在Unity中拥抱响应式编程(一)

博主分享了为何选择使用响应式编程框架UniRx来开发一款类似合金弹头的平台射击游戏Demo,认为响应式编程能实现数据操作的面向性、程序解耦以及便于单元测试。通过将事件转换为数据流,实现游戏逻辑与代码的分离。计划逐步完成项目并分享相关知识和代码。
我计划使用UniRx制作一款类似合金弹头的平台射击游戏(Demo),分享我对Unity响应式编程的思路、看法,欢迎大家交流学习。

为什么要使用响应式编程

老实说,我是响应式编程的忠实粉丝。通过对其大量学习,我从中收获良多,从根本上重新塑造了我的程序设计思路。我认为响应式编程有以下好处:
  • 面向数据操作。使用Unity的响应式编程框架UniRx,我将游戏中的数据和代码逻辑分离,还能高效处理游戏中的各种event、callback。
  • 解耦。我相信大家都有过这样的经历:当程序变得庞大,各种类之间相互引用,形成很深的引用路径,整个程序都变得非常僵硬,每次对代码的修改都会引发额外的问题。通过使用响应式编程增加程序的柔性,我相信可以很好缓解这种症状。
  • 单元测试。如果没有单元测试,怎么证明代码是正确的呢?单元测试是程序设计的先导,也是重构、修改的护航者,贯穿整个版本迭代周期。使用UniRx,可以让代码变得更加易于测试。

什么是响应式编程

响应式编程延伸自观察者模式。我使用UniRx框架,将游戏逻辑中的各种event转换为数据流,然后将依据设定好的筛选条件,将这些数据发送到各种组件上面,指导各种组件进行运作。比如,将玩家按下攻击按钮作为事件onFireBtnPressed。每次,玩家按下Fire键,在通过一系列筛选判断后,将数据推送至武器组件,完成开火指令。

接下来的打算

我计划逐步完成本项目,然后讲解相关的基础知识、设计思路和代码,希望能够对大家有所帮助。
推荐资料
根据原作 https://pan.quark.cn/s/459657bcfd45 的源码改编 Classic-ML-Methods-Algo 引言 建立这个项目,是为了梳理和总结传统机器学习(Machine Learning)方法(methods)或者算法(algo),和各位同仁相互学习交流. 现在的深度学习本质上来自于传统的神经网络模型,很大程度上是传统机器学习的延续,同时也在不少时候需要结合传统方法来实现. 任何机器学习方法基本的流程结构都是通用的;使用的评价方法也基本通用;使用的些数学知识也是通用的. 本文在梳理传统机器学习方法算法的同时也会顺便补充这些流程,数学上的知识以供参考. 机器学习 机器学习是人工智能(Artificial Intelligence)个分支,也是实现人工智能最重要的手段.区别于传统的基于规则(rule-based)的算法,机器学习可以从数据中获取知识,从而实现规定的任务[Ian Goodfellow and Yoshua Bengio and Aaron Courville的Deep Learning].这些知识可以分为四种: 总结(summarization) 预测(prediction) 估计(estimation) 假想验证(hypothesis testing) 机器学习主要关心的是预测[Varian在Big Data : New Tricks for Econometrics],预测的可以是连续性的输出变量,分类,聚类或者物品之间的有趣关联. 机器学习分类 根据数据配置(setting,是否有标签,可以是连续的也可以是离散的)和任务目标,我们可以将机器学习方法分为四种: 无监督(unsupervised) 训练数据没有给定...
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