[发明专利]基于列子集选择的游戏数据压缩方法

说明书

本发明公开了一种基于列子集选择的游戏数据压缩方法，包括获取待压缩游戏数据并存为数值矩阵；选定对应的范数并处理得到输入矩阵；初始化二值向量并更新候选解集；采用局部搜索算法更新候选解集；从候选解集中随机选择两个向量并交换选择的两个向量的前若干列；生成新的解；对候选解集进行判断并更新候选解集；重复以上步骤直至达到设定条件，得到最终的目标矩阵，完成待压缩的游戏数据的压缩。本发明提供的这种基于列子集选择的游戏数据压缩方法，通过创新矩阵的分解方式和压缩方式，不仅实现了大型海量游戏数据压缩，而且速度快、精度高、实用性好、所需的存储空间小且算法复杂度较低。

技术领域

本发明属于数据处理领域，具体涉及一种基于列子集选择的游戏数据压缩方法。

背景技术

随着经济技术的发展和人们生活水平的提高，游戏产业已经得到了长足的发展，游戏行业也产生了海量的数据。如何对海量的游戏数据进行压缩存储，就成为了研究人员的研究重点之一。

列子集选择是数据压缩技术行业的常用方法之一，同时该方法也常用于游戏数据的压缩。列子集选择问题一直是数值线性代数中的热门问题，其目标是在给定范数度量下找到k列，将该k列够成一个子矩阵并计算该子矩阵的对应的系数矩阵，使得子矩阵与系数矩阵构成的k-秩矩阵尽可能地接近原矩阵，即最小化原矩阵与k-秩矩阵之间的范数误差。目前，在Frobenius范数和矩阵一范数下，已知列子集选择的近似比下界均为k+1。现有的双标准算法松弛了列数为k的限制，在Frobenius范数和矩阵一范数下，已知列子集选择的近似比下界分别为和。

但是，虽然一些双标准近似算法能够获得较好的近似比，但现有的列子集选择算法的时间复杂度仍然很高，并不适用于游戏行中游戏数据的大型数值矩阵压缩场景；而且，现有的这一类双标准算法仅仅是在固定近似比和列数k其中一个目标的前提下松弛另一个目标，而不是同时权衡近似比和列数，这使得现有方法在实际应用时，特别是应用于游戏行业的有序数据压缩时，效果较差。

发明内容

本发明的目的在于提供一种速度快、精度高、实用性好且适用于大型海量游戏数据压缩的基于列子集选择的游戏数据压缩方法。

本发明提供的这种基于列子集选择的游戏数据压缩方法，包括如下步骤：

S1. 获取待压缩的游戏数据，并存储为数值矩阵；

S2. 选定对应的范数：

若选定的范数为F范数（Frobenius范数），则，将将步骤S1得到的数值矩阵作为输入矩阵，并进行步骤S4；

若选定的范数为矩阵一范数（矩阵范数中的1-范数），则进行步骤S3；

S3. 将步骤S1存储的数值矩阵进行处理，得到输入矩阵；

S4. 初始化一个二值向量，该二值向量的每个元素用于表示输入矩阵对应的列是否被选中：

若被选中，则将对应的列加入到候选解集；

若未被选中，则对应的列不被选入候选解集；

S5. 采用局部搜索算法计算当列数为1到2 k-1时的解，并将得到的解所对应的二值向量加入候选解集；

其中，局部搜索是一种近似算法（Approximate algorithms），是一种简单的贪心搜索算法；该算法每次从当前解的邻域解空间中选择一个最好邻居作为下次迭代的当前解，直到达到一个局部最优解(local optimal solution)；

S6. 从候选解集中随机选择两个向量，随机生成整数 j，并交换选择的两个向量的前 j列；