Tap the BUG 点甲虫 概要设计

最新推荐文章于 2021-07-03 17:45:46 发布
最新推荐文章于 2021-07-03 17:45:46 发布
阅读量431 收藏
点赞数
分类专栏： Game 文章标签： 游戏开发 cocos2d-x
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jjhfen00/article/details/50909791
版权

1. 前言

1.1 编写目的

本文档是为了指导软件开发者，同时给本次的安卓游戏app开发起到一个大纲作用。
通过规范软件的开发过程达到提高软件质量，降低维护成本的目的。同时也可以降低本软件开发难度，节省工作时间。

1.2 项目背景

  • 项目委托单位：？？？
  • 项目开发单位：创新实践第四小组
  • 指导老师：邱洪君

1.3 定义

  • BUG：甲虫

1.4 参考文献

  • Cocos2d-x 3.x 游戏开发之旅

2. 任务概述

2.1 目标

开发一款面向儿童的休闲类游戏，开发儿童的智力和反应能力，获取更大的用户群和用户粘性，最后实现盈利。

2.2 运行环境

  • Android 5.0.1 及之前的版本

2.3 开发环境

  • Cocos2d-x 3.10
  • Visual Studio 2015

3. 产品功能

3.1 功能概述

本游戏由无限的小关卡构成，以追求在给定的时间内过更多的关卡为目的。
在挑战每个小关卡之前都会给予一定的奖励时间，玩家需要在尽可能短的时间内通过点击和滑动达到关卡的要求从而过关。
小关卡的种类是有限的，但是在游戏中不断循环出现。不会出现连续两关都是同一种关卡的现象。
每10关构成一个循环，有一个Boss。在打败Boss之后玩家可以宝箱奖励。

下面为游戏的一些其他机制：

  1. 难度机制

    • 越后面的关卡难度越大，难度体现在关卡需要重复完成的次数和关卡内需要操作物品的数量。

  2. 宝石机制

    • 宝石为游戏中的通用货币。通过击败Boss开宝箱有一定的几率获得宝石
    • 宝石可以购买额外的宝箱、购买能量、复活等等
    • *宝石可以用真实货币在游戏中购买

  3. 卡片机制

    • 玩家可以从击败Boss的奖励中获得随机卡片奖励。
    • 一张卡片对应某一种关卡。
    • 卡片可以通过增加额外的奖励时间降低特定关卡的过关难度。
    • 两张相同的卡片可以合成一张更高级的同类卡片。

  4. 能量机制

    • 玩家需要花费1点能量才能进行一个关卡。
    • 能量每一段时间自动增加1点。
    • 能量有一个上限值，当达到上限值时，能量不再随着时间增加。
    • 当能量耗尽，玩家将无法进行游戏，从而达到防沉迷的效果。
    • 可以通过宝石购买能量。

3.2 功能模块

模块

3.2.1 主调度器

管理主菜单，管理调度各子模块。

3.2.2 排行榜

包括本地与联网排行榜
本地排行榜可以查看本地玩家的最高分。
联网排行榜可以浏览互联网上不同用户的得分包括了单关得分和总得分，并将用户间的得分进行比较，得分高者名次靠前。
主要功能有：

  • 记录分数
  • 将记录排名

3.2.3 卡片模块

本模块用于管理卡片，并且根据卡片将奖励时间信息传递给关卡调度器
主要功能有：

  • 卡片奖励信息传递
  • 卡片存储
  • 卡片合成
  • *卡片兑换
  • *卡片分解

3.2.4 宝石模块

本模块用于管理宝石，主要功能有：

  • 宝石存储
  • 宝石消费

3.2.5 能量模块

本模块管理用户的能量，主要功能有：

  • 每过一段时间获得能量
  • 每关消耗能量
  • 奖励能量的获取

3.2.6 关卡调度器

本模块控制关卡的调度，主要功能有：

  • 随机生成关卡
  • 关卡切换
  • 关卡难度控制

3.2.7 时间控制器

本模块与关卡调度器、每个关卡协作，用于控制玩家的剩余时间。

  • 倒计时
  • 增加奖励时间
  • 传递时间信息

3.2.8 关卡集合

本模块集合中有数个小关卡模块。
包含的关卡类型：

  • 普通关卡
  • 特殊关卡
  • Boss关卡

本模块用于每个关卡内的控制，主要功能有：

  • 关卡随机生成
  • 关卡难度调整
  • 关卡通过判断
  • 关卡操作
金甲虫Scarb
关注
专栏目录
字典查询（部分）
myth_HG的专栏
05-28 14万+
#include #include #include using namespace std; const int enMax=46; const int chMax=256; const int attrMax = 66; const int spaceMax = 100; const int inputMax = 30; char atrrSum[13][attrMax]= {"n.","
用SignalTap嵌入逻辑分析仪验证PLD设计
08-08
SignalTap嵌入逻辑分析仪是一种在可编程逻辑器件(PLD)设计验证中非常重要的工具，尤其对于处理复杂度日益增长的设计。随着ASIC设计规模的扩大，传统的验证方法，如仿真，已经无法满足实时和全面的验证需求。Signal...
用C语言写一个查单词的小demo
m0_47068593的博客
07-03 4万+
用C语言写一个查单词的小demo #include <stdio.h> #include <string.h> #include <stdlib.h> int main(int argc, const char *argv[]) { // 用只读的方式打开我们的单词库 FILE *fp = fopen("dict.txt","r"); if (NULL == fp){ perror("fopen"); return -1
网络编程_8(项目附件)
weixin_38717634的博客
01-13 3万+
dict.txt abandonment n.放弃 abbreviation n.缩写 abeyance n.缓办，中止 abide v.遵守 ability n.能力 able adj.有能力的，能干的 abnormal adj.反常的，变态的 aboard adv.船(车)上 abolish v.废除，取消 abolition n.废除，取消 abortion n.流产 abortive adj.无效果的，失败的 about prep.关于，大约 ab
简单英译汉SQL脚本
热门推荐
shencomd的专栏
10-19 19万+
create table t_dictionary(word varchar(200), trans varchar(1000)); insert into t_dictionary values('abandon','v.抛弃，放弃'); insert into t_dictionary values('abandonment','n.放弃'); insert into t_dictionary
通过fastclick源码分析彻底解决tap“点透”
08-28
FastClick 源码分析解决 Tap “点透”问题 FastClick 是一个 JavaScript 库，用于解决移动端 Tap 事件的 “点透” 问题。在 FastClick 库中，通过对 Tap 事件的处理，避免了 Tap 事件的 “点透” 现象，提高了...
tap驱动 TAP-Windows Adapter V9
11-21
TAP Windows适配器V9:当安装软件或登录时，遇到TAP驱动未安装或已损坏的提示时，检查是否安装 TAP Windows适配器V9。 检查方法： 1.按 Windows + R 一起启动运行窗口。 2.输入命令 devmgmt.msc 进入盒子。 击中 ...
The Task-based Asynchronous Pattern（TAP）
02-13
The Task-based Asynchronous Pattern (TAP) is a new pattern for asynchrony in the .NET Framework. It is based on the Task and Task<TResult> types in the System.Threading.Tasks namespace, which are used...
Multi-Tap FlexHtree在高性能CPU设计中的应用
10-16
因此，需要通过深入分析和实验来确定最佳的tap点配置，以达到时钟偏斜和设计时序的最佳平衡。子树时钟综合引擎在这一过程中起着决定性作用，它能够调整tap点布局，进一步优化时钟树的性能。 与FlexHtree相比，传统...
基于深度学习的行人分类.zip
09-21
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。
机械制造工艺学课程设计手柄座设计“手柄座”零件的机械加工工艺规程及工艺装备.doc
09-21
机械制造工艺学课程设计手柄座设计“手柄座”零件的机械加工工艺规程及工艺装备.doc
电子设计论文通用红外遥控开关电子设计论文通用红外遥控开关
09-21
电子设计论文通用红外遥控开关电子设计论文通用红外遥控开关
软考-信息管理师考试知识汇总思维导图
09-21
软考--信息管理师考试知识汇总思维导图，包含项目十大管理领域知识点汇总提取，项目整合管理、项目范围管理、项目时间管理、项目成本管理、项目质量管理、项目人力资源管理、项目沟通管理、项目风险管理、项目采购管理、项目干系人管理等章节所有知识点通过思维导图的形式汇总出来，看图就理解本章所有的知识块以及他们之间的联系。归纳总结，帮助考试复习记忆，加深对 本章节内容的理解。适合时间少，没时间完整看完教材的人，在段时间内帮助理解记性，是考试前冲刺的好帮手。软考高级越来越难考了，为了方便大家能考过，希望大家早点准备，好好考复习资料，多看，多想，多记忆，多思考，多归纳总结。
STM32F103C8T6+CUBEMX+AHT20+中断(DMA)+BT04蓝牙
最新发布
09-21
STM32F103C8T6+CUBEMX+AHT20+中断(DMA)+BT04蓝牙
基于 PyTorch 的 3D 计算机视觉处理库.zip
09-21
基于 PyTorch 的 3D 计算机视觉处理库.zip
利用Gpg4win来打造一个安全的加密文件_51CTO博客_.zip
09-21
利用Gpg4win来打造一个安全的加密文件_51CTO博客_.zip
一个基于DirectX的程序捕获程序，结合Darknet yolo深度学习框架进行模型训练与对象识别。.zip
09-21
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。
基于微信小程序+SpringBoot+Vue.JS前后端分离的农产品销售小程序 源码+数据库+录屏（毕业设计）
09-21
农产品销售系统是一个创新的电子商务平台，旨在为农民和消费者提供一个便捷、高效的农产品交易环境。该系统采用微信小程序作为用户界面，利用Vue.js框架进行前端开发，确保了用户界面的响应性和交互性。后端则采用SpringBoot框架，这是一个轻量级的Java企业级应用开发框架，它简化了基于Spring的应用开发，使得后端服务的搭建和维护更加高效。整个系统通过微信小程序与用户进行交互，提供农产品浏览、下单、支付、物流跟踪等功能，同时后端处理订单管理、库存控制、数据分析等业务逻辑，实现了农产品从田间到餐桌的全流程数字化管理。 启动教程：https://www.bilibili.com/video/BV1SzbFe7EGZ
FastClick源码解析：完美解决tap点透问题
"通过fastclick源码分析彻底解决tap“点透” 在移动Web开发中，开发者经常遇到的一个问题是“点透”（tap delay）现象，即用户点击元素后，浏览器会延迟一段时间（大约300毫秒）才触发点击事件，这主要是由于浏览器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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