Box2d学习笔记二:第一个box2d程序

继续探索box2d,有了调试绘图,下面测试物理程序就好多了,不用与cocos2d-x中精灵联系就可以测试了。大笑大笑大笑

一个世界需要有边界,不然我们的游戏元素就到处跑,没有范围限制了,所以在游戏中如果需要物理引擎,编写刚体的第一步就是为我们的物理世界加上一个范围边界,这样刚体就不会跑出去了。

补充一下:刚体(b2Body):是box2d中的唯一物种,没有其它生物了。

刚体有分为三种

静态物体(b2_staticBody):禁止不可移动,可以用户手动,但速度为零,常被用来实现游戏中的地面、边界等元素。

平台物体(b2_kinematicBody):按固定轨迹做运动的物体,可拖动可预设一个速度。

动态物体(b2_dynamicBody):游戏中精灵对应的物体,具备质量、速度、摩擦等物理属性,可进行各种物理模拟。


创建物理世界:

b2Vec2 gravity;

//设置重力
gravity.Set(0.0f,-10.0f);
world=new b2World(gravity);


创建世界边界:

//边界对象

b2BodyDef groundBodyDef;
groundBodyDef.position.Set(0,0);
b2Body *groundBody=world->CreateBody(&groundBodyDef);

//形状,用于附加在框架上,作为框架的形状,而框架最终会附加在刚体上,所以形状最终就是刚体的
b2EdgeShape groundShape;


//下
groundShape.Set(b2Vec2(0.0f,0.0f),b2Vec2(size.width/PTM_RATIO,0));

//给刚体创建框架,下同
groundBody->CreateFixture(&groundShape,0);


//上
groundShape.Set(b2Vec2(0,size.height/PTM_RATIO),b2Vec2(size.width/PTM_RATIO,size.height/PTM_RATIO));
groundBody->CreateFixture(&groundShape,0);


//左
groundShape.Set(b2Vec2(0,0),b2Vec2(0,size.height/PTM_RATIO));
groundBody->CreateFixture(&groundShape,0);


//右
groundShape.Set(b2Vec2(size.width/PTM_RATIO,0),b2Vec2(size.width/PTM_RATIO,size.height/PTM_RATIO));
groundBody->CreateFixture(&groundShape,0);


有世界边界,刚体才不会乱跑。

//创建一个动态刚体

b2BodyDef bodyDef1;
bodyDef1.position.Set(size.width/2/PTM_RATIO,size.height/2/PTM_RATIO);
bodyDef1.type=b2_dynamicBody;
b2Body *body1=world->CreateBody(&bodyDef1);

// 形状
b2PolygonShape shape1;
shape1.SetAsBox(50.0f/PTM_RATIO,50.0f/PTM_RATIO);

//框架的属性
b2FixtureDef fixtureDef1;

//设置框架的形状
fixtureDef1.shape=&shape1;
fixtureDef1.density=1.0f;
fixtureDef1.friction=0.2f;
fixtureDef1.restitution=0.8f;

//为刚体创建框架
body1->CreateFixture(&fixtureDef1);

(注:以上代码都是写在HelloWorld::init函数中)


到此要想运行程序时不行的,因为物理世界并没有运转起来,所以:

重写CCLayer的update函数:如下

void HelloWorld::update(float delta){

world->Step(delta,8,8);
}


最后再调用定时器:让物理世界运转起来

this->scheduleUpdate();


OK、运行程序



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