[发明专利]一种多复合任务执行的控制方法、装置、设备及存储介质

权利要求书

1.一种多复合任务执行的控制方法，其特征在于，所述方法包括：

将待决策任务的当前环境信息输入至决策模型中，经过所述决策模型的处理后，输出所述待决策任务对应的多个子策略以及所述多个子策略分别对应的权重系数；其中，所述待决策任务属于包含多个子任务的多复合任务，所述子任务与所述子策略具有一一对应关系；

基于所述多个子策略分别对应的权重系数，对所述多个子策略进行加权求和，得到所述待决策任务的决策信息；其中，所述决策信息用于控制所述待决策任务的执行。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在将所述决策信息作用于所述待决策任务的所述当前环境信息对应的环境后，获取来自所述环境的反馈奖励；其中，所述反馈奖励包括多个子奖励，所述子奖励与所述子策略具有对应关系；

基于所述多个子策略分别对应的权重系数，对所述多个子奖励进行加权求和，得到所述决策信息对应的总奖励；

基于所述总奖励，对所述决策模型中的参数进行优化。

3.根据权利要求2所述的方法，其特征在于，所述方法应用于中央处理器CPU，所述方法还包括：

建立所述待决策任务的所述当前环境信息、所述决策信息和所述决策信息对应的总奖励之间的对应关系；

相应的，所述基于所述总奖励，对所述决策模型中的参数进行优化，包括：

将所述对应关系发送至模型优化微型处理器GPU；其中，所述模型优化GPU上部署有待优化决策模型，所述模型优化GPU用于基于所述对应关系对所述待优化决策模型中的参数进行优化，得到优化后参数，所述待优化决策模型与所述决策模型具有对应关系；

接收来自所述模型优化GPU的所述优化后参数，并基于所述优化后参数，对所述CPU上的所述决策模型中的参数进行更新。

4.根据权利要求1所述的方法，其特征在于，所述决策模型包括多个子策略模型和权重模型；

所述将待决策任务的当前环境信息输入至决策模型中，经过所述决策模型的处理后，输出所述待决策任务对应的多个子策略以及所述多个子策略分别对应的权重系数，包括：

将待决策任务的当前环境信息输入至所述多个子策略模型和所述权重模型；

经过所述多个子策略模型处理后，输出所述待决策任务对应的多个子策略；

以及，经过所述权重模型处理后，输出所述多个子策略分别对应的权重系数。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

利用元梯度算法对所述权重模型中的参数进行优化。

6.根据权利要求1所述的方法，其特征在于，所述将待决策任务的当前环境信息输入至决策模型中之前，还包括：

从待决策任务所处的当前环境中，获取所述待决策任务的当前环境信息。

7.根据权利要求1所述的方法，其特征在于，所述将待决策任务的当前环境信息输入至决策模型中之前，还包括：

利用信息编码网络对所述当前环境信息进行精炼处理。

8.根据权利要求1所述的方法，其特征在于，所述方法应用于网络游戏中，所述待决策任务为所述网络游戏中的下一步动作，所述决策模型包括导航策略网络、战斗策略网络和高层策略网络；

所述将待决策任务的当前环境信息输入至决策模型中，经过所述决策模型的处理后，输出所述待决策任务对应的多个子策略以及所述多个子策略分别对应的权重系数，包括：

将当前摄像机信息输入至所述决策模型中，经过所述决策模型中的所述导航策略网络、所述战斗策略网络和所述高层策略网络的处理后，由所述导航策略网络输出导航子策略，由所述战斗策略网络输出战斗子策略，以及由所述高层策略网络输出所述导航子策略和所述战斗子策略分别对应的权重系数；

相应的，所述基于所述多个子策略分别对应的权重系数，对所述多个子策略进行加权求和，得到所述待决策任务的决策信息，包括：

基于所述导航子策略和所述战斗子策略分别对应的权重系数，对所述导航子策略和所述战斗子策略进行加权求和，得到所述下一步动作的决策信息。