java 猜拳小游戏

java实现人机猜拳小游戏 通过构建玩家类,计算机类,游戏类,三个类,实现了简单的人机猜拳小游戏。 /** * @author 万星明 * @version 创建时间:2018年10月20日 下午3:01:09 * 计算机类 */ public class Computer { public static String name = "计算机"; public static int score = 0; //... 阅读详情

class a {

    public static void main(String[] args) {
         随机三个数  0  1   3 
        int computerNum = new Random().nextInt(3);

        while (true) {
            boolean b = true;
            System.out.println("输入0  布 1  剪刀 0  石头");
            通过Scanner   键盘输入 玩家的数   
            Scanner scanner = new Scanner(System.in);
            int userNum = scanner.nextInt();

            switch (userNum) {
                case 2:
                    System.out.println("用戶玩家出石头");
                    break;
                case 1:
                    System.out.println("用戶玩家出 -->剪刀");
                    break;
                case 0:
                    System.out.println("用戶玩家出布");
                    break;
                default:
                    System.out.println("输入不正确,按提示输入");
                    b = false;
                    break;
            }

            if (b == true) {
                switch (computerNum) {
                    case 2:
                        System.out.println("电脑玩家出石头");
                        break;
                    case 1:
                        System.out.println("电脑玩家出 剪刀");
                        break;
                    case 0:
                        System.out.println("电脑玩家出布");
                        break;
                }
                if (computerNum == userNum) {   //0
                    System.out.println("平局");
                } else if (computerNum == 0 && userNum == 2 || computerNum == 1 && userNum == 0 || computerNum == 2 && userNum == 1) {
                    System.out.println("电脑赢");
                } else if (b == true) {
                    System.out.println("恭喜你  你赢了");
                }
            }
        }
    }

}
Java猜拳小游戏 摘要: 本文实现了一个Java猜拳小游戏,包含三个类:Player(玩家)、Judge(裁判)和Run(主程序)。玩家通过输入1-3选择出拳(1:石头,2:剪刀,3:布),电脑随机出拳。裁判类比较双方出拳结果,根据规则判断胜负。主程序Run类整合流程,显示双方出拳和比赛结果。代码通过封装确保输入有效性,采用面向对象设计,结构清晰。运行示例:输入"2"(剪刀)后,程序随机生成电脑出拳(如布),输出"电脑:布VS用户:剪刀\n选手胜利"。 阅读详情

相关推荐

Java控制台猜拳小游戏的实战教程

在猜拳游戏开发中,我们首先需要定义一个游戏角色类(Player),用以封装游戏中的每个参与者。角色类一般会包含属性和方法,属性描述了角色的基本特征,如名字、得分等,而方法则定义了角色的行为,如出拳、判断胜负等。// 其他与游戏相关的属性和方法在上述代码中,Player类有两个属性:name和score。构造方法用于创建具有特定名字的玩家对象,并初始化分数为0。类中还包含了一些基本的获取和设置方法,以及一个用于显示玩家当前得分的方法showScore。

weixin_42510201的博客 771

如何用Java实现石头剪刀布小游戏

定义类名Finger,方法名finger,在方法中通过random随机生成0、1、2三个整数,分别代表石头、剪刀、布。System.out.println("请出拳,0石头,1剪刀,2布");System.out.println("电脑出的是石头");System.out.println("电脑出的是剪刀");System.out.println("您出的是石头");System.out.println("您出的是剪刀");System.out.println("电脑出的是布");

M166plus的博客 2150

基于java实现剪刀石头布小游戏

基于java实现的剪刀石头布小游戏,是我学习java来练练手的,java基础入门的学生可以考虑参考一下

JAVA 石头剪刀布简单实现

通过简单小项目,了解和学习 Java

weixin_46474408的博客 5890

Java剪刀石头布小游戏源码整理

Java剪刀石头布小游戏源码整理

Java实现的剪刀石头布游戏示例

主要介绍了Java实现的剪刀石头布游戏,涉及java随机数生成及逻辑判定等相关操作技巧,需要的朋友可以参考下

Java实现石头剪刀布游戏

思路:采取5局3胜制;用两个变量a、b标记,若,第一局电脑胜,则b加1,反之亦然。其中用到int randomNumber = new Random().nextInt(4) 随机生成0·4的一个数,通过生成的数索引数组中的内容,如 String[] array = {"石头", "剪刀", "步"}来模拟电脑出的结果。以循环语句来实行5次对局,通过判断语句来判断,结合两个变量a、b,如 ,a > b 则 某人获胜,a = b 则平局, a < b 则电脑获胜;如,a = 3,b = 0 ,则结束循环,判电

qq_59506101的博客 1万+

从仿真到实机:四足机器人控制算法的全流程验证框架

本文系统阐述了四足机器人从仿真到实机的全流程验证框架。针对仿真与实机环境的巨大差异,文章详细介绍了在MuJoCo等高保真仿真环境中的建模、算法迭代与压力测试方法,并重点解析了通过硬件抽象层和中间件搭建通往实机的关键桥梁。最后,提供了实机部署的安全清单与调试策略,旨在帮助开发者构建可重复、风险可控的算法验证闭环,提升算法在真实世界中的鲁棒性与可靠性。

lilh34434的博客 381

使用java编写一个剪刀石头布小游戏

1、先定一两个整型变量,以便获取赢得局数和打平的局数,然后写出想玩的局数和输入的东西,这里用for循环来实现,我们可以输入字符串来实现,并定义一个变量来给计算机一个回复。首先我们要想到第一步我们要在键盘上输入剪刀、石头或布,然后计算机随机出不同的数字来对我们输入的东西进行回应。用java编写的剪刀石头布游戏主要用的知识点有。3、最后我们只需统计一下场次来判断你是否获胜。2、然后我们让计算机和我们输入的东西进行对比。Scanner、Random、循环。

2201_75741177的博客 1323

DFX从芯片到系统:可制造性、可测试性与可靠性设计实战指南

DFX(Design for eXcellence)是一套面向产品全生命周期的设计方法论,涵盖可制造性(DFM)、可测试性(DFT)、可靠性(DFR)等维度。其核心原理是将制造、测试、维护等环节的约束前置到设计阶段,从而降低流片与量产风险。在芯片与系统硬件领域,DFX不仅是提升良率与测试效率的关键手段,更是保障车规、工控等严苛场景下长期稳定运行的基础。从芯片物理实现到PCB布局,再到系统级散热与维护设计,DFX的落地需要工具链、流程闸门与跨部门协作的体系化支撑。本文基于实际项目经验,分享DFX从设计决策到工

weixin_32349093的博客 348

微信小程序URL Link全解析:从生成原理到实战应用(附Java代码)

本文深入解析微信小程序URL Link的生成原理与实战应用。URL Link是微信官方提供的智能路由协议,通过中间页实现外部链接安全跳转至小程序指定页面。文章详细阐述了其权限模型、环境版本差异及跳转机制,并提供了包含令牌管理、异常处理和性能优化的健壮Java实现方案,助力开发者构建高可用的链接生成服务。

weixin_29327525的博客 1215

Java项目之石头剪刀布

循环来让用户反复进行游戏,直到他们选择不再继续为止。在每个回合中,我们获取用户的输入,并将其解析为。方法来判断胜负,并输出结果。最后,我们询问用户是否继续游戏,并根据他们的回答来决定是否退出循环。枚举来表示石头、剪刀、布三种可能的动作。在这个游戏中,我们首先定义了一个。类来随机生成计算机的选择。

weixin_49816293的博客 1489

大疆OcuSync系统背后的黑科技:跳频扩频技术如何让你的无人机飞得更稳

本文深入解析了大疆OcuSync系统如何运用跳频扩频技术等先进无线通信方案,显著提升无人机在复杂环境下的飞行稳定性。系统通过跳频扩频与直接序列扩频技术协同工作,结合双频智能切换与多天线MIMO,有效对抗信号干扰与多径效应,确保控制指令与高清图传的可靠、低延迟传输,为用户带来更安心、更流畅的飞行体验。

ol7890123的博客 627

【Java项目实现】猜拳小游戏

猜拳小游戏 项目名称 猜拳小游戏 项目描述 玩家与电脑进行猜拳游戏,玩家行为采用输入方式,电脑行为采用随机形式。 代码实现 测试类 public class Test { public static void main(String[] args) { Game game = new Game(); game.start(); } } 主...

Sampson_S的博客 1727

ML307A模组通过MQTT协议接入OneNET平台的AT指令全解析

本文详细解析了ML307A模组通过MQTT协议接入OneNET平台的完整AT指令流程。从平台侧的产品创建、设备添加,到核心难点连接密钥的计算方法,再到模组侧的基础网络附着、MQTT连接配置、数据收发及调试排错,提供了手把手的实战指南,帮助开发者快速实现物联网设备上云。

weixin_29240711的博客 490

国产数据库迁移必看:达梦到ES的CDC方案优化全记录(含完整代码)

本文详细记录了从达梦数据库到Elasticsearch的CDC方案优化全过程,涵盖触发器方案局限性、Debezium架构优势及完整代码实现。通过Flink集成和性能调优,实现毫秒级延迟同步,显著降低数据库负载,为国产数据库迁移提供可落地的技术方案。

weixin_29079671的博客 497

java小游戏_用java实现一个猜拳小游戏

本文实例为大家分享了java实现猜拳小游戏的具体代码,供大家参考,具体内容如下项目名称猜拳小游戏项目描述玩家与电脑进行猜拳游戏,玩家行为采用输入方式,电脑行为采用随机形式。实现:User类public class User { private String name; private int score=0; private int num; public String GetName(...

weixin_39744384的博客 127

优雅谈大模型:“System2”与“System 1”

研究人员探索了三种System 2方法——RaR、S2A 和 BSM,这些方法已经成功提炼到新的LLM,这个新的模型与System 1相比,产生了更好的结果,而且成本低于System 2。然而这种方法是有局限性,只能适用于特定的任务。

鲁班模锤 5142

猜拳游戏 java_用java实现一个猜拳小游戏

本文实例为大家分享了java实现猜拳小游戏的具体代码,供大家参考,具体内容如下项目名称猜拳小游戏项目描述玩家与电脑进行猜拳游戏,玩家行为采用输入方式,电脑行为采用随机形式。实现:User类public class User{private String name;private int score=0;private int num;public String GetName(){return t...

weixin_30783205的博客 1180

基于YOLOv8的端面小目标计数解决方案: 多头检测器+小缺陷到大缺陷一网打尽的GiraffeDet+Wasserstein Distance Loss | 助力工业小目标缺陷检测

端面小目标计数部署解决方案 | 亲测在工业小目标缺陷涨点明显,原始mAP@0.5 0.936提升至0.955

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1954

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Java程序编写 • 【第9章 程序:用定义类实现,输入文字的猜拳小游戏,和输入数字的猜拳小游戏】

Day14学习进度 练习一 <输入文字的猜拳小游戏> 玩家的类文件,接收玩家输入的石头剪刀布 import java.util.Scanner; /接收键盘输入 public class day14_01 { String Play1="玩家"; int fen=0; /记录分数 public String chuquan(){

冯上 2215

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

用java实现一个猜拳小游戏

1 问题通过我们对Java的学习,我们如何才能实现一个猜拳的小游戏呢?2 方法首先运用类的方法创建了一个Scanner类和Random类。然后运用调用类的方法以及while循环语句和if条件语句的混合使用来实现游戏的操作过程。最后实现猜拳游戏。通过实验、实践等证明提出的方法是有效的,是能够解决开头提出的问题。代码清单 1public class Game { public static vo...

算法与编程之美 591

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

猜拳小游戏java_java 猜拳小游戏

请认真阅读以下注意事项游戏开始,要求输入玩家名字随后系统将派出一名英雄(名字自取)出站。玩家通过控制台输入 1(石头)、2(剪刀)、3(布) 与系统英雄对战。玩家出拳的同时,系统英雄随即随机出拳。根据《石头剪刀布游戏》规则,胜利者得1分。 最终比赛结束会展示比赛战绩! 如果玩家胜利,则奖励(胜利局数*2) 荣誉值!!!!同意以上规则请在控制台输入 1,输入其他数字结束!!!import java....

weixin_30942339的博客 329

java语言初次体验之猜拳小游戏

本就是计算机专业的学生的我,接触java语言已经差不多一周,进入千峰教育培训班,原本在学校本就玩心很重的我重新感受到一丝高三的气息。在学习的时候,讲师讲得很细,每一个地方都要求尽善尽美,并且每隔一小段时间等待我们消化所学的知识,课上有很多案例,每个案例都详细解释,生怕我们不懂,同时辅导老师对于每位同学的考勤和课堂纪律以及作业严格要求。这让我所学到的知识不断的消化,转化成自己的能力。这一周学习的是j...

Xrainandsnow的博客 609
上一篇: redis 操作5中数据类型
下一篇: es导入数据和检索数据 过滤(通过产品名称,品牌名称) 高亮 -- 排序等
gudfdd
博客等级 码龄8年 1粉丝 28原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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