Unity对象池

本文深入探讨Unity中缓存池的实现原理与优化方法,包括如何使用字典存储不同类型的GameObject,通过单例模式创建缓存池,以及在游戏物体创建、回收过程中的具体操作流程,有效避免内存泄漏,提升游戏性能。

unity在创建物体后(申请内存),删除,内存中没有立刻释放,只是将引用取消掉.

缓存池:

优点:减少内存消耗,优化运行时效率,防止内存泄漏.
需要存放不同类型的游戏对象(GameObject)

使用字典来创建缓存池Dictionary<key,List<GameObject>>

缓存池创建:
缓存池判断游戏物体是什么类型使用枚举

public enum gameObjType
    {
        Bullet0,
        Bullet1,
    }

缓存池只有一个,使用单例模式(静态类还可以new,使用单例模式就不能new了)进行创建

//单例
    private static GamePool instance;
    public static GamePool Instance
    {
        get
        {
            return instance;
        }
    }
    private void Awake()
    {
        if (instance == null)
        {
            instance = this;
        }
    }

    static Dictionary<gameObjType, List<GameObject>> dic =
        new Dictionary<gameObjType, List<GameObject>>();

1.判断字典中是否有要创建的游戏物体类型
2.有此类型,遍历Value(List)中,有没有可以使用的GameObject,有的话返回它,没有的话,创建一个实例并在List中添加它,返回此实例.
3.没有类型创建一个Key-Value对,新建一个List,新建一个目标类型游戏物体的实例,将此实例加入List,将List加入字典,返回此实例

public GameObject CreateGameObj(gameObjType type)
    {
        Object go;//设为成员变量
        GameObject finalGo;
        go = Resources.Load("Bullet" + (int)type);
        if (dic.ContainsKey(type))//字典中存在type的情况
        {
            foreach (var item in dic[type])
            {
                if (item.activeSelf == false)
                {
                    return item;
                }
            }
            //遍历List后没有可以用的GameObject情况
            finalGo = Instantiate(go) as GameObject;
            dic[type].Add(finalGo);
            return finalGo;
        }
        List<GameObject> temp = new List<GameObject>();
        finalGo = Instantiate(go) as GameObject;
        temp.Add(finalGo);
        dic.Add(type, temp);
        return finalGo;
    }

注:当Dictionary中有并且List中有可用的游戏时,不直接激活物体,而是在物体的自己的脚本中进行激活,以防止物体在激活的瞬间瞬移.

另一种实现方式

public class ObjectPool : MonoBehaviour
{
    //单例
    public static ObjectPool Instance;
    private Dictionary<string, ArrayList> m_Pool;

    private void Awake()
    {
        Instance = this;
        m_Pool = new Dictionary<string, ArrayList>();
    }

    /// <summary>
    /// 进入对象池
    /// </summary>
    public void JoinPool(GameObject obj)
    {
        obj.SetActive(false);
        string objName = obj.name.Replace("(Clone)", "");
        if (m_Pool.ContainsKey(objName))
        {
            m_Pool[objName].Add(obj);
        }
        else
        {
            m_Pool.Add(objName, new ArrayList() { obj });
        }
    }
    /// <summary>
    /// 出对象池
    /// </summary>
    /// <param name="objName"></param>
    /// <returns></returns>
    public GameObject OutPool(string objName)
    {
        if (m_Pool.ContainsKey(objName))
        {
            if (m_Pool[objName].Count>0)
            {
                GameObject currentObj = m_Pool[objName][0] as GameObject;
                m_Pool[objName].Remove(currentObj);
                currentObj.SetActive(true);
                return currentObj;
            }
        }
        return Instantiate(Resources.Load<GameObject>(objName));
    }
}
源码来自:https://pan.quark.cn/s/a3a3fbe70177 AppBrowser(Application属性查看器,不需要越狱! ! ! ) 不需要越狱,调用私有方法 --- 获取完整的已安装应用列表、打开和删除应用操作、应用运行时相关信息的查看。 支持iOS10.X 注意 目前AppBrowser不支持iOS11应用查看, 由于iOS11目前还处在Beta版, 系统API还没有稳定下来。 等到Private Header更新了iOS11版本,我也会进行更新。 功能 [x] 已安装的应用列表 [x] 应用的详情界面 (打开应用,删除应用,应用的相关信息展示) [x] 应用运行时信息展示(LSApplicationProxy) [ ] 定制喜欢的字段,展示在应用详情界面 介绍 所有已安装应用列表(应用icon+应用名) 为了提供思路,这里只用伪代码,具体的私有代码调用请查看: 获取应用实例: 获取应用名和应用的icon: 应用列表界面展示: 应用列表 应用运行时详情 打开应用: 卸载应用: 获取info.plist文件: 应用运行时详情界面展示: 应用运行时详情 右上角,从左往右第一个按钮用来打开应用;第二个按钮用来卸载这个应用 INFO按钮用来解析并显示出对应的LSApplicationProxy类 树形展示LSApplicationProxy类 通过算法,将LSApplicationProxy类,转换成了字典。 转换规则是:属性名为key,属性值为value,如果value是一个可解析的类(除了NSString,NSNumber...等等)或者是个数组或字典,则继续递归解析。 并且会找到superClass的属性并解析,superClass如...
基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO)的LSTM分类预测研究(Matlab代码实现)内容概要:本文研究了一种基于遗传算法辅助异构改进的动态多群粒子群优化算法(GA-HIDMSPSO),并将其应用于LSTM神经网络的分类预测中,通过Matlab代码实现。该方法结合遗传算法的全局搜索能力与改进的多群粒子群算法的局部优化特性,提升LSTM模型在分类任务中的性能表现,尤其适用于复杂非线性系统的预测问题。文中详细阐述了算法的设计思路、优化机制及在LSTM参数优化中的具体应用,并提供了可复现的Matlab代码,属于SCI级别研究成果的复现与拓展。; 适合人群:具备一定机器学习和优化算法基础,熟悉Matlab编程,从事智能算法、时间序列预测或分类模型研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①提升LSTM在分类任务中的准确性与收敛速度;②研究混合智能优化算法(如GA与PSO结合)在神经网络超参数优化中的应用;③实现高精度分类预测模型,适用于电力系统故障诊断、电池健康状态识别等领域; 阅读建议:建议读者结合Matlab代码逐步调试运行,理解GA-HIDMSPSO算法的实现细节,重点关注种群划分、异构策略设计及与LSTM的集成方式,同时可扩展至其他深度学习模型的参数优化任务中进行对比实验。
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