从粒子系统到群体智能Part5

Part5 实现烟花效果

对粒子的运动控制,通过控制其速度、重力的四个量,和颜色,即可实现各种效果。

通过“双缓冲绘图”可解决画面闪炔问题。

粒子系统(particle system)是图形里常用的特效。粒子系统可应用运动学模拟来做到很多不同的效果。粒子系统在游戏和动画中,常常会用来做雨点、火花、烟、爆炸等等不同的视觉效果。有时候,也会做出一些游戏性相关的功能,例如敌人被打败后会发出一些闪光,主角可以把它们吸收。首先,实现一个简单粒子系统如下:

粒子的定义

粒子系统模拟大量的粒子,并通常用某些方法把粒子渲染。粒子通常有以下特性:

  1. 粒子是独立的,粒子之间互不影响(不碰撞、没有力)
  2. 粒子有生命周期,生命结束后会消失
  3. 粒子可以理解为空间的一个点,有时候也可以设定半径作为球体和环境碰撞
  4. 粒子带有运动状态,也有其他外观状态(例如颜色、影像等)
  5. 粒子可以只有线性运动,而不考虑旋转运动(也有例外)

粒子系统通常可分为三个周期:

  1. 发射粒子
  2. 模拟粒子(粒子老化、碰撞、运动学模拟等等)
  3. 渲染粒子

 在游戏循环(game loop)中,需要对每个粒子系统执行以上的三个步骤。

//粒子类
public class Particle {

	//粒子的起点,速度,重力
	public Vec2f position, velocity,acceleration;
	public Color color;
	public double life;
	public double age;
	public int size;
	//在界面上绘制时的X,Y坐标
	public int x,y; 
    public Particle(){}
    
    public int getX(){
    	return (int)this.position.x;
    }
    
    public int getY(){
    	return (int)this.position.y;
    }
	 
	public String toString(){
		return "X:"+position.x+" y: "+position.y;
	}
	
}
//生成粒子
public class ParticleControl extends Thread {
	// 绘制粒子的界面
	private JFrame jf;
	// 保存粒子的队列
	private ArrayList<Particle> ps = new ArrayList();
	// 起始位置
	private int startX = 500, startY = 300;

	public ParticleControl(JFrame jf) {
		this.jf = jf;
	}

	public void setStartXY(int x, int y) {
		this.startX = x;
		this.startY = y;
	}

	public void run() {
		// 时间增量
		double dt = 0.1d;
		while (true) {
			// 生成粒子放入队列
			Particle tp = new Particle();
			tp.position = new Vec2f(startX, startY);
			tp.velocity = new Vec2f(10, -20);// 方向
			tp.acceleration = sampleDirection();
			tp.life = 400;
			tp.age = 1;
			tp.color = new Color(255, 0, 255);
			tp.size = 12;
			ps.add(tp);

			// 将队列中的粒子画到缓冲区,再画到界面上
Image image = jf.createImage(jf.getWidth(), jf.getHeight());
			Graphics bg = image.getGraphics();
			for (int i = 0; i < ps.size(); i++) {
				Particle p = ps.get(i);
				// 1.判断粒子的生命是否到期,到期后,从队列移出
				p.age += dt;
				if (p.age >= p.life) {
					ps.remove(i);
					System.out.println("****ps remove on****");
				}
				// 2.计算每个粒子的下一位置
				int r = p.color.getRGB();
				r -= 3000;

将以上2组代码加进前面4部的代码中,将之前的鼠标监听器改为鼠标移动监听器MouseMotionListener,就可以实现随着鼠标移动而移动的烟花效果了!

鼠标移动

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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