Ascent代码分析5-更新一下资源

最新推荐文章于 2022-06-23 01:13:01 发布

yebeans

最新推荐文章于 2022-06-23 01:13:01 发布

阅读量1.9k

点赞数

分类专栏： Game Programe 文章标签：代码分析数据库 c

本文链接：https://blog.csdn.net/yebeans/article/details/4634317

版权

Game Programe 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

休假太久了也颇无聊...更新一下。

目前相对比较活跃的一个版本是arcemu，衍生自ascent，所以代码结构差不多。但是更新较快也较为完善。

数据库的话，以前用的ＮＣＤＢ停掉了，目前较为好用的是whyDb.
相对之前早期版本，指针都使用share_ptr重写了一遍，所以编译需要C++ tr1，这个可以在vc2008 sp1中找到。或者使用boost库中的tr1也可以。

这个版本可以支持台服最新3.2.0客户端。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

yebeans

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

Ascent/Arcemu代码分析7- 物品及装备

行者，当心如止水，梦若骄阳

10-05

3139

类型定义：主要在ItemPrototype.h中，是各种道具相关的宏定义和枚举定义。物品类型（INVENTORY_TYPES）：道具分类（ITEM_CLASS）道具子类（I

Ascent代码分析2-底层shared

行者，当心如止水，梦若骄阳

11-19

4100

底层shared工程1. 线程&线程池线程对象的基类ThreadBase提供了2个接口：virtual bool run() = 0;virtual void OnShutdown() {};新建线程对象只需要从ThreadBase派生，并实现run接口。然后使用CThreadPool：：ExecuteTask()将线程对象加入线程池中

1 条评论您还未登录，请先登录后发表或查看评论

Ascent代码分析1-运行环境架设

行者，当心如止水，梦若骄阳

11-26

7119

Ascent是一个魔兽世界服务器的模拟器开源项目，也就是现在使用的比较广泛的魔兽世界私服之一（还有个就是Mangos）,Ascent的性能相对较高,有私服广告称，四核服务器能带1000玩家，根据其他人的反应应该差距不会太大。另外感觉ascent的代码相对mangos实现较为简洁易懂，所以稍微研究一下。程序主要有LogonServer，RealmServer,voicechat,world四个。

无线传感器网络拓扑结构

weixin_50102743的博客

05-18

3393

网络的拓扑结构：由点和线组成的几何图形就是计算机网络的拓扑结构（点--计算机和通信设备，线--传输介质）典型的拓扑结构：总线型，树形，网状，层次型，环形，混合型无线蜂窝系统蜂窝网络：就是把移动电话的服务区分为一个正六边形的子区，每一个小区设一个基站，形成了酷似蜂窝的结构。 WSN拓扑结构影响因素：部署方式、网络结构（有无基础架构）、节点类型、节点位置（核心）、发送功率（核心）拓扑控制研究的主要机制：节点功率机制、睡眠调度、层次型拓扑结构基于节点度的算法：本地平均算法和本地邻居算法

优化算法——坐标上升法

最新发布

05-02

通过运行源代码并分析结果，我们可以更直观地理解CNN如何学习和处理图像数据，这对于模型调试、性能优化以及理解深度学习模型的内在工作机理都非常有帮助。如果你想要深入理解CNN并提升自己的编程技能，这个案例无疑...

数值优化：经典随机优化算法及其收敛性与复杂度分析

「虚幻私塾」

06-23

2441

随着大数据的出现，确定性优化算法的效率逐渐称为瓶颈。为了说明这一点，我们来看一个用梯度下降法求解线性回归的例子。给定训练样本D={(xi,yi)}ni=1D={(xi,yi)}i=1nD = {(x_i, y_i)}_{i=1}^n，线性回归的目标函数如下：f(w)=1n∑i=1nfi(w)=1n∑i=1n(wTxi−yi)2f(w)=1n∑i=1nfi(w)=1n∑i=1n(wTxi−yi)2f(w) = \frac{1}{n}\sum_{i=1}^nf_i(w)= \frac{1}{n}\sum_{i=

读书笔记 - 机器学习实战 - 5 逻辑回归

Always On The Way

02-16

284

5 逻辑回归（Logistic regression）逻辑回归（logistic regression）步骤：收集数据准备：由于需要计算距离，输入数据必需是数值型，最好是结构化数据分析：训练：寻找用于分类的最优系数测试：当训练完成后，分类速度极快使用：本章涉及优化算法：梯度提升（gradient ascent）和随机梯度提升（stochastic gradien...

坐标下降/上升算法(Coordinate Decsent/Ascent)

Wprofessor的博客

03-03

2185

坐标下降/上升算法(Coordinate Decsent/Ascent) 1.坐标上升/下降算法的原理：坐标上升法(Coordinate Ascent)每次通过更新函数中的一维，通过多次的迭代以达到优化函数的目的。过程可视化出来后大概是这样的：蓝色部分就是迭代的过程，一直到达中心的最优部分 2.自己的一些理解首先我认为坐标上升/下降算法是同一种算法（这个问题我纠结了好久！！！）因为有些...

坐标上升算法（Coordinate Ascent）及C++编程实现

郑海波(莫川)的CSDN博客

12-20

8426

坐标上升算法（Coordinate Ascent）及C++编程实现编程实现： #include using namespace std; #define f(x1,x2,x3) (-x1*x1-2*x2*x2-3*x3*x3+2*x1*x2+2*x1*x3-4*x2*x3+6) int main() { double x1=1; double x2=1;

Codeforces 1284（A，B）hello 2020

Satur9的博客

01-08

256

题目链接：https://codeforces.com/contest/1284 A. New Year and Naming 题意：有两个集合，分别是含有n个元素的s集合与含有m个元素的t集合，第x年的名字有s集合的第x%n（x%n=0是即为第n个元素）个元素与t集合的第x%m（x%m=0时同上）个元素的拼接。思路：开两个二维数组分别存s集合与t集合，分别找到第x%n和第x%某个元素一起输出就...

【机器学习】logistic_grad_ascent 关于逻辑回归、最大似然函数、梯度上升实验的详解

R.G.

04-02

3162

Presented by R.G. Presented\ by\ R.G. Presented by R.G. import numpy as np import pandas as pd import matplotlib import matplotlib.pyplot as plt import math bar = '-'*50 set_X...

Ascent/Arcemu代码分析8-任务系统

行者，当心如止水，梦若骄阳

10-05

3676

任务类型: 对话、送信、施放技能、杀怪、收集、采集、探索、护送（未实现）任务定义： Quest 定义了任务的需求、奖励、文本描述、完成条件以及QuestScrip扩展接口。和ItemPrototye类似，作为任务的定义模板，其对象在运行期间不变。 QuestLogEntry 任务的实例，记录了一个任务的运行期状态，如已完成的杀怪数量。和Item类似，引用一

Ascent代码分析3-World之对象与脚本

行者，当心如止水，梦若骄阳

11-27

3543

事件管理器(EventMgr) Ascent的每个事件是一个TimedEvent对象，其中包含了一个回调函数对象、间隔时间、回调次数和标志信息。EventMgr只是封装了添加事件的操作（并不负责运行事件的回调函数），真正执行事件回调函数的是EventableObjectHolder的update()函数。当使用EventMgr::AddEvent的时候，需要指定目标对象（一

Ascent代码分析4-World之地图管理及实现结构

行者，当心如止水，梦若骄阳

11-27

3270

Wow世界中的地图有两种：场景地图和副本地图. 场景地图只有一个实体，一般比较大。如东部王国、卡里姆多和外域分别是一个整张的地图（各个地图间传送的港口也是单独的地图）。副本地图是同样的地图场景，但却有多个不同的实体。比如各种副本和战场，都属于副本地图。InstanceMgr:将负责整个世界的地图创建和保持。每个地图（以及

Ascent代码分析6-技能

行者，当心如止水，梦若骄阳

10-05

2737

time-step of the dual ascent

07-04

### 回答1：双向升华算法（Dual Ascent）是一种用于解决优化问题的算法，其时间步（time step）是指算法在每一轮迭代中的操作。在每一个时间步中，双向升华算法通过分别更新原始变量和对偶变量来逐步靠近最优解。双向升华算法的时间步包括以下几个关键步骤： 1. 初始化：在第一个时间步中，将原始变量和对偶变量初始化为某个初始值。 2. 更新原始变量：根据当前的对偶变量值，通过最小化原始问题来更新原始变量。这个更新步骤使用了对偶函数的负梯度方向，并根据问题的特性进行调整。 3. 更新对偶变量：根据更新后的原始变量值，通过最大化对偶问题来更新对偶变量。这个更新步骤使用了原始问题的梯度方向，并根据问题的特性进行调整。 4. 终止判断：在每个时间步的最后，检查算法是否已经达到了停止条件。停止条件可以是一定的迭代次数、目标函数变化量或对偶变量的变化量等。 5. 更新时间步：如果算法未终止，则将时间步加一，并回到步骤2。双向升华算法通过不断迭代原始变量和对偶变量的更新来逐渐优化问题，每个时间步都在向最优解靠近。时间步的设置取决于问题的复杂性和收敛速度的要求。较小的时间步可能导致算法收敛速度慢，而较大的时间步可能导致算法在求解过程中发散。总之，双向升华算法的时间步是指算法在每一轮迭代中的操作，包括原始变量和对偶变量的更新，以及终止条件的判断。通过合适的时间步设置，双向升华算法可以高效地求解优化问题。 ### 回答2：对于双重上升算法（dual ascent），time-step是指每次更新对偶变量（dual variables）的时间间隔。虽然时间步骤的大小可以根据特定问题进行调整，但通常是以离散步幅（discrete increments）的形式进行。比如，在线性规划问题中，时间步骤通常是一个既定的常数。使用较小的时间步长进行双重上升更新可能会导致算法的收敛速度较慢，因为解可能在更新之间改变较小。相反，更大的时间步长可能会导致算法在解空间中产生更大的波动，可能会导致不稳定的收敛性或困难的更新。因此，选择适当的时间步长很重要，以平衡收敛速度和数值稳定性。通常，需要根据问题的特性进行实验，尝试不同的时间步骤大小以找到最佳的收敛速度和数值稳定性的平衡点。 ### 回答3：对于双重上升法，time-step （时间步长）指的是在每次迭代中更新变量值的幅度。在双重上升法中，我们通过最大化某个目标函数来优化问题，可以将其分解为两个子问题：主问题和对偶问题。在每次迭代中，主问题通过选择一个变量来最大化目标函数，并将其改变一个小的幅度。这个幅度就是时间步长。时间步长的选择可以根据问题的特性来确定，一般来说，我们希望时间步长足够小，以便在每次迭代中能够找到更接近最优解的变量值。然而，时间步长不能太小，否则优化过程可能会变得非常缓慢。因此，在选择时间步长时需要权衡速度和精确度，寻找一个合理的折衷。在对偶问题中，时间步长的选择也很重要。对偶问题通过选择一个变量来最小化目标函数，并将其改变一个小的幅度。与主问题类似，时间步长的选择取决于问题的特性和求解速度要求。总而言之，时间步长在双重上升法中起到控制变量更新幅度的作用。合适的时间步长选择可以在迭代过程中平衡速度和精确度，从而更好地优化目标函数。