战斗类活动开发

商业化活动拉收益,战斗类活动拉活跃,商业化活动和战斗类活动可以说是游戏中的两把利剑了。战斗类活动的重要性可见一斑,同时也算是游戏服务器开发中的难点所在了。战斗类活动覆盖玩家多,老区的话基本上是全服参加。涉及到的相关特殊处理也比较多,比如屏蔽一些技能或者屏蔽使用一些道具,被杀处理,复活处理等。需要考虑到异常多,玩家在活动中退出比赛该怎么处理,服务器卡顿的时候该怎么处理等。陆陆续续做过的战斗类的案子也有4,5个了,在此小结一下。战斗类活动的开发分为两部分,一部分是功能服上的开发,另一部分是场景服上的开发。

一、功能服上开发

功能服上处理整个活动的入口,收集玩家报名数据;控制活动的开启,数据准备好后发场景服,通知开启活动。功能服上的开发是开发战斗类活动的第一步。一般会存在一个普通的类或者结构体来组织当场战斗,称之为活动类,还有一个单例模式的类,可以称之为活动管理器,用来管理全服所有的战斗场次。活动类和活动管理器的大致设计如下:

//活动类

class Game

{

public:

    Game(){}

    ~Game(){}//注意释放指针所指的内存,分支内存泄漏

    ...

 

private:

    set<uint64_t> _sign_list; //参赛玩家

    uint64_t gameid = 0;//该场战斗活动id

    uint64_t sceneid = 0;//可选

    ...

};

 

//活动管理器

class GameMgr : public Singleton<GameMgr>

{

public:

    GameMgr(){}

    ~GameMgr(){}

    Game *get_game(uint64_t gameid);//获取一场战斗

    void remove_game(uint64_t gameid);//移除一场战斗

    void create_game();//创建一场战斗

    ...

 

private:

    unordered_map<uint64_t, Game*> _game_map;//存储所有战斗(也可以选择存对象)

    ...

};

 

二、场景服上开发

场景服上几乎要处理所有与战斗相关的逻辑,包括实现战斗规则,计算积分等。场景接收功能服传过来的数据后即完成了该场战斗的初始化,进入了战斗准备状态。整个战斗存在一个状态机,大概可以分为准备状态,开战状态,结束状态,清除状态。战斗按照时间顺序进行,通过定时器驱动战斗流程的进行。可以通过单例来实现场景服上的战斗逻辑,大致代码框架如下:

struct game_scene_t

{

    uint64_t gameid = 0;//功能服传过来的该场战斗活动id

    uint64_t sceneid = 0;//功能服传过来的该场战斗场景id

    set<uint64_t> _sign_list; //功能服传过来的参赛玩家

    ...

};

 

class GameScene : public Singleton<GameScene>

{

public: 

    void init();//初始化本场战斗

    void Timer();//定时器

    void game_over();//战斗结束后的处理

    ...

 

private:

    unordered_map<uint64_t, share_ptr<game_scene_t>> _game_map;//场景上存储所有的战斗的数据结构

    ...

}

还有一种方法可以实现场景上逻辑,就是继承场景scene,而不是使用单例,这样也可以通过scene这个类找到战斗场景。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值