游戏开发计划——数据元素设计(技能)

我一直认为,英雄无敌的技能设计非常好,可以说是该游戏的亮点之一。因此,在我的游戏中技能的设计也主要参照英雄无敌3。


首先要说的是,在这个游戏中,我对技能的定义。我把“技能”定义为,在人物/部队身上一直有效的某种被动能力。这种能力可以是影响自己、友军或者是敌人的;也可以没有任何影响,例如作为使用法术的先决条件。像英雄无敌中的防御术,就符合这种定义,而理财术,就不能成为我所定义的技能。

在我的游戏数据中,一个技能可以有多种影响,比如说,攻击技能可以同时增加攻击属性和造成的伤害。同样,一个技能也可以没有任何影响,比如说智慧技能,我对它的使用仅仅是作为使用法术的先决条件而不影响任何属性。当然,以后如果需要也同样可以增加某些影响。

技能的数据定义起来比较复杂,用截图来说明吧。这里用的是攻击技能作为例子


  • 继承问题

大家可能注意到了,在技能数据编辑的时候,没有“inherit”一行。这是因为技能数据是不继承的。技能的总数就不多,而且不同技能之间类似的数据也太少,没有继承的必要。

另一方面,对技能影响这样复杂的数据,再搞各种修改方式也太累了一点,不值当。

所以说,对技能数据不继承一方面是使用方面的考虑,一方面也是实现方面的简化。


  • 图标
大概都看出来了,这其实就是英雄无敌3里面专家攻击的图标

  • Level Max

在英雄无敌3中,技能最高可以升到3级。在我的数据定义中,技能的Level max是自由定义没有限制的(除非你想要超过long的范围也就是2G)。

在这个例子中,攻击技能最高也是3级。


  • 影响
这个截图是攻击技能的定义,它总共可以升到3级。这个技能有两种影响,分别是:
  • 影响攻击属性
在一级,使自己的攻击属性增加10%。此时它是一个被动技能
在二级,使自己的攻击属性增加20%
在三级,使距离2格以内的所有友军的攻击属性增加20%。也就是说,此时它变成了一个光环类技能。
  • 影响伤害值
在一级,使自己造成的近战伤害增加10%(C_A表示Close-Active)
在二级,使自己造成的近战伤害增加20%
在三级,使距离2格以内的所有友军造成的近战伤害增加20%

到目前为止,我觉得可以把英雄无敌的下列技能引入(直接拷贝或者稍作修改)

引入的英雄无敌3技能
 名称说明
1攻击如上面例子所示
2防御与攻击技能类似,增加防御属性,减少受到的物理伤害(包括近战和远程)
3箭术与攻击技能类似,但是增加远程伤害
4智慧没有任何影响,作为法术的先决条件
5风魔法与智慧类似
6火魔法同上
7水魔法同上
8土魔法同上
9领导增加敏捷属性,与攻击技能类似,1、2级被动,3级成为光环。我的部队/人物属性没有士气,用敏捷代替了。
或许应该把它改回来,反正只是个枚举值的事情。
10后勤增加移动力。不过,在战棋游戏里面好像效果远不如英雄无敌明显。对刘烨来说也就是代替风车轮了。
11幸运增加幸运属性,其它类似领导技能
12智力增加MP
13魔力增加造成的法术伤害。治疗类法术的效果值同样增加
14抵抗减少受到的法术伤害
15急救类似风魔法,作为使用治疗类法术的先决条件。
考虑到“是药三分毒”,可以同样作为毒系法术的先决条件。
16招魂改成增加吸血属性
17战术俗话说,战术英雄都是好英雄。但是在战棋游戏里面,布阵好像没用。
决定把它改成减少附近敌人的防御值,这样就同样厉害了(好像太厉害了,只能给某些人比方说张辽吧)。


目前还有以下技能未能引入,或不打算引入

未引入的英雄无敌3技能
 名称说明
1弹道不打算引入,投石车类部队如刘烨同样使用箭术技能
2外交这么牛的技能真的不想放弃,只是没想好效果是什么
3鹰眼还没想好,可以考虑降低范围内敌人法术的命中率,也就是类似WoG的鹰眼术II
4理财目前不打算引入。不过可以考虑作为“搜刮属性”的实现(参见关于各种想法的博文)。
5神秘打算作为MP的每回合自动回复,但是尚未搞清楚数据应该如何定义
6航海不打算引入,以曹操传为例,东吴将领可以直接修改地形适应,不需要这个技能
7寻路打算减少各种地形上的移动力消耗,但是和神秘技能类似,没想好数据如何定义
8侦查本身就是个鸡肋技能,不打算引入
9学术不打算引入
10炮术俗话说,炮车英雄都是好英雄,但是没想出来引入之后能干什么所以目前只好放弃
11学习本身是增加经验获得的,好像没什么用处,先放弃吧


英雄无敌3一共就这28个技能,都列在这里了。而WoG中增加的指挥官技能也就是生命有点不同,不过看起来好像用处不大。


大家觉得当前的计划怎么样,提提意见吧

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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。
1、资源项目源码均已通过严格测试验证,保证能够正常运行;、 2项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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