(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111106204.X (22)申请日 2021.09.2 2 (71)申请人 深圳TCL新技术有限公司 地址 518052 广东省深圳市南 山区西丽 街 道中山园路10 01号国际E城D4栋9 楼 (72)发明人 陈玉洪　 (74)专利代理 机构 深圳紫藤知识产权代理有限 公司 44570 代理人 黄灵飞 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06Q 50/04(2012.01) (54)发明名称 目标场景生成方法、 装置、 服务器和存储介 质 (57)摘要 本申请实施例公开了目标场景生 成方法、 装 置、 服务器和存储介质； 获取初始场景代码、 场景 配置信息； 根据初始场景代码、 场景配置信息构 建初始向量集合； 获取初始特征向量对应的变异 向量， 得到变异向量集合； 对变异向量集合中的 变异向量进行均值运算得到中间向量集合； 将中 间向量集合中的中间向量与所述初始特征向量 进行交叉运算， 生成差异向量集合； 根据差异向 量集合和初始向量集合确定目标场景， 所述目标 场景包括差异向量或初始特征向量中的一个或 多个。 通过对初始向量集合进行变异处理、 均值 处理、 交叉处理、 选择处理实现基于原有的场景 自动衍生复刻出目标场景， 从而最大限度的人工 干预， 节省大量的人力和时间。 权利要求书4页 说明书18页 附图11页 CN 113887129 A 2022.01.04 CN 113887129 A 1.一种目标场景生成方法， 其特 征在于， 包括： 获取初始场景代码、 场景配置信息； 根据所述初始场景代码、 场景配置信息构建初始向量集合， 所述初始向量集合包括多 个初始特 征向量， 所述初始特 征向量表示场景代码链路特 征； 获取所述初始特 征向量对应的变异向量， 得到变异向量 集合； 对所述变异向量集合中的变异向量进行均值运算得到 中间向量集合， 所述中间向量集 合包括多个中间向量； 将所述中间向量集合中的中间向量与所述初始特征向量进行交叉运算， 生成差异向量 集合， 所述差异向量 集合包括多个差异向量； 根据差异向量集合和初始向量集合确定目标场景， 所述目标场景包括差异向量或初始 特征向量中的一个或多个。 2.根据权利要求1所述的方法， 其特征在于， 所述场景配置信息包括关键范围， 所述根 据所述初始场景代码、 场景配置信息构建初始向量 集合， 包括： 获取所述初始场景代码中在所述关键范围内的代码， 其中， 所述在所述关键范围内的 代码为关键代码； 对所述关键代码进行参数化得到所述初始向量 集合中的初始特 征向量。 3.根据权利要求2所述的方法， 其特征在于， 所述场景配置信 息还包括代码与 特征值的 对应关系， 所述对所述关键代码特征进行参数化得到所述初始向量集合中的初始特征向 量， 包括： 对所述关键代码按照类型分类， 得到所述初始特征向量的键参数， 其中， 所述按照类型 分类为按所述关键代码实现的功能的类型进行分类； 根据所述代码与特征值的对应关系， 确定所述键参数对应特征值， 得到待校验特征向 量； 获取预先设置的正向列表和反向列表； 将所述待校验特征向量分别与所述正向列表和反向列表进行正向匹配， 得到与所述正 向列表对应的第一 正向匹配结果、 以及与所述反向列表对应的第二 正向匹配结果； 若所述第一正向匹配结果与 所述第二正向匹配结果相同， 将所述待校验特征向量作为 所述初始特 征向量； 若所述第一正向匹配结果与 所述第二正向匹配结果不相同， 对所述正向列表和反向列 表分别进行正序排序； 将所述待校验特征向量分别与所述正序排序后的正向列表和反向列表进行反向匹配， 得到与所述正向列 表对应的第一反向匹配结果、 以及与所述反向列 表对应的第二反向匹配 结果； 若所述第一反向匹配结果与 所述第二反向匹配结果相同， 将所述待校验特征向量作为 所述初始特 征向量； 若所述第一反向匹配结果与 所述第二反向匹配结果不相同， 返回执行对所述关键代码 特征按照类型分类， 得到所述初始特 征向量的键参数以及后续 步骤。 4.根据权利要求1所述的方法， 其特征在于， 所述获取所述初始特征向量对应的变异向 量， 得到变异向量 集合， 包括：权　利　要　求　书 1/4 页 2 CN 113887129 A 2获取指定的变异策略和变异次数； 从所述初始向量集合中确定待变异向量以及差分 向量， 构成所述差分 向量的两个初始 特征向量均 与所述待变异向量 不同； 根据所述变异策略和缩放因子， 将所述差分向量与所述待变异向量进行加权求和， 得 到所述待变异向量对应的变异向量； 重新从所述初始向量集合中确定所述差分向量， 并执行根据所述变异策略和缩放因 子， 将所述差分向量与所述待变异向量进行加权求和的步骤， 直到得到待变异向量对应的 变异向量的个数为变异次数个； 返回执行从所述初始向量集合中确定待变异向量以及差分 向量以及后续步骤， 直到所 述初始向量 集合中每个初始特 征向量均得到各自对应的变异次数个 变异向量。 5.根据权利要求4所述的方法， 其特征在于， 所述对所述变异向量集合中的变异向量进 行均值运算得到中间向量 集合， 所述中间向量 集合包括多个中间向量， 包括： 针对每个初始特 征向量对应的变异次数个 变异向量， 对所述变异向量进行极值优化， 得到优化后的变异次数个 变异向量； 根据变异次数和柔和度， 对所述优化后的变异次数个变异向量进行均值运算， 得到每 个所述初始特 征向量对应的中间向量。 6.根据权利要求5所述的方法， 其特征在于， 所述对所述变异向量进行极值优化， 得到 优化后的变异次数个 变异向量， 包括： 针对每个变异向量， 将所述变异向量对应的特 征值按照预设顺序排序， 得到特 征值集合； 基于预设概 率函数从所述特 征值集合中选取目标 特征值； 在所述目标特征值为极值时， 将所述目标特征值替换为随机数， 所述随机数为按照预 设概率分布产生的； 在所述目标特征值不为极值 时， 返回执行基于预设概率函数从所述特征值集合中选取 目标特征值的步骤以及后续步骤， 直到所述特征值集合中极值均被替换掉， 得到优化后的 变异向量。 7.根据权利要求1所述的方法， 其特征在于， 所述将所述中间向量集合中的中间向量与 所述初始特 征向量进行交叉运 算， 生成差异向量 集合， 包括： 针对每个中间向量， 获取估计值以及交叉算子， 所述交叉算子为0 ‑1之间的随机浮点 数； 在所述估计值小于或等于交叉算子时， 获取中间向量的特 征值为目标值； 在所述估计值大于所述交叉算子时， 获取 所述初始特 征向量的特 征值为目标值； 将所述目标值组成的向量确定为差异向量。 8.根据权利要求1所述的方法， 其特征在于， 所述根据差异向量集合和向量集合确定目 标场景， 包括： 针对每个差异向量， 获取 所述差异向量的适应度值； 获取初始特 征向量的适应度值； 若差异向量的适应度值小于初始特征向量的适应度值， 将所述差异向量作为目标向 量；权　利　要　求　书 2/4 页 3 CN 113887129 A 3