AncientBeast项目中技能目标矩阵的重命名技术分析
2025-07-08 13:02:45作者:幸俭卉
背景介绍
在AncientBeast这款策略游戏中,技能的目标选择机制是通过矩阵(grid)来实现的。每个技能都有一个对应的目标矩阵,定义了该技能可以影响哪些位置的单位。最近开发团队在整理代码时,发现需要将Stomper单位的"Earth Shaker"技能的目标矩阵进行重命名,使其更具通用性。
矩阵结构分析
"Earth Shaker"技能的目标矩阵结构如下:
[
[0, 0, 1, 0],
[0, 0, 1, 1],
[0, 1, 1, 0], // 原点行
[0, 0, 1, 1],
[0, 0, 1, 0],
]
这个矩阵表示的是一个5行4列的二维数组,其中1代表可攻击位置,0代表不可攻击位置。原点行(origin line)是技能施放者所在的位置行。
与Infernal Prayer矩阵的对比
开发团队最初考虑复用这个矩阵给Infernal的"Intense Prayer"技能使用,但发现两者存在关键差异:
// Infernal Prayer矩阵
[
[0, 0, 1, 0],
[0, 0, 1, 1],
[1, 1, 1, 0], // 原点行
[0, 0, 1, 1],
[0, 0, 1, 0],
]
主要区别在于原点行:
- Earth Shaker的原点行是
[0, 1, 1, 0] - Infernal Prayer的原点行是
[1, 1, 1, 0]
设计决策分析
经过深入讨论,开发团队确定了以下设计原则:
-
技能独特性:虽然两个技能的目标区域相似,但考虑到动画表现和游戏平衡性,应该保持各自的矩阵。
-
命名规范:矩阵名称应该描述其功能而非关联的具体技能,便于未来扩展和维护。
-
区域描述:新名称应准确反映矩阵覆盖的区域特征。
最终解决方案
开发团队决定采用以下命名方案:
- 原Earth Shaker矩阵重命名为
frontAndBack8Hex - Infernal Prayer矩阵保持为
frontAndBack9Hex
这种命名方式:
- 清晰描述了矩阵覆盖的区域(前方和后方)
- 通过数字表明了可攻击的六边形数量
- 去除了与具体技能的关联,提高了代码的可维护性
技术实现建议
对于类似的游戏开发项目,在处理技能目标矩阵时,建议:
- 建立统一的矩阵命名规范
- 为每种独特的区域模式创建独立的矩阵定义
- 在文档中详细记录每个矩阵的覆盖范围和适用场景
- 考虑使用可视化工具来验证矩阵的实际效果
这种规范化的处理方式可以显著提高代码的可读性和可维护性,特别是在项目规模扩大时。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0193
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook05
热门内容推荐
项目优选
收起
暂无描述
Dockerfile
766
4.99 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.94 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
686
1.34 K
Ascend Extension for PyTorch
Python
721
888
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
458
445
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.01 K
262
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
253
CANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体,本仓库为其提供可复用的 Skills 模块。
Python
1 K
617