Unity3D——离散仿真引擎基础

一. 简答题

1. 解释 游戏对象(GameObjects) 和 资源(Assets)的区别与联系

  • 区别

    游戏对象:Unity场景中所有实体的基类,可直接出现在游戏场景中,是资源整合的具体表现。
    资源:可以是我们自定义或下载下来的素材,可以被多个对象使用,有些资源可以实例化为对象。

  • 联系

    游戏对象资源的具体表现,可通过生成预设的方式变为资源
    资源可被游戏对象使用,其中的预设可实例化为游戏对象

2. 下载几个游戏案例,分别总结资源、对象组织的结构(指资源的目录组织结构与游戏对象树的层次结构)

于是我在Asset Store上下载并打开"Unity-Chan!" Model游戏项目,其中Assets 组织情况如下,
在这里插入图片描述
而GameObjects 的组织情况如下,
在这里插入图片描述
由此可以看出,

  • 资源的目录组织结构:
    主要包括动画,文本,场景,素材,模型,预设以及使用说明等。
  • 游戏对象树的层次结构:
    主要包括摄像机包,游戏开始位置,场景布局以及文本管理等。

3. 编写一个代码,使用 debug 语句来验证 MonoBehaviour 基本行为或事件触发的条件

要求:

基本行为包括 Awake()、Start()、Update()、FixedUpdate()、LateUpdate()
常用事件包括 OnGUI()、OnDisable()、OnEnable()

首先我们添加一个Sphere,再给他写个名为Sphere的脚本

using System.Collections;
using System.Collections.Generic;
using UnityEngine;

public class SphereBeh : MonoBehaviour
{
    // 当一个脚本实例被载入时Awake被调用。或者脚本构造时调用
    void Awake()
    {
        Debug.Log("Awake");
    }

    // 第一次进入游戏循环时调用
    void Start()
    {
        Debug.Log("Start");
    }

    // 每个游戏循环,由物理引擎调用
    void FixedUpdate()
    {
        Debug.Log("FixedUpdate");
    }

    // 所有 Start 调用完后,被游戏循环调用
    void Update()
    {
        Debug.Log("Update");
    }

    // 所有 Update 调用完后,被游戏循环调用
    void LateUpdate()
    {
        Debug.Log("LateUpdate");
    }

    // 游戏循环在渲染过程中&#x
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Probit模型是一种离散选择模型,常用于分析二元选择数据,比如一个人是否购买某个产品。Probit模型假设选择行为服从正态分布,通过最大似然估计来估计模型参数。以下是一个C++带类实现离散选择模型Probit模型的示例代码: ```cpp #include <iostream> #include <cmath> #include <vector> using namespace std; class ProbitModel { private: vector<double> X; // 自变量 vector<int> Y; // 因变量 int n; // 样本数 int k; // 自变量个数 double theta; // 参数 double LL; // 对数似然函数值 public: ProbitModel(vector<double> x, vector<int> y) { X = x; Y = y; n = x.size(); k = 1; } // 似然函数 double likelihood() { double sum = 0.0; for (int i = 0; i < n; i++) { double z = X[i] * theta; sum += Y[i] * log(CDF(z)) + (1 - Y[i]) * log(1 - CDF(z)); } return sum; } // 累积分布函数 double CDF(double z) { return 0.5 * (1 + erf(z / sqrt(2))); } // 一阶导数 double firstDerivative() { double sum = 0.0; for (int i = 0; i < n; i++) { double z = X[i] * theta; sum += (Y[i] - CDF(z)) * X[i] / CDF(z) / (1 - CDF(z)); } return sum; } // 二阶导数 double secondDerivative() { double sum = 0.0; for (int i = 0; i < n; i++) { double z = X[i] * theta; sum += -X[i] * X[i] * CDF(z) * (1 - CDF(z) + z * exp(-z * z / 2)) / pow(CDF(z), 2) / pow(1 - CDF(z), 2); } return sum; } // 牛顿法求解 void fit() { double epsilon = 1e-6; // 迭代终止条件 int maxIter = 1000; // 最大迭代次数 double delta; // 梯度 double deltaTheta; // 参数更新量 int iter = 0; // 迭代次数 while (iter < maxIter) { double f1 = firstDerivative(); double f2 = secondDerivative(); delta = -f1 / f2; deltaTheta = delta; theta += deltaTheta; LL = likelihood(); if (abs(deltaTheta) < epsilon) { break; } iter++; } } // 获取参数 double getTheta() { return theta; } // 获取对数似然函数值 double getLL() { return LL; } }; int main() { vector<double> X{1.0, 2.0, 3.0, 4.0, 5.0}; vector<int> Y{0, 0, 1, 1, 1}; ProbitModel pm(X, Y); pm.fit(); cout << "theta = " << pm.getTheta() << endl; cout << "LL = " << pm.getLL() << endl; return 0; } ``` 以上代码实现了一个简单的Probit模型,使用了牛顿法来求解模型参数。在main函数中,我们定义了一个样本,其中X为自变量,Y为因变量,表示是否购买某个产品。然后我们创建了一个ProbitModel对象pm,并调用其fit方法来拟合模型并求解参数。最后,我们输出了参数theta和对数似然函数值LL。 需要注意的是,Probit模型假设选择行为服从正态分布,因此我们在实现CDF函数时使用了误差函数erf,这需要包含cmath头文件。此外,由于Probit模型涉及到对数似然函数的计算,因此我们需要对结果进行判断,避免出现NaN或-inf等不合法的值。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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