游戏AI角色技能确定方法、装置、电子设备及存储介质与流程

游戏ai角色技能确定方法、装置、电子设备及存储介质
技术领域
1.本技术涉及虚拟ai技术领域，尤其涉及一种游戏ai角色技能确定方法、装置、电子设备及存储介质。


背景技术：

2.本部分旨在为权利要求书中陈述的本技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.现有游戏ai角色的技能或者铭文配置基本都是策划手动配置，或者使用数据统计分析出胜率最高的技能进行配置。无论是策划手动的配置或者采用胜率最高技能进行配置，不仅效率较低而且游戏ai角色的技能会显得较为死板无法表现多元化。作为玩家更希望游戏ai角色不要有可预计性，不仅能够在匹配不同游戏ai角色时各个游戏ai角色配置的技能不同，即使重复匹配相同的游戏ai角色每次各个游戏ai角色的技能配置仍有一定的合理变动，才能有较强的拟人化表现。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种游戏ai角色技能确定方法、装置、电子设备及存储介质。
5.基于上述目的，本技术提供了一种游戏ai角色技能确定方法，包括：
6.获取待运行的游戏角色集合，并将所述游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比，其中，所述游戏角色集合包括至少一个游戏ai角色；
7.将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型；
8.基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能。
9.在一些实施例中，所述每个游戏ai角色配置的技能至少包括第一类技能和第二类技能，所述第一类技能被配置的优先级高于所述第二类技能被配置的优先级；基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能，具体包括：
10.获取所述每个游戏ai角色的等级；
11.基于所述每个游戏ai角色的等级确定所述每个游戏ai角色可配置的所述第一类技能的第一数量；其中，不同的所述等级对应有不同的所述第一数量；
12.基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的被选择概率确定所述每个游戏ai角色配置的所述第一类技能。
13.在一些实施例中，基于所述每个游戏ai角色配置各个技能的概率确定所述每个游戏ai角色配置的技能，具体还包括：
14.基于所述每个游戏ai角色的等级确定所述每个游戏ai角色的可用技能点的总数量，其中，所述每个游戏ai角色每配置一个技能均需要消耗一定数量的技能点；
15.基于所述总数量与所述每个游戏ai角色配置的所有所述第一类技能消耗的技能点的数量确定所述每个游戏ai角色的可用技能点的剩余数量；
16.基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能。
17.在一些实施例中，基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的被选择概率确定所述每个游戏ai角色配置的所述第一类技能，具体包括：
18.获取所述每个游戏ai角色在历史数据中配置各个所述第一类技能的第一平均概率；
19.对于每个所述第一类技能，基于所述第一平均概率与所述第一类技能的被选择概率，确定所述第一类技能的综合被选择概率；
20.基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第一类技能。
21.在一些实施例中，通过以下公式确定所述第一类技能的综合被选择概率：
22.p
final(t1)
＝α1*p
states(t1)
β1*p
pid(t1)
；
23.其中，p
final(t1)
表示所述第一类技能的综合被选择概率，p
states(t1)
表示所述第一类技能的被选择概率，p
pid(t1)
表示所述第一平均概率，α1表示所述第一类技能的被选择概率的预设权重，β1表示所述第一平均概率的预设权重，α1》β1。
24.在一些实施例中，基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体包括：
25.获取所述每个游戏ai角色在历史数据中配置各个所述第二类技能的第二平均概率；
26.对于每个所述第二类技能，基于所述第二平均概率与所述第二类技能的被选择概率，确定所述第二类技能的综合被选择概率；
27.基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能。
28.在一些实施例中，通过以下公式确定所述第二类技能的综合被选择概率：
29.p
final(t2)
＝α2*p
states(t2)
β2*p
pid(t2)
；
30.其中，p
final(t2)
表示所述第二类技能的综合被选择概率，p
states(t2)
表示所述第二类技能的被选择概率，p
pid(t2)
表示所述第二平均概率，α2表示所述第二类技能的被选择概率的预设权重，β2表示所述第二平均概率的预设权重，α2》β2。
31.在一些实施例中，所述每个游戏ai角色配置的各个技能以树状结构排布，在所述树状结构中，每个子节点对应的技能被配置时需要先配置其父节点对应的技能，且根节点的所有子节点对应的技能均可以直接被配置，所有所述第一类技能均分布在叶节点上；基于所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体包括：
32.在所述树状结构中，确定当前所有可直接配置技能的节点；
33.从所述当前所有可直接配置技能的节点中确定代价最小的目标节点，其中，每个
节点的代价为该节点的父节点对应的技能的综合被选择概率与该节点对应的技能的综合被选择概率的差，所述根节点及所有在配置所述第一类技能时被配置的所述第二类技能对应的节点用于计算所述代价的综合被选择概率为1；
34.基于所述目标节点重新确定当前所有可直接配置技能的节点，从所述重新确定当前所有可直接配置技能的节点中再次确定所述目标节点，直到所述每个游戏ai角色的可用技能点的剩余数量被消耗完为止；
35.将所有的所述目标节点对应的所述第二类技能确定为所述每个游戏ai角色配置的所述第二类技能。
36.在一些实施例中，基于所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体还包括：
37.响应于确定任一节点对应的所述第二类技能与其子节点对应的所述第二类技能的功能相同且为该节点对应的所述第二类技能为该功能的最高等级，将该节点的代价调整为0。
38.在一些实施例中，在得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比之后，所述方法还包括：
39.对所述每个游戏ai角色的各个状态出现的时间占比从大到小进行排名，将排名处于预设范围的所述各个状态确定为所述每个游戏ai角色的主要状态，并将各个所述主要状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率。
40.基于同一发明构思，本技术示例性实施例还提供了一种游戏ai角色技能确定装置，包括：
41.状态模块，将游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比；
42.概率模块，将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型；
43.技能配置模块，基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能。
44.基于同一发明构思，本技术示例性实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器执行所述程序时实现如上所述的游戏ai角色技能确定方法。
45.基于同一发明构思，本技术示例性实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的游戏ai角色技能确定方法。
46.从上面所述可以看出，本技术提供的游戏ai角色技能确定方法，将游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比；将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型；基于所述每个游戏ai角色各个技能的被
选择概率确定所述每个游戏ai角色配置的技能，从而高效准确的确定出每个游戏ai角色配置的技能，在保证游戏ai角色胜率的同时使得游戏ai角色配置的技能更加多元化和拟人化。
附图说明
47.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1为本技术实施例的一种游戏ai角色技能确定方法的流程示意图；
49.图2为本技术实施例的一种通过状态推断模型得到每个游戏ai角色的各个状态出现的时间占比的流程示意图；
50.图3为本技术实施例的一种通过技能概率模型得到每个游戏ai角色各个技能的被选择概率的流程示意图；
51.图4为本技术实施例的一种游戏ai角色技能分布的树状结构的示意图；
52.图5为本技术实施例的一种游戏ai角色技能确定装置的结构示意图；
53.图6为本技术实施例的一种具体的电子设备的结构示意图。
具体实施方式
54.下面将参考若干示例性实施方式来描述本技术的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本技术，而并非以任何方式限制本技术的范围。相反，提供这些实施方式是为了使本技术更加透彻和完整，并且能够将本技术的范围完整地传达给本领域的技术人员。
55.根据本技术的实施方式，提出了一种游戏ai角色技能确定方法、装置、电子设备及存储介质。
56.在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
57.下面参考本技术的若干代表性实施方式，详细阐释本技术的原理和精神。
58.发明概述
59.现有技术中，大量的阵容中游戏ai角色的技能需要专业的策划手动进行配置，由于游戏ai角色在进行游戏时会出现很多种情况，而人工手动进行配置时不可能考虑到所有可能出现的情况，当遇到未考虑的情况时，容易让玩家感觉游戏ai角色配置的技能较为死板；当采用数据分析出胜率最高的技能进行配置，会导致游戏ai角色配置的技能较为单一，无法实现ai角色技能的拟人化与多元化。
60.为了解决上述问题，本技术提供了一种游戏ai角色技能确定方法，具体包括：
61.获取待运行的游戏角色集合，并将所述游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比；将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神
经网络模型为基准模型；基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能，由于采用贝叶斯神经网络模型作为基准模型所以训练技能概率模型的过程不会产生严重的过拟合，进而使技能概率模型输出的结果具有一定的灵活性，从而在保证游戏ai角色胜率的同时使得游戏ai角色配置的技能更加多元化和拟人化，同时，由于在一场游戏中每个游戏ai角色需要使用的技能与游戏ai角色的状态是息息相关的，例如，某游戏ai角色处于流血的状态，那么该游戏ai角色一定需要一个回血的技能，所以通过训练获得的状态推断模型确定每个游戏ai角色的各个状态出现的时间占比，并将该状态出现的时间占比作为技能概率模型的输入，可以进一步提高游戏ai角色的配置技能的准确性。
62.在介绍了本技术的基本原理之后，下面具体介绍本技术的各种非限制性实施方式。
63.应用场景总览
64.在一些具体的应用场景中，本技术的游戏ai角色技能确定方法可以应用于任何设置有游戏ai角色的系统中，该系统可以是游戏系统，也可以是动画系统，或者其他任何涉及到ai角色的系统。
65.在一些具体的应用场景中，本技术的游戏ai角色技能确定方法可以直接应用在本地运行，也可以在云端服务器中运行。当在云端服务器运行时，将获取的待处理数据通过网络发送到云端服务器，由服务器对待处理数据通过本技术的游戏ai角色技能确定方法进行处理，并将处理结果通过网络发送到本地。
66.下面结合具体的应用场景，来描述根据本技术示例性实施方式的游戏ai角色技能确定方法。需要注意的是，上述应用场景仅是为了便于理解本技术的精神和原理而示出，本技术的实施方式在此方面不受任何限制。相反，本技术的实施方式可以应用于适用的任何场景。
67.示例性方法
68.参考图1，本技术实施例提供了一种游戏ai角色技能确定方法，包括以下步骤：
69.s101，获取待运行的游戏角色集合，并将所述游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比，其中，所述游戏角色集合包括至少一个游戏ai角色。
70.具体实施时，先获取待运行的游戏角色集合，该游戏角色集合包括多个游戏ai角色，游戏ai角色的具体数量在此不做限定。其中，该游戏角色集合包括至少一个游戏ai角色。可选的，游戏角色集合可以包括游戏玩家角色，即由玩家用户控制的游戏角色，该游戏角色集合可以包括重复的游戏角色也可以包括不重复的游戏角色在此不做限定。在获取到待配置技能的游戏角色集合后，将所述游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比。该预设时间可以根据需要进行设置，如将该预设时间设置为半小时。可选的，可以参考历史游戏数据中一局游戏的时间来设置该预设时间。需要说明的是，每个游戏ai角色都有有多个状态，例如受伤流血、倒地、跑、走、跳、救人、被救等，当一个技能在游戏场内被运用的越多，这个天赋在玩家眼中越重要，也即这个技能的被选择概率越高。而技能在游戏场内的运用往往与游戏角色的状态息息相关，例如：技能天赋不屈不挠可以增加倒地自愈的速度以及移
动速度，该技能与倒地状态有关。因此，本技术先通过状态推断模型确定各个状态出现的时间占比。
71.需要说的是，训练状态推断模型时，选择一个现有的神经网络模型作为基准模型，然后通过大量的游戏数据对该基准模型进行训练，得到状态推断模型，输入的游戏数据包括多组游戏角色集合，每组游戏角色集合包括多个游戏角色，这些游戏角色可以是游戏ai角色，也可以是游戏玩家角色，在此不做限定。在将游戏角色集合输入到基准模型后，通过该游戏角色集合中各个游戏角色在游戏数据中对应的每种状态出现的时间占比，来对基准模型进行测试。
72.由于每个游戏ai角色的状态比较多，且这些状态出现的时间占比极为不均衡，也很多状态出现的时间极短甚是完全不会出现，因此，在训练状态推断模型时，可以从所有状态中选取出主要的目标状态，并控制状态推断模型的输出层使状态推断模型只输出所有目标状态各自出现的时间占比。
73.为了进一步提高模型的识别效率，一些实施例中，在得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比之后，所述方法还包括：
74.对所述每个游戏ai角色的各个状态出现的时间占比从大到小进行排名，将排名处于预设范围的所述各个状态确定为所述每个游戏ai角色的主要状态，并将各个所述主要状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率。其中，该预设范围可以根据需要进行设置，例如，可以将该预设范围设置为前1到40名。
75.参考图2，为一种通过状态推断模型得到每个游戏ai角色的各个状态出现的时间占比的流程示意图；其中，输入模型的游戏角色集合包括四个游戏ai角色，将这四个角色输入到状态推断模型(fc)中，就可以得到每个角色的各个状态出现的时间占比，需要说明的是，图中的状态推断模型(fc)输出的是每个游戏角色排名前40的状态各自的出现时间占比，在实际应用中每个游戏角色的状态的数量可以根据需要进行设置，在此不做限定。
76.s102，将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型。
77.具体实施时，在获取到每个游戏ai角色的各个状态出现的时间占比后，将每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率。
78.需要说明的是，在训练技能概率模型时，以贝叶斯神经网络模型为基准模型，由于贝叶斯神经网络模型输出的结果有一定的随机性，所以可以保证各个游戏ai角色在配置技能时更加的灵活。
79.参考图3，为一种通过技能概率模型得到每个游戏ai角色各个技能的被选择概率的流程示意图，其中，技能概率模型(bnn)的输入为图2中获得的四个游戏ai角色各自排名在前40的状态出现的时间占比，输出为四个游戏ai角色各自的n个技能的被选择概率，其中，n为正整数，具体数值可以根据需要进行设置，在此不做限定。
80.s103，基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能。
81.具体实施时，在得到每个游戏ai角色各个技能的被选择概率，就可以通过每个技能的被选择概率来确定每个游戏ai角色配置的技能。可选的，可以按照被选择概率的大小，从大到小给每个游戏ai角色配置对应的技能。
82.在一些实施例中，所述每个游戏ai角色配置的技能至少包括第一类技能和第二类技能，所述第一类技能被配置的优先级高于所述第二类技能被配置的优先级；基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能，具体包括：
83.获取所述每个游戏ai角色的等级；
84.基于所述每个游戏ai角色的等级确定所述每个游戏ai角色可配置的所述第一类技能的第一数量；其中，不同的所述等级对应有不同的所述第一数量；
85.基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的被选择概率确定所述每个游戏ai角色配置的所述第一类技能。
86.具体实施时，在一些实施例中，游戏ai角色的技能至少包括第一类技能和第二类技能，可选的，游戏ai角色的技能还可以包括除第一类技能和第二类技能之外的其他类技能，所述其他类技能的优先级可以根据需要进行设置，在此不做限定。第一类技能可以理解为更厉害的“大技能”，因此会被每个角色优先配置，但是每个角色可以配置第一类技能的数量是有限的，具体数量由每个游戏ai角色的等级来决定，一般而言，游戏ai角色等级越高可以配备的第一类技能也越多，例如，某游戏ai角色的等级从低到高被分为新手、专家和大师三个等级，那么新手对应的第一类技能的数量可以是1，专家对应的第一类技能的数量可以是2，大师对应的第一类技能的数量可是3。在获得游戏ai角色的等级之后就可以根据该等级确定每个游戏ai角色可以配置的第一类技能的第一数量，在获取该第一数量后，根据该数量从各个所述第一类技能的被选择概率确定所述每个游戏ai角色应该配置的所述第一类技能。例如，某游戏ai角色的等级为专家，那么该游戏ai角色可以被配置2个第一类技能，然后从所有的第一类技能中选择出概率排名第一和第二的两个第一类技能作为该游戏ai角色配置的第一类技能。
87.在一些实施例中，基于所述每个游戏ai角色配置各个技能的概率确定所述每个游戏ai角色配置的技能，具体还包括：
88.基于所述每个游戏ai角色的等级确定所述每个游戏ai角色的可用技能点的总数量，其中，所述每个游戏ai角色每配置一个技能均需要消耗一定数量的技能点；
89.基于所述总数量与所述每个游戏ai角色配置的所有所述第一类技能消耗的技能点的数量确定所述每个游戏ai角色的可用技能点的剩余数量；
90.基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能。
91.具体实施时，在一些实施例中，每个游戏ai角色都有一个可用技能点的总数量，该总数量决定了每个游戏ai角色可以配置多少个技能。其中，该总数量由游戏ai角色的等级决定，一般而言，游戏ai角色等级越高对应的可用技能点的总数量越高，具体每个等级对应的可用技能点的总数量可以根据需要进行设置，在此不做限定。所述每个游戏ai角色每配置一个技能均需要消耗一定数量的技能点，该具体消耗的技能点的数量可以根据需要进设置，可选的，同一类技能消耗的技能点的数量可以相同也可以不相同。由于每个游戏ai角色都会优先配置第一类技能，所以配置完第一类技能后，就可以根据每个游戏ai角色可用技
能点的总数量与第一类技能已经消耗的技能点的数量，得到每个游戏ai角色的可用技能点的剩余数量，该剩余数量用于确定每个游戏ai角色还可以再配置多少第二类技能。在确定了该剩余数量后，就可以根据该剩余数量与每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能。可选的，可以根据各个所述第二类技能的被选择概率，从大到小依次给游戏ai角色配置第二类技能，直到所述剩余数量为0或剩余数量不足以配置任何一个技能为止。
92.为了更准确的给每个游戏ai角色配置的第一类技能，在一些实施例中，基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的被选择概率确定所述每个游戏ai角色配置的所述第一类技能，具体包括：
93.获取所述每个游戏ai角色在历史数据中配置各个所述第一类技能的第一平均概率；
94.对于每个所述第一类技能，基于所述第一平均概率与所述第一类技能的被选择概率，确定所述第一类技能的综合被选择概率；
95.基于所述第一数量与所述每个游戏ai角色的各个所述第一类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第一类技能。
96.在一些实施例中，通过以下公式确定所述第一类技能的综合被选择概率：
97.p
finar(t1)
＝α1*p
states(t1)
β1*p
pid(t1)
；
98.其中，p
final(t1)
表示所述第一类技能的综合被选择概率，p
states(t1)
表示所述第一类技能的被选择概率，p
pid(t1)
表示所述第一平均概率，α1表示所述第一类技能的被选择概率的预设权重，β1表示所述第一平均概率的预设权重，α1》β1。
99.需要说明的是，α1和β1均可以根据需要进行设置，具体数值不做限定。
100.在一些实施例中，基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体包括：
101.获取所述每个游戏ai角色在历史数据中配置各个所述第二类技能的第二平均概率；
102.对于每个所述第二类技能，基于所述第二平均概率与所述第二类技能的被选择概率，确定所述第二类技能的综合被选择概率；
103.基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能。
104.为了更准确的给每个游戏ai角色配置的第二类技能，在一些实施例中，基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体包括：
105.获取所述每个游戏ai角色在历史数据中配置各个所述第二类技能的第二平均概率；
106.对于每个所述第二类技能，基于所述第二平均概率与所述第二类技能的被选择概率，确定所述第二类技能的综合被选择概率；
107.基于所述剩余数量与所述每个游戏ai角色的各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能。
108.在一些实施例中，通过以下公式确定所述第二类技能的综合被选择概率：
109.p
final(t2)
＝α2*p
slates(t2)
β2*p
pid
ꢀꢀ
(t2)；
110.其中，p
final(t2)
表示所述第二类技能的综合被选择概率，p
states(t2)
表示所述第二类技能的被选择概率，p
pid(t2)
表示所述第二平均概率，α2表示所述第二类技能的被选择概率的预设权重，β2表示所述第二平均概率的预设权重，α2》β2。
111.需要说明的是，α2和β2均可以根据需要进行设置，具体数值不做限定。
112.在一些实施例中，所述每个游戏ai角色配置的各个技能以树状结构排布，在所述树状结构中，每个子节点对应的技能被配置时需要先配置其父节点对应的技能，且根节点的所有子节点对应的技能均可以直接被配置，所有所述第一类技能均分布在叶节点上；基于所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体包括：
113.在所述树状结构中，确定当前所有可直接配置技能的节点；
114.从所述当前所有可直接配置技能的节点中确定代价最小的目标节点，其中，每个节点的代价为该节点的父节点对应的技能的综合被选择概率与该节点对应的技能的综合被选择概率的差，所述根节点及所有在配置所述第一类技能时被配置的所述第二类技能对应的节点用于计算所述代价的综合被选择概率为1；
115.基于所述目标节点重新确定当前所有可直接配置技能的节点，从所述重新确定当前所有可直接配置技能的节点中再次确定所述目标节点，直到所述每个游戏ai角色的可用技能点的剩余数量被消耗完为止；
116.将所有的所述目标节点对应的所述第二类技能确定为所述每个游戏ai角色配置的所述第二类技能。
117.具体实施时，参考图4，为一种游戏ai角色技能分布的树状结构，其中，source为根节点，可选的，该根节点可以配置技能，也可以不配置技能，在此不做限定，例如，图4中的根节点没有配置技能。
118.为了方便了理解，图4中技能x为第一类技能，其他技能均为第二类技能，由于在所述树状结构中，每个子节点对应的技能被配置时需要先配置其父节点对应的技能，所以在配置技能x时，从根节点开始经过的技能a、技能b1、技能b2
……
及技能n都会被配置。需要说明的是，本实施例中，通过所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能，这里确定的第二类技能主要指用剩余数量的可用技能点确定的第二类技能，这些由所述剩余数量确定出的第二类技能与配置第一类技能时确定的第二类技能合并在一起，就组成了每个角色配置的所有的第二类技能。在基于所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能时，需要在所述树状结构中，先确定当前所有可直接配置技能的节点，例如，图4中的，技能e、技能h、技能p以及技能d对应的节点都是当前可直接配置技能的节点，然后从这些节点中确定代价最小的目标节点，每个节点的代价为该节点的父节点对应的技能的综合被选择概率与该节点对应的技能的综合被选择概率的差。由于根节点没有配置技能，且技能a、技能b1、技能b2
……
及技能n在配置技能x时已经被配置，所以这些技能对应的节点用于计算所述代价的综合被选择概率为1。在第一次确定目标节点后，由于该目标节点的子节点对应的技能也可以直接被配置，需要重新确定当前所有可直接配置技能的节点，例如，技能d对应的节点为第一确定的
目标节点，那么此时可直接配置的技能为技能e、技能h、技能p、技能g1以及技能f1，然后从这些可直接配置的技能对应的节点再次确定目标节点，重复上述确定目标节点的过程，直到所有每个游戏ai角色的可用技能点的剩余数量被消耗完为止，最后将所有的所述目标节点对应的所述第二类技能确定为所述每个游戏ai角色配置的所述第二类技能，这样可以保证游戏ai角色在确定第二类技能时，即配置了自己需要的技能又可以尽可能的配置更多的第二类技能。
119.需要说明的是，每个节点的代价为该节点的父节点对应的技能的综合被选择概率与该节点对应的技能的综合被选择概率的差，例如图4中，技能g1对应的节点的代价为技能d的综合被选择概率减去技能g1的综合被选择概率。由于根节点source用于计算代价的综合被选择概率设置为1，所以技能e对应的节点的代价为1减去技能e的综合被选择概率。
120.在一些实施例中，基于所述剩余数量与所述每个游戏ai角色配置各个所述第二类技能的综合被选择概率确定所述每个游戏ai角色配置的所述第二类技能，具体还包括：
121.响应于确定任一节点对应的所述第二类技能与其子节点对应的所述第二类技能的功能相同且该节点对应的所述第二类技能为该功能的最高等级，将该节点的代价调整为0。
122.具体实施时，每个第二类技能可能有多个等级，例如，图4中，技能g2和技能g3都属于技能g即二者功能相同，假设技能g为回血，那么技能g2和g3的功能都是给游戏玩家回血，但是g3由于等级更高且是回血里面的最高等级，所以回血效果要比g2好很多。所以这时在游戏角色已经配置了技能g2后，一般都会顺便配置技能g3。因此，当确定任一节点对应的所述第二类技能与其子节点对应的所述第二类技能的功能相同且该节点对应的所述第二类技能为该功能的最高等级，将该节点的代价调整为0，以便优先配置该节点对应的所述第二类技能。
123.本技术提供的游戏ai角色技能确定方法，将游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比；将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型；基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能，从而高效准确的确定出每个游戏ai角色配置的技能，在保证游戏ai角色胜率的同时使得游戏ai角色配置的技能更加多元化和拟人化。
124.示例性设备
125.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种游戏ai角色技能确定装置。
126.参考图5，所述游戏ai角色技能确定装置，包括：
127.状态模块501，获取待运行的游戏角色集合，并将所述游戏角色集合输入到训练获得的状态推断模型中，得到在预设时间内所述游戏角色集合中每个游戏ai角色的各个状态出现的时间占比，其中，所述游戏角色集合包括至少一个游戏ai角色；
128.概率模块502，将所述每个游戏ai角色的各个状态出现的时间占比输入到训练获得的技能概率模型中，得到所述每个游戏ai角色各个技能的被选择概率；其中，所述技能概率模型以贝叶斯神经网络模型为基准模型；
129.技能配置模块503，基于所述每个游戏ai角色各个技能的被选择概率确定所述每个游戏ai角色配置的技能。
130.为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
131.上述实施例的装置用于实现前述任一实施例中相应的一种游戏ai角色技能确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
132.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的一种游戏ai角色技能确定方法。
133.图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
134.处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
135.存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
136.输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
137.通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
138.总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
139.需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
140.上述实施例的电子设备用于实现前述任一实施例中相应的一种游戏ai角色技能确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
141.示例性程序产品
142.基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指
令用于使所述计算机执行如上任一实施例所述的一种游戏ai角色技能确定方法。
143.本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
144.上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的一种游戏ai角色技能确定方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
145.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
146.另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
147.尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
148.本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。