[发明专利]一种游戏用户控制等级分配方法

权利要求书

1.一种元宇宙游戏用户控制等级分配方法，其特征在于，包括有：步骤一：所述元宇宙游戏用户控制等级分配方法将元贡献激励分为长期元贡献元素激励和短期元贡献元素激励，用循环递归判断步骤判断元贡献激励获得者在元宇宙游戏在游戏普及使用率覆盖率达到一定阈值下，元数据提供者所花费费用金额最小，循环递归判断步骤包括有：先设定当事先准备好的策略最大化查询到的元贡献激励获得者分布的均匀程度，设定分布的均匀程度越小，从而得到的对元贡献激励获得者的信息收集的分布更广，结果更精确，并且信息收集要通过步骤一得到的元贡献激励获得者分布的均匀程度判断出不同的粗粒度，通过粗粒度应用于较小数量的数据查询；步骤二、在步骤一中，先收集2613个大区域的数据,每个时间段只需查询3200个数据，这样可以用最小化花费费用招募得到元贡献激励获得者，然后将信息收集的目标改为最小化查询到的信息收集的数量，并设定三个不同的判断标准，分别为A层粒度信息熵、B层粒度信息熵、C层粒度信息熵，所述粒度信息熵用于判断是否接近目标的标准，即要求判断标准在所有三个不同的判断标准下的粒度信息熵都取得接近最大的目标,并且要求粒度信息熵的层次最大、粒度信息熵的的层次离散系数最小、粒度信息熵的层次覆盖率最大、粒度信息熵的层次之间的平均最短距离最小，从而可以判断信息收集接近目标的效果最好；步骤二，在步骤一的结果上，判断留存的元贡献激励获得者招集是否不足，然后开始判断潜在的元贡献激励获得者与留存的元贡献激励获得者的对比，根据指标筛选更符合环境的潜在的元贡献激励获得者进入候选，然后开始潜在的元贡献激励获得者与留存的元贡献激励获得者的数据结合；步骤二中的对比指标有粒度信息熵的层次层次的标准差的数值、层次覆盖率；信息收集开始之后，对申请加入的潜在的元贡献激励获得者进行提前登记,而不考虑信息收集开始运行后实时申请加入的潜在的元贡献激励获得者，如果有需要的话，采用步骤三实现中信息收集开始后实时申请加入的潜在的元贡献激励获得者的加入过程，步骤三、设定参数为在信息收集开始之前申请加入的潜在的元贡献激励获得者的数量占潜在的元贡献激励获得者与留存的元贡献激励获得者的总数量的固定比例，并通过概率方法进行调整，设定为招募一或多个潜在的元贡献激励获得者后元数据提供者能够完成信息收集的概率,概率的取值范围为0到1之间，当概率＝1和固定比例＝1的情况，元数据提供者对潜在的元贡献激励获得者与留存的元贡献激励获得者达到需要的目标，则固定概率＝1,研究固定比例变化对潜在的元贡献激励获得者寻找的影响；步骤四、通过参数为信息收集开始后，接收实时申请加入的潜在的元贡献激励获得者，当申请加入的潜在的元贡献激励获得者无法完成信息收集时，由于信息收集已经开始,若无法调整现有的申请加入的潜在的元贡献激励获得者，则判定无法进行有效申请加入；步骤五、若元数据提供者判定申请加入的潜在的元贡献激励获得者的质量不断减低，离散系数不断增大、覆盖率不断降低，这说明完成信息收集的概率越低,申请加入的潜在的元贡献激励获得者对完成元数据提供者想要达到的目标越差,元数据提供者需要做出及时的调整；步骤六、设定潜在的元贡献激励获得者的质量，包括用户身份的覆盖率；步骤七、在给定的元贡献激励获得者的覆盖率前提下，通过用户身份的覆盖率完成判断最小化所需要的费用，通过设定用户身份的覆盖率开始对未来元数据提供的质量的推断，以使用评估潜在的元贡献激励获得者的加入对信息收信的数据质量的推断，从而查询部分潜在的元贡献激励获得者的数据就能大概率判断全部潜在的元贡献激励获得者的数据质量，从而不断改进和调节费用对元贡献激励获得者的激励机制，并为信息收集后的数据不均匀以达到不同等级不同身份，不同的所耗费的积分和通关时间、通关要求、评分高低的覆盖率；步骤八、假设元贡献激励获得者对激励的奖励模型，为不同区域的信息收集设置不同的奖励,如果一个区域查询到的数据的均匀度越小，即覆盖率越大，则奖励也就越高，从而以此来鼓励相似元贡献激励获得者去离散度小的游戏区域进行获取更多的费用激励；元贡献激励获得者对激励的奖励模型运用决策控制来判断未来，即当前所处的不同等级不同身份，所耗费的积分和通关时间、通关要求、评分高低的覆盖率的条件下，需要考虑每一步决策可能出现的情形，元贡献激励获得者对激励的奖励模型运用搜索判断算法生成K次未来的潜在信息收集后的数据集合KM，多个潜在的元贡献激励获得者对每一轮生成的数据集合标记为Km,m＝1,…,M；开始建立数学优化算式，生成每一轮生成决策，即要通过基于生成的数据集合KM对是否查询当前数据集合标记为Km进行判断；若经过多次的判断后，如果潜在的元贡献激励获得者的费用总体控制在每一轮设定的预设费用的总数的一半左右，则将加入潜在的元贡献激励获得者；在计算资源充足的情况下，每一轮生成的数据集合算法并行处理，以大幅提升元贡献激励获得者对激励的奖励模型运行效率。