移动区域，上路选取左上角8*8的网格，中路选取地图中心点附近8*8的网格，下路选取右下角8*8的网格；

S32，在整个对线期，每隔20秒截取地图；

S33，针对每张截取地图，依次针对上路、中路和下路的游走英雄的移动区域，构建5×5的小卷积核覆盖相应的8*8的网格，以此进入池化层，维度为4*4，，池化层维度w

式中，e为网格尺寸；f为小卷积核尺寸；g为填充，设为0.5固定值；s为步长，设为1；

S34，将每个移动区域的池化层4*4的输入看成一个矩阵，将其均匀划分为四个2*2的子区域，选取最大值的子区域作为该移动区域的输出矩阵；

S35，比较当前截取地图与前一张截取地图对应的输出矩阵，有两项以上数值不同时，对该输出矩阵进行标记，将其作为移动区域对应的网格中心点；

S36，记录所有移动区域的网格中心点的坐标(x

进一步地，步骤S4中，将对线期时对线英雄的对线位置和游走英雄的移动位置相结合，在关键路口和草丛中选取核心点，计算游走英雄和每个核心点的加权距离，计算游走英雄移动到每个核心点的移动概率；根据所有核心点对应的移动概率确定侦察守卫的放置位置的过程包括以下步骤：

S41，在关键路口和草丛中选取核心点，选取核心点的集合记为Y，子集为{y

S42，采用下述公式计算游走英雄和每个核心点的加权距离D

式中，W

S43，采用下述公式计算游走英雄移动到每个核心点的移动概率G

S44，采用下述公式计算O

S45，对O

有益效果：

本发明的MOBA类游戏对线期侦察守卫放置位置确定方法，一方面保证线上英雄安全，提高电子竞技比赛胜率，另一方面提升了对电子竞技的发展起到了促进作用。

附图说明

图1为本发明实施例的MOBA类游戏对线期侦察守卫放置位置确定方法流程图。

具体实施方式

下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。

图1为本发明实施例的MOBA类游戏对线期侦察守卫放置位置确定方法流程图。参见图1，该确定方法包括以下步骤：

S1，采集比赛对线期结束时的对线英雄相关数据，对线英雄相关数据包括不同比赛等级、不同英雄组合的对线英雄的成长相关指标数据；构建矩阵H，H为m*n矩阵，m为比赛等级数，n为成长相关指标数量。

S2，根据Householder变换和奇异值分解方法的改进算法，对对线英雄相关数据进行处理，计算相应的奇异矩阵和奇异值，计算贡献率并根据贡献率确定对线英雄的对线位置，对线英雄的对线位置包括靠近敌方防御塔、处在对线路中间位置和靠近我方防御塔三类。

S3，以游戏地图左下角为坐标原点建立坐标系，将整张游戏地图划分为若干个网格；选取游走英雄的移动区域，在整个对线期，按预设周期采集游戏地图信息，采用卷积神经网络对其中的游走英雄的移动区域进行处理，以确定网格中心点，标记得到游走英雄的移动位置。

S4，将对线期时对线英雄的对线位置和游走英雄的移动位置相结合，在关键路口和草丛中选取核心点，计算游走英雄和每个核心点的加权距离，计算游走英雄移动到每个核心点的移动概率；根据所有核心点对应的移动概率确定侦察守卫的放置位置。

一、数据采集

本实施例以英雄联盟为例进行分析，适用于所有可以设置眼位即侦察守卫的MOBA类游戏。

为了确定对线期眼位放置的位置，首先需要采集相关数据，具体数据如下所示：首先对英雄在对线期所处的位置进行分析，对此基于Householder变换和奇异值分解方法进行改进，具体过程如下：

采集比赛对线期结束时的数据，本实施例将对线期结束的时间默认为比赛进行到8分钟这一时刻，具体数据如表1所示，表1仅为举例并不是真实数据。其中英雄组合为某一路对线的双方英雄，a,b的取值为英雄联盟所有英雄的个数，此处是以a英雄为例进行分析，KDA指英雄的击杀数和助攻数的和除以死亡数，若死亡数为0则记为1。集合C为选用的指标数，其子集为c1、c2和c3。

应当理解，指标数可以不止前述三种，指标分类越细，最终得到的分类结果越好，但相应的，运算量也越大。经实践证明，由于对线期的影响指标较少，所以本实施例所列的指标可以满足实际需求。

表1 比赛对线期结束时的对线英雄相关数据

二、对线英雄位置分析

接着对英雄在对线期所处的位置进行分析，此部分基于Householder变换和奇异值分解方法进行改进，具体过程如下：

步骤1：建立矩阵H，H为m*n矩阵，其中m等于比赛等级数，n为结合C子集的数量。由于只有三个指标，直接将三个指标分别视为经济指标(对应补刀数)、经验指标(对应等级)和经济经验指标(对应KDA)三种。

步骤2：将矩阵的第一列设为向量u，进行如下运算：

v＝u-‖u‖(1,0,0)

Q

步骤3：将Q1与矩阵H相乘，得到H’，r作为一个标量为不固定常数具体如下所示：

步骤4：将矩阵H’的第一列进行公式(1)(2)(3)运算，得到Q2’，若Q2’阶数与Q1不一致则在矩阵左上方补上1。重复计算至Qn’。本例只计算至Q3’。

步骤5：此时在n大于1时，Qn的计算过程如下所示：

步骤6：计算奇异值矩阵Y，具体如下所示：

Y＝Q

步骤7：矩阵Y对角线上的指为奇异值，从左上到右下分别对应c

步骤8：比较P

步骤1至步骤6的算法过程如下：

三、游走英雄位置分析

采用卷积神经网络进行计算前来游走英雄的位置，下面以上路为例进行分析，中路和下路类似，具体如下所示：

步骤1：利用游戏地图并以地图左下角为坐标原点建立坐标系，并将整张地图划分为22*22的网格，地图尺寸为220*220。

步骤2：构建5×5的小卷积核覆盖左上角8*8的网格，每一个网格尺寸为10*10，以此进入池化层，维度为8*8，计算公式如下，其中e为网格尺寸，f为小卷积核尺寸，g为填充为0.5固定值，s为步长设为1，池化层维度w′的计算公式如下：

相应的，中路选取地图中心点附近8*8的网格，下路选取右下角8*8的网格。

步骤3：将池化层8*8的输入看成一个矩阵，将其划分为四个区域，每个区域选取最大值输出为一个2*2的矩阵。

步骤4：在游戏进行到1分30秒时，每隔20秒截取地图，将此时地图左上角8*8的网格进行步骤2和步骤3。

步骤5：比较步骤3所得的2*2的矩阵，为了排除守卫和其它干扰，有两项以上数值不同时进行标记。

步骤6：将标记的网格中心点坐标记录，设置为x

四、侦察守卫位置确定

基于改进的PNN算法分析放置侦察守卫的位置，具体过程如下：

步骤1：根据基于Householder变换和奇异值分解方法的改进算法中的步骤9确定核心点，核心点设置在草丛和关键路口位置，以靠近敌方防御塔为例，在这种情况下应将侦察守卫放置在河道和靠近己方防御塔区域，以防止对方游走。选取核心点的集合记为Y，子集为y

步骤2：计算加权距离D，设权重系数为W，W的取值为[1，2]，取值越大说明主观认定这一核心点越重要，对同一核心点时，W取值应相同。k的取值范围为[0，1]的整数。具体如下所示：

步骤3：计算概率G

步骤4：将j取值固定情况下的G

具体算法过程如下：

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。