[发明专利]战略博弈系统的全局态势评估方法、系统和装置

说明书

本发明属于信息处理技术领域，具体涉及一种战略博弈系统的全局态势评估方方法、系统、装置，旨在为了解决在游戏地图上进行战略博弈对抗的全局态势直观可视化问题。本发明方法包括S100，提取待评估的博弈双方在战略博弈对抗中的复盘数据；S200，对复盘数据中的对战地图进行网格化，将地图划分为面积相等的单元格；S300，基于预设的博弈信息类型数据，通过预设的事态评估权重，计算博弈双方对各单元格的控制力；S400，对每一个单元格，基于博弈双方控制力确定该单元格的归属权；基于各单元格的归属权绘制全局态势图。本发明可以更好地模仿人类直觉的方式直观评估博弈过程中全局态势的演进与胜负观判断。

技术领域

本发明属于信息处理技术领域，具体涉及一种战略博弈系统的全局态势评估方法、系统和装置。

背景技术

人工智能的概念最早是在20世纪50年代提出来的。随着20世纪60年代末和70年代专家系统的出现，人工智能被引入实际应用。1969年，国际人工智能联合会议(IJCAI)成立。到20世纪80年代末，第五代计算机的诞生及神经网络技术的成熟对人工智能的发展起到了很好的推动作用。互联网技术作为人工智能最有利推动者，90年代互联网及爆发式发展也给人工智能带来了研究热潮。21世纪以来,由于人工智能算法的进步,人工智能技术由于计算条件和计算能力的提高而进入了一个快速发展的时期。基于神经网络的深度学习算法开始了大规摸的实践。特别是随着互联网的发展，人工智能技术已经广泛应用于生活的各个方面。

在人工智能的发展历程中，人机博弈作为其中重要的研究内容，它的发展一直标志着人工智能理论与技术的阶段性目标。其中有三次可以称为里程碑式的人机博弈。第一次是1997年IBM公司的“深蓝”击败国际象棋大师卡斯帕罗夫，“深蓝”是基于知识规则引擎和强大计算机硬件的人工智能系统；第二次是2011年IBM公司的问答机器人“沃森”在美国智力问答竞赛节目中大胜人类冠军，“沃森”是基于自然语言理解和知识图谱的人工智能系统；第三次就是2016年的AlphaGo与李世石的围棋大战，AlphaGo最终以4：1的战绩战胜李世石，AlphaGo是基于蒙特卡洛树搜索和深度学习的人工智能系统。其中，由DeepMind公司推出的AhphaGo更是将人机博弈推向了研究制高点。AlphaGo中有两个突破性的进展，一个是监督学习的策略网络，该网络能够自主完成下一步最优落子的选择。第二个是价值网络，该网络能够通过整体局势来辅助落子。

目前的人工智能技术不光在AlphaGo中获得了较好的应用，在Atari游戏、围棋和第一人称3D射击游戏上达到了超越以前最优水平的表现。但时至目前，对与一些战略类游戏，AI还没有较好的表现。原因是相对于围棋、第一人称射击等游戏，这类游戏的动作空间和状态空间显得极其巨大，而且与围棋等完全公开环境不同，这类游戏的战争迷雾等设定使得对手状态不完全可知。

在战略类游戏中，大多数研究集中于即时制战略博弈系统星际争霸。但是目前根据DeepMind的研究表明，想要训练基于深度学习的端到端的星际争霸的AI智能体非常的困难。在最近的研究中，研究人员认为整合微观操作、建造指令预测和全局状态评估等能力的AI将会下下一步的研究方向。这也与AlphaGo中的“全局视野”不谋而合。

发明内容

为了解决现有技术中的上述问题，即为了解决在游戏地图上进行战略博弈对抗的全局态势直观可视化问题，本发明的第一方面，提出了一种战略博弈系统的全局态势评估方法，用于评估战略博弈对抗中博弈各个时刻的全局态势，该方法包括以下步骤：

步骤S100，提取待评估的博弈双方在战略博弈对抗中的复盘数据；

步骤S200，对复盘数据中的对战地图进行网格化，将地图划分为面积相等的单元格；

步骤S300，基于预设的博弈信息类型数据，通过预设的事态评估权重，计算博弈双方对各单元格的控制力；

步骤S400，对每一个单元格，基于博弈双方控制力确定该单元格的归属权；基于各单元格的归属权绘制全局态势图。