本發明涉及手機游戲復雜場景操作領域，尤其涉及一種基于多任務學習的手機游戲復雜場景自適應操作方法。

背景技術：

1、隨著移動互聯網的飛速發展，手機游戲已經成為現代人日常娛樂生活的重要組成部分。尤其是在智能手機硬件性能不斷提升的今天，手機游戲的種類和復雜性也愈發多樣化。許多手機游戲不僅僅依賴于玩家的操作技能，還涉及到復雜的游戲場景、任務分配、實時反饋和策略調整等要素。為了提供更加智能化、個性化的游戲體驗，近年來，越來越多的研究開始探索如何利用人工智能、深度學習等技術來增強游戲中的自適應操作能力。

2、傳統的手機游戲控制方式往往依賴于玩家的直覺操作，游戲中的復雜場景和任務通常由固定的規則和手動設置的控制方式來處理。比如，游戲中的角色或對象的動作往往是預定的或通過簡單的規則來實現，這種方法雖然簡單有效，但對于復雜、多變的游戲環境而言，其適應性和靈活性較差。此外，隨著手機游戲場景的復雜度不斷增加，玩家在進行操作時，不僅需要考慮實時的視覺信息，還需要根據不斷變化的任務需求和游戲規則進行決策，這使得傳統的操作方式逐漸顯得力不從心。

3、為了解決這一問題，一些研究者開始嘗試引入深度學習和強化學習等先進技術，利用大數據分析和智能算法自動優化操作行為。深度學習通過對海量數據的訓練，能夠在一定程度上模仿人類的決策過程，并根據環境的變化進行自主調整。強化學習尤其適合于處理決策問題，通過對狀態空間和動作空間的探索，可以不斷優化策略。然而，現有的深度學習和強化學習應用往往存在一些局限性。首先，許多應用側重于單一任務的優化，對于復雜場景下的多個任務和多個目標的協調優化處理不足。其次，現有方法通常依賴于單一模態的數據進行學習和決策，這種方法往往忽略了游戲操作中的多模態信息(如視覺信息、操作記錄和游戲規則等)的協同作用，難以全面提升游戲操作的智能性和適應性。

4、目前，基于深度學習和強化學習的手機游戲自適應操作方法，大多數研究聚焦于某一特定任務或特定類型的操作場景。例如，某些研究利用圖像處理技術進行游戲畫面分析，通過檢測敵人或目標物體的位置來進行自動瞄準或避障操作。另一些研究則專注于通過強化學習訓練智能體，在單一任務或較為簡單的環境下進行策略優化。這些方法雖然能夠在一定程度上提升游戲操作的智能化水平，但往往面臨以下幾個問題：首先，復雜的手機游戲場景中不僅包含多個目標任務，還涉及到任務之間的依賴關系和相互制約，因此，如何在復雜的任務依賴圖中進行有效的任務優化是一個亟待解決的問題。其次，現有技術通常僅通過單一模態(例如視覺信息或操作記錄)進行學習和預測，缺乏對多模態信息的有效融合和優化，導致系統在復雜環境下的適應性較差。再次，雖然強化學習可以幫助智能體根據反饋進行策略調整，但現有方法在多任務場景下的資源分配和任務優先級的調整仍顯得過于簡單，無法動態應對復雜場景下的實時變化。

5、此外，傳統的深度學習和強化學習方法大多采用固定的損失函數和優化策略，缺乏對不同任務、不同場景下權重的動態調整機制。在復雜的手機游戲場景中，任務之間往往存在著依賴、競爭甚至互斥關系，如何合理調整任務之間的損失權重、優化資源分配和動態調整任務優先級，是提升游戲操作性能和智能化程度的關鍵。然而，現有技術并未充分解決這一問題?，F有的強化學習方法大多忽視了任務之間的這種復雜關系，導致系統無法根據任務的緊急程度、重要性或可執行性動態調整資源分配和操作策略，難以在復雜的多任務環境中做到靈活、有效的自適應操作。

6、因此，針對當前技術的局限性，亟需一種新的方法，能夠在多任務學習的框架下，綜合考慮任務間的關系、視覺信息、操作記錄和游戲規則等多種信息來源，優化游戲中的操作策略和任務執行，尤其是在任務之間存在復雜的依賴、互斥和并行關系時，如何通過智能算法動態調整任務優先級、資源分配和操作策略，是提升手機游戲操作智能化水平的關鍵。

技術實現思路

1、本發明的一個目的在于提出一種基于多任務學習的手機游戲復雜場景自適應操作方法，本發明結合多模態數據融合、多任務學習和強化學習技術，優化了復雜手機游戲場景中的操作策略，通過精確提取操作記錄、視覺信息和游戲規則，生成任務圖并動態調整任務優先級，提升了任務協調和資源分配效率。

2、根據本發明實施例的一種基于多任務學習的手機游戲復雜場景自適應操作方法，包括如下步驟：

3、s1、對手機游戲復雜場景中的數據進行采集，提取操作記錄、視覺信息和游戲規則，并對數據進行預處理，生成原始多模態數據集；

4、s2、基于原始多模態數據集，構建多模態特征提取網絡，提取視覺特征、操作行為特征和規則特征，并通過視覺特征中的空間關系、規則特征中的任務約束和操作行為特征中的操作邏輯生成任務圖；

5、s3、對視覺特征、操作行為特征和規則特征進行增強處理，采用改進的對比學習方法優化操作行為特征表達，并結合多視角融合技術和嵌入式編碼方法分別優化視覺特征和規則特征，對優化后的特征進行特征融合生成多模態特征；

6、s4、將多模態特征和任務圖作為輸入，構建多任務學習模型，優化任務特征，結合動態權重分配機制調整任務損失權重，生成任務優先級；

7、s5、基于任務優先級，根據優化后的任務特征對任務圖中具有依賴關系的任務，利用遞歸優化方法進行統一優化，生成全局任務優化結果；

8、s6、以全局任務優化結果為輸入，結合模擬環境中的光照參數、障礙參數和延遲參數，通過基于actor-critic架構的強化學習模型優化全局任務策略與局部場景策略。

9、可選的，所述s2具體包括：

10、s21、構建多模態特征提取網絡，所述多模態提取網絡由雙向長短期記憶網絡、resnet34網絡和多層感知機組成；

11、s22、利用雙向長短期記憶網絡對操作記錄進行提取，生成操作行為特征：

12、fop＝flstm(xop)；

13、其中，fop表示操作行為特征，xop表示操作記錄，flstm表示雙向長短期記憶網絡；

14、s23、對視覺信息，采用resnet34網絡提取圖像中的空間特征，生成視覺特征：

15、fvis＝fcnn(xvis)；

16、其中，fvis表示視覺特征，xvis表示視覺信息，fcnn表示resnet34網絡；

17、s24、對游戲規則，通過多層感知機對規則邏輯進行嵌入式表達，生成規則特征：

18、frule＝fmlp(xrule)；

19、其中，frule表示規則特征，xrule表示游戲規則，fmlp表示多層感知機；

20、s25、分析視覺特征中的空間關系、規則特征中的任務約束及操作行為特征中的操作邏輯，生成任務圖，所述任務圖描述任務之間的依賴關系、并行關系和互斥關系。

21、可選的，所述s3具體包括：

22、s31、采用改進的對比學習方法優化操作行為特征的表達；

23、s32、采用多視角融合技術對視覺特征進行優化，構建每個視角的視覺特征，對每個視角特征進行加權融合，生成優化后的視覺特征：

24、

25、其中，表示優化后的視覺特征，αm表示第m個視角的權重，表示第m個視角的視覺特征，m表示視角的個數，w表示可訓練參數，表示第j個視角的視覺特征，exp表示自然指數函數；

26、s33、對規則特征進行處理，利用嵌入式編碼方法優化規則特征，生成優化后的規則特征；

27、s34、對優化后的特征進行特征融合，采用自注意力機制計算特征的重要性權重，計算每一特征的權重矩陣：

28、

29、其中，wi表示特征i的權重矩陣，qi和ki分別表示特征向量的查詢和鍵映射，d表示特征維度，t表示轉置操作，softmax表示歸一化函數；

30、s36、生成多模態特征：

31、

32、其中，表示多模態特征，vi表示特征向量的值映射，n表示模態數量。

33、可選的，所述s31具體包括：

34、s311、基于操作行為特征fop，構建對比學習樣本對，所述對比學習樣本對包括正樣本對和負樣本對并從負樣本集合中篩選與正樣本特征最相似的硬負樣本，形成負樣本索引集合h(i)；

35、s312、使用主編碼器和動量編碼器對操作行為特征fop進行特征投影，通過優化動量編碼器的權重生成穩定特征表示zop：

36、θ′＝mθ′+(1-m)θ；

37、其中，θ'表示動量編碼器權重，θ表示主編碼器權重，m表示動量系數；

38、s313、根據穩定特征表示zop計算正負樣本對的對稱對比損失，包括正向相似性優化和反向相似性優化：

39、

40、其中，lsym表示正負樣本對的對稱對比損失，lop表示單向對比損失，表示動量編碼器生成的正樣本特征表示，表示動量編碼器生成的反向正樣本特征表示，表示動量編碼器生成的負樣本特征表示，sim表示余弦相似度函數，τ表示溫度系數，h(i)表示負樣本索引集合，和表示動量編碼器生成的特征表示；

41、s314、對操作行為特征fop進行多尺度特征提取，生成不同尺度的操作行為特征表示分別計算各尺度的對稱對比損失并求和：

42、

43、其中，lmulti多尺度對比學習總損失，表示第s個尺度的操作行為特征表示，p表示特征尺度的總數量；

44、s315、通過最小化多尺度對比學習總損失，生成優化后的操作行為特征

45、可選的，所述s4具體包括：

46、s41、構建多任務學習模型，將多模態特征輸入共享特征提取網絡提取共享特征，所述多任務學習模型包括共享特征提取網絡和任務分支網絡，所述共享特征提取網絡由多層卷積神經網絡構成，所述任務分支網絡由淺層卷積神經網絡構成；

47、s42、根據任務圖中的任務節點，為每個任務構建獨立的任務分支網絡，通過任務分支網絡提取任務特征；

48、s43、根據任務圖中任務之間的依賴、競爭或互斥關系，通過共享特征的關聯性對任務特征進行調整：

49、

50、rij＝1-mutex(ti,tj)；

51、其中，表示經過共享特征調整的任務特征，rij表示抑制因子，wp、ws和wk分別表示父任務、共享特征和子任務的加權參數，用于控制特征對調整的貢獻，ci表示子任務集合，pi表示父任務集合，fshared表示共享特征，和分別表示父任務的特定特征和子任務的特定特征，mutex(ti,tj)表示任務ti和tj的互斥關系；

52、s43、根據任務圖和調整后的任務特征，為每個任務計算即時效用；

53、s44、根據即時效用動態調整任務損失權重：

54、

55、其中，wi表示損失權重，∈表示防止分母為零的平滑因子，ui和uj分別表示任務ti和tj即時效用；

56、s45、根據任務圖提取任務間依賴關系，為每個任務構建依賴鏈，從父任務到子任務遞歸優化依賴鏈，更新嵌套模型的特征：

57、

58、其中，fnested(ti)表示任務ti的嵌套優化特征，fnested表示嵌套優化函數，和表示任務特征；

59、s46、根據即時效用和任務間依賴關系生成任務優先級。

60、可選的，所述s5具體包括：

61、s51、根據任務圖，提取與任務存在互斥關系的任務集合，對任務的嵌套特征引入互斥約束，通過互斥優化函數調整任務特征：

62、

63、其中，fmutex表示互斥優化函數，fnested(ti)表示任務ti的優化特征，fnested(tk)表示互斥任務的優化特征，sim表示余弦相似度函數，λ表示互斥約束的權重系數，用于控制懲罰項的強度，mutex(ti)表示互斥任務集合；

64、s52、根據任務圖，提取可以并行執行的任務集合，基于并行任務集合的嵌套特征，構建全局一致性優化目標，對并行任務集合的特征進行聯合優化，更新任務特征：

65、

66、其中，lparallel表示全局一致性優化目標函數，parallel(ti)表示并行任務集合，fnested(tk)表示互斥任務的優化特征，sim表示余弦相似度函數，fshared示共享特征，表示任務之間共享的信息；

67、s53、根據任務圖和任務優先級計算任務的資源需求，根據任務優先級和資源需求動態調整資源分配權重，生成全局任務優化結果。

68、可選的，所述s6具體包括：

69、s61、構建基于actor-critic架構的強化學習模型，將全局任務優化結果和環境參數作為輸入，生成統一狀態特征：

70、hti＝relu(wt·fnested(ti)+bt)；

71、

72、henv＝relu(we·eenv+be)；

73、

74、其中，hti表示嵌入后的任務特征，fnested(ti)表示任務ti的嵌套優化特征，hglobal表示全局任務特征，k表示任務數量，eenv表示環境參數集合，henv表示全局環境特征，s表示統一狀態特征，wt、we和wf分別表示任務嵌入、環境嵌入和特征融合的權重，bt、be和bf分別表示對應的偏置，μ和σ表示歸一化參數；

75、s62、通過actor網絡輸出策略：

76、π(a|s)＝softmax(wactor·s+bactor)；

77、其中，π(a|s)表示輸出策略，wactor和bactor分別表示actor網絡的權重和偏置；

78、s63、通過critic網絡生成狀態值函數：

79、v(s)＝wcritic·s+bcritic；

80、其中，v(s)表示狀態值函數，wcritic和bcritic分別表示critic網絡的權重和偏置；

81、s64、優化全局任務策略，通過即時獎勵和累計回報計算優勢函數，更新actor網絡參數，通過最小化critic網絡損失函數更新critic網絡參數：

82、

83、a(s,a)＝rt-v(s)；

84、

85、其中，rt表示累計回報，γ表示折扣因子，rt表示即時獎勵，a(s,a)表示全局優勢函數，α表示學習率，θactor表示actor網絡參數，表示參數θactor的梯度，lcritic表示critic網絡損失函數，θcritic表示critic網絡參數，表示參數θcritic的梯度；

86、s65、提取環境參數的局部狀態特征，通過優化局部策略損失函數，生成局部場景策略：

87、

88、πlocal(a|s)＝softmax(wactor-local·slocal+bactor-local)；

89、llocal＝-log2πlocal(a|s)·alocal(s,a)；

90、其中，hl表示光照特征，ho表示整體障礙特征，hd表示延遲特征，μ和σ表示歸一化參數，slocal表示局部狀態特征，wf和bf分別表示融合網絡的權重和偏置，[hl,ho,hd]表示將hl、ho和hd進行拼接，llocal表示局部策略損失函數，alocal(s,a)表示局部優勢函數，πlocal(a|s)表示局部場景策略，wactor-local和bactor-local分別表示在環境參數情況下的actor網絡的權重和偏置；

91、s66、輸出優化后的全局任務策略和局部場景策略。

92、本發明的有益效果是：

93、首先，本發明通過構建多模態特征提取網絡，并結合改進的對比學習方法和多視角融合技術，對不同模態的數據進行了深入挖掘與優化。這種方法不僅能夠有效提升操作行為特征、視覺特征和規則特征的表達能力，還能夠更好地捕捉游戲場景中的細節和復雜性。通過融合多模態信息，系統能夠更加全面地理解游戲環境，進而做出更加合理的決策。這種對多模態數據的智能融合極大提升了游戲操作的精確度，能夠應對不同類型、不同復雜度的游戲任務，使得系統在各種復雜場景下都能自適應調整操作策略，從而優化玩家的游戲體驗。

94、其次，本發明創新性地引入了基于任務圖的多任務學習框架，通過動態權重分配機制，優化了任務特征的處理。任務圖能夠準確描述游戲中的任務關系，包括任務之間的依賴、互斥及并行關系。通過這一機制，系統不僅能夠合理分配資源，還能夠根據任務的優先級、緊急程度和資源需求進行優化。這意味著，系統能夠在不同的任務之間進行合理調度，確保關鍵任務能夠優先得到處理，而不會被低優先級任務的執行所干擾。動態調整任務優先級和資源分配，使得多任務場景下的操作更加高效，減少了任務沖突和資源浪費，從而提升了系統整體的工作效率。

95、另外，本發明采用了基于actor-critic架構的強化學習模型，不僅能夠優化全局任務策略，還能夠在局部場景下針對光照、障礙物、延遲等環境因素進行策略優化。通過不斷學習和調整，系統能夠根據當前環境的變化靈活應對，確保在復雜多變的游戲場景中始終保持高效、精準的操作。與傳統的靜態規則或預定策略不同，強化學習模型能夠根據玩家的行為和環境的變化，實時調整策略，實現真正的自適應操作。

96、最后，本發明能夠在實際應用中大大提高游戲操作的智能化和自適應性，不僅優化了游戲任務的執行效率，還增強了玩家的互動體驗。例如，在多任務并行執行的場景下，系統能夠合理地調度操作任務，避免因任務間的沖突而導致操作效率下降；在動態變化的環境中，系統能夠根據環境變化實時調整操作策略，確保任務能夠順利執行。更重要的是，系統能夠根據玩家的行為和游戲場景的反饋，逐步優化任務執行策略，提供個性化的操作方案，從而提升玩家的沉浸感和操作的舒適度。