利用装载字节数制作loading

Flash加载动画
本文介绍如何使用Flash MX创建加载动画。通过获取已加载字节数(getBytesLoaded())与总字节数(getBytesTotal()),实现动态进度条效果。教程详细说明了步骤及动作脚本。
终于搞定。。呵呵。。。
    看看用getBytesLoaded()和getBytesTotal()来制作loading 。。。。
    这两个语句意思分别为:获取装载的字节数和动画总的字节数。说到这里,朋友们大概就明白了。我们利用装载的字节数与总的字节数的比值来判断动画是否装载完或者是否达到我们设定的装载位置。这两个语句的优点在于,他们能够精细的判断整个动画和下载的动画的字节数,让观众更能够清楚的知道动画的大小和下载速度。下面我们就利用这两个语句来作一个loading。 
1,  打开flash mx,新建一个文件,文档属性默认。
2,新建一个影片剪辑mc,命名为myloading。
3,进入影片剪辑myloading编辑区,利用长方形工具画一个进度条。
4,  然后,在100帧处插入关键帧。
5,  返回到影片剪辑myloading的第1帧,利用变形工具,改变进度条的中心点。
6,  并使之变形。(在x轴上缩小至消失)。
7,  在第1帧和第100帧之间创建形状渐变。
8,  在影片剪辑myloading的编辑区里新建一层,来作进度条的外框。利用墨水瓶工具和复制。
9,  回到主场景,打开库面板,把影片剪辑myloading拖放到第1层的第1帧,并延长第2帧。
10,单击场景中的影片剪辑,在属性面板中填如其分身名myloading。
11,在主场景中新建图层,命名为as。在as层的第2帧插入空白关键帧。
12,分别在as层的第1帧和第2帧加入as语句如下:     第1帧: 
a=getBytesLoaded();  
b=getBytesTotal();  
loaded=int(a/b*100);  
myloading . gotoAndPlay( loaded );  
第2帧:  
if (a==b) {  
  gotoAndPlay("场景 1", 1);  
} else {  
  gotoAndPlay(1);  

13,打开场景面板,把当前场景一改名为:loading。
14,新建一个场景,并在新场景的第1帧加入一段音乐(为了增大文件体积。当然也可以是动画)。
15,测试完成。
动作脚本解释:     第一帧:  
a=getBytesLoaded();   //设置变量a等于下载的字节数。  
b=getBytesTotal();     //设置变量b等于动画全部字节数。  
loaded=int(a/b*100);   //int为取(a/b*100)的整数(近似值)  
myloading . gotoAndPlay( loaded );  //播放影片剪辑,并以loaded的进度限制。 
     第二帧: 
if(a==b){       //如果下载的字节数等于全部字节数,则执行下面的语句。  
gotoAndPlay(“场景1”,1);        //播放场景1的第1帧。  
}else{             //否则,(条件不满足时)  
gotoAndPlay(1);     //播放loading场景的第1帧  
我刚刚测试过。。。成功。。。呵呵。。。
供flasher参考哦。。呵呵~
PS:我的一个小loading 的记录。。。
  首先     做一MC命名为loader 拉如SCENE。。。
  然后     在MC下插入一个动态文本框。用于显示进度。。实名化kb。。。
  最后     插一层。。。为AS。。。。在AS的第一帧写入:
a=getBytesLoaded();  
//得到下载的字节数 
b=getBytesTotal();  
//得到SCENE总的字节数 
loaded=int(a/b*100);  
//得到下载的比率。。注意*100是为了对应到MC的帧数 
loader.gotoAndPlay(loaded);  
//控制MC播放对应下载进度的帧 
在AS的第二帧写入:
if (a==b) 
 //如果载入字节数等于SCENE总字节数的话 
{  
 gotoAndPlay(12);  
//跳转到12帧播放。第12帧为SCENE正式播放的起始帧 
}  
else 
//否则 
 {  
 kb=loaded+"%";  
//把下载比率值赋予动态文本框kb并显示 
本文转自:http://www.5uflash.com/flashjiaocheng/Flash-loadingjiaocheng/2051.html
基于遗传算法的新的异构分布式系统任务调度算法研究(Matlab代码实现)内容概要:本文档围绕基于遗传算法的异构分布式系统任务调度算法展开研究,重点介绍了一种结合遗传算法的新颖优化方法,并通过Matlab代码实现验证其在复杂调度问题中的有效性。文中还涵盖了多种智能优化算法在生产调度、经济调度、车间调度、无人机路径规划、微电网优化等领域的应用案例,展示了从理论建模到仿真实现的完整流程。此外,文档系统梳理了智能优化、机器学习、路径规划、电力系统管理等多个科研方向的技术体系与实际应用场景,强调“借力”工具与创新思维在科研中的重要性。; 适合人群:具备一定Matlab编程基础,从事智能优化、自动化、电力系统、控制工程等相关领域研究的研究生及科研人员,尤其适合正在开展调度优化、路径规划或算法改进类课题的研究者; 使用场景及目标:①学习遗传算法及其他智能优化算法(如粒子群、蜣螂优化、NSGA等)在任务调度中的设计与实现;②掌握Matlab/Simulink在科研仿真中的综合应用;③获取多领域(如微电网、无人机、车间调度)的算法复现与创新思路; 阅读建议:建议按目录顺序系统浏览,重点关注算法原理与代码实现的对应关系,结合提供的网盘资源下载完整代码进行调试与复现,同时注重从已有案例中提炼可迁移的科研方法与创新路径。
【微电网】【创新点】基于非支配排序的蜣螂优化算法NSDBO求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文提出了一种基于非支配排序的蜣螂优化算法(NSDBO),用于求解微电网多目标优化调度问题。该方法结合非支配排序机制,提升了传统蜣螂优化算法在处理多目标问题时的收敛性和分布性,有效解决了微电网调度中经济成本、碳排放、能源利用率等多个相互冲突目标的优化难题。研究构建了包含风、光、储能等多种分布式能源的微电网模型,并通过Matlab代码实现算法仿真,验证了NSDBO在寻找帕累托最优解集方面的优越性能,相较于其他多目标优化算法表现出更强的搜索能力和稳定性。; 适合人群:具备一定电力系统或优化算法基础,从事新能源、微电网、智能优化等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应用于微电网能量管理系统的多目标优化调度设计;②作为新型智能优化算法的研究与改进基础,用于解决复杂的多目标工程优化问题;③帮助理解非支配排序机制在进化算法中的集成方法及其在实际系统中的仿真实现。; 阅读建议:建议读者结合Matlab代码深入理解算法实现细节,重点关注非支配排序、拥挤度计算和蜣螂行为模拟的结合方式,并可通过替换目标函数或系统参数进行扩展实验,以掌握算法的适应性与调参技巧。
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