狂飙GMA900/950 OpenGL性能.(CS玩家必看)

针对Intel GMA900/GMA950显卡OpenGL性能不佳的问题,通过对比测试发现,将驱动程序内存覆盖区设置为低可以显著提升性能。此外,还对其他OpenGL设置进行了测试和推荐。
狂飙GMA900/950 OpenGL性能.(CS玩家必看)
2011年05月10日
  GMA9xx显卡除了DirectX中庸 (稍微还过得去)之外,还有Opengl性能不佳的臭名。
  那就是IntelGMA900/GMA950的驱动设置里面的3D设置。而且Intel的3D设置只有OpenGL的设置,没有DirectX的设置
  本主题讨论的是Opengl设置中的
  "驱动程序内存覆盖区"
  想必进过这个窗口的朋友也对这个选项有点疑惑。
  因为选择为高之后,显存也不会变大。低也没有怎么样。
  而网上一些文章反而误导为选择高是更好的。
  本人今晚就对这堆选项进行了人肉多次反复试验,得出结果:
  该设置设置为"低"为最佳!而且不会有任何副作用。
  设置为高的时候严重降低OpenGL性能!
  该设置所在区域在下面:
  好,话不多说了,进入我们实际测试阶段吧!
  (以下测试在 943GML的200MHZ GMA950,2G双通道进行。)
  一.先用魔兽争霸来测试。(ps.魔兽还是用DirectX比较好)
  如图,使用魔兽争霸的opengl模式进入。
  魔兽设置为1024x768x16bit,用fraps测试fps
  1.首先将驱动程序内存覆盖区设置为高
  待稳定后,得出26fps(看图片左上角)
  2.再将驱动程序内存覆盖区设置为低
  待稳定后,得出42~45fps(看图片左上角)是不是吃了一惊?
  二.再来!对fps稳定性有严重要求的CS测试!
  选择测试地点为De_dust2的CT桥下方,从A路看到B路!
  (因为这样的视角所见的物体才会多些,渲染比较繁重)
  分辨率为1280x800x16bit Opengl模式
  (只为测试,正常还是推荐大家为800x600或者1024x768)
  单机,不bot.
  已经设置fps_max 100命令。
  1.先将驱动程序内存覆盖区设置为高.
  看见没有?在此视角fps很不稳定,下降到了75fps。
  在Cs中低于85fps都会影响操作和发挥
  2.任何环境不变,测试地点视角也不变.
  再将驱动程序内存覆盖区设置为低.
  结果是当然的!fps稳定在98~99!而且随意转头也保持了99fps.
  上面的结论已经毋庸置疑了,再来讨论一下Intel的 Opengl设置面板。
  异步翻转:其实这字面在Intel的意思是“不垂直同步”的意思。但是经测试,不管是还是否,对性能均影响不大。建议开启。
  1.三重缓冲:优化垂直同步的,既然上面的几乎每影响,所以该选项也不用理会。建议默认。
  2.翻转策略:在大部分情况下,设置为位块移动能提高一丁点的性能,但是不是很大。建议设置为位块移动。若程序有问题则尝试设回翻转。
  3.深度缓冲策略:经偶实际人肉多次测试,对性能影响也不大。理论是16bit能提高fps性能但是我没看出来。而理论24bit能提高质量我也没看出来。(瞎子?)建议16ibit
  4.强制S3TC纹理压缩:开了没开影响不大,建议关闭。除非特定程序需要(很少需要这个了的。)。
  5.强制FXT1纹理压缩:你要开么?真的?开了之后魔兽的字体会变得模糊扭曲。如下图(我的魔兽本身是准圆字体。).关之.
  6.驱动程序内存覆盖区:什么?你还要设置为高?你在看本文么?
  7.纹理颜色深度:16bit.如上面的16bit
  8.各向异性过滤:优化图像质量的,你fps都急得慌了还要那么高质量?关之了 。
内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
内容概要:本文介绍了基于粒子群优化算法(PSO)的p-Hub选址优化问基于粒子群优化算法的p-Hub选址优化(Matlab代码实现)题的Matlab代码实现,旨在解决物流与交通网络中枢纽节点的最优选址问题。通过构建数学模型,结合粒子群算法的全局寻优能力,优化枢纽位置及分配策略,提升网络传输效率并降低运营成本。文中详细阐述了算法的设计思路、实现步骤以及关键参数设置,并提供了完整的Matlab仿真代码,便于读者复现和进一步改进。该方法适用于复杂的组合优化问题,尤其在大规模网络选址中展现出良好的收敛性和实用性。; 适合人群:具备一定Matlab编程基础,从事物流优化、智能算法研究或交通运输系统设计的研究生、科研人员及工程技术人员;熟悉优化算法基本原理并对实际应用场景感兴趣的从业者。; 使用场景及目标:①应用于物流中心、航空枢纽、快递分拣中心等p-Hub选址问题;②帮助理解粒子群算法在离散优化问题中的编码与迭代机制;③为复杂网络优化提供可扩展的算法框架,支持进一步融合约束条件或改进算法性能。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,理解算法流程与模型构建逻辑,重点关注粒子编码方式、适应度函数设计及约束处理策略。可尝试替换数据集或引入其他智能算法进行对比实验,以深化对优化效果和算法差异的理解。
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