andengine中的小技巧

本文介绍了AndEngine中高效利用BitmapTextureAtlas加载多个图片的方法,通过合理布局减少内存浪费。
andengine中,有很多小技巧,下面将为大家介绍一些


一、图片的创建
之前的例子当中,我们在创建图片的时候,都要预先创建一个区域BitmapTextureAtlas,例如之前在创建坦克sprite例子中,我们为坦克sprite创建了一个BitmapTextureAtlas:

[java]  view plain copy
  1.         BitmapTextureAtlas mBitmapTextureAtlas = new BitmapTextureAtlas(  
  2.         getTextureManager(), 128256, TextureOptions.DEFAULT);  
  3. mSpriteTiledTextureRegion = BitmapTextureAtlasTextureRegionFactory  
  4.         .createTiledFromAsset(mBitmapTextureAtlas, this"tank.png"0,  
  5.                 011);  
  6. mBitmapTextureAtlas.load();  

而坦克这张图片的实际大小为:73*132,因此有部分区域浪费掉了。如果我们再创建一个精灵为它再建立一个BitmapTextureAtlas,又会有一部分区域浪费掉了。实际上是我们对内存的消耗。因此,我们可以建立一张很大BitmapTextureAtlas,然后将其它图片加载到这一张上来。这里有一点需要注意:BitmapTextureAtlas并不是可以无限创建大小的,它也是有极限的。因此,如果图片很多很大的话,还是分多个BitmapTextureAtlas来创建吧。

关于如何在一个BitmapTextureAtlas上创建多个图片的方法,可以看一看andengine的例子,我这里随便摘取了一段供大家参考:
[java]  view plain copy
  1. this.mAutoParallaxBackgroundTexture = new BitmapTextureAtlas(1024,  
  2.         1024, TextureOptions.DEFAULT);  
  3. this.mParallaxLayerFront = BitmapTextureAtlasTextureRegionFactory  
  4.         .createFromAsset(this.mAutoParallaxBackgroundTexture, this,  
  5.                 "gfx/parallax_background_layer_front.png"00);  
  6. this.mParallaxLayerBack = BitmapTextureAtlasTextureRegionFactory  
  7.         .createFromAsset(this.mAutoParallaxBackgroundTexture, this,  
  8.                 "gfx/parallax_background_layer_back.png"0188);  
  9. this.mParallaxLayerMid = BitmapTextureAtlasTextureRegionFactory  
  10.         .createFromAsset(this.mAutoParallaxBackgroundTexture, this,  
  11.                 "gfx/parallax_background_layer_mid.png"0669);  


解释一下:
首先,创建一个1024*1024的BitmapTextureAtlas,然后分别在这个上面建立3张图片。

第一张创建在mAutoParallaxBackgroundTexture的左上角,坐标位置为0,0点。其原始图片大小为:640*187;

第二张创建在mAutoParallaxBackgroundTexture的0,188位置,意思就是排在640*187图片的下面,即187+1=188。其原始图片大小为:640*480;

第三张创建在mAutoParallaxBackgroundTexture的0,669位置,意思就是排在640*480图片的下面,即188+480+1=669;

看明白了吗,O(∩_∩)O哈哈~




未完,待续。。。。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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