Отчет по курсовой работе по дисциплине «программирование на яву» игра «bomber» icon

Отчет по курсовой работе по дисциплине «программирование на яву» игра «bomber»


Смотрите также:
Конспект прослушанных лекций по дисциплине «Алгоритмические языки и программирование»...
Отчет о выполнении курсовой работы по дисциплине "Программирование и алгоритмические языки "...
Пояснительная записка к курсовой работе на тему: «Активный полосовой фильтр» по дисциплине...
Учебно-методический комплекс по дисциплине «Программирование на языках высокого уровня (яву)»...
Методические указания к курсовой работе по дисциплине «Материаловедение и ткм»...
Пояснительная записка к курсовой работе по дисциплине «Организация и приложение мультимедийных...
Пояснительная записка к курсовой работе по дисциплине «Схемотехника эвм»...
Методические рекомендации по выполнению курсовой работы по дисциплине “Программирование на языке...
«Космический книжный джамп»...
Методические указания к курсовой работе по дисциплине «Объектно-ориентированное...
Методические указания к курсовой работе по дисциплине «Радиотехнические сигналы и цепи»...
Методические рекомендации по выполнению курсовой работы по дисциплине «Система государственного...



Загрузка...
скачать

Министерство образования российской федерации

Московский государственный институт электроники и математики

(технический институт)

Кафедра ИКТ





ОТЧЕТ ПО КУРСОВОЙ РАБОТЕ ПО ДИСЦИПЛИНЕ «ПРОГРАММИРОВАНИЕ НА ЯВУ»

ИГРА «BOMBER»


Автор работы:

А.В. Игрычев, студент группы С-15.

Руководитель:

В. Матвеев

Содержание


Содержание 2

Задача 3

Цели 3

Описание игры 3

Средства разработки 3

Используемая литература 4
^

Задача


Разработать игру и реализовать её с помощью языка программирования «Python».

Цели


Создание игры, аналогов которой является всем известная игра «Bomber» с тем изменением, что цель этой игры - уничтожить противника.
^

Описание игры


Игроки находятся в противоположных углах. Все параметры равны. Персонажи передвигаются по игровому полю по прямым линиям (по горизонтали или по вертикали). Есть возможность установление бомбы. Изначально следующая бомба может быть поставлена только после того, как взорвется предыдущая. Установив бомбу вблизи от кирпичного препятствия, она взрывается и уничтожает его. Если бомба взрывается рядом с персонажем - он умирает.

Главное меню состоит из двух пунктов: начать игру, выход. Выбор пункта меню осуществляется как при помощи мыши, так и с помощью клавиатуры. Во время самой игры есть возможность поставить на паузу.
^

Средства разработки


Игра разрабатывалась на языке Python с использованием библиотеки Pygame для работы с графикой. Сами объекты были созданы при помощи графического редактора Adobe Photoshop.
^

Используемая литература


    1. Документация Pygame.org

    2. http://citforum.ru/programming/python/python1.shtml

    3. http://ru.wikisource.org/wiki/%D0%9F%D0%BE%D0%B3%D1%80%D1%83%D0%B6%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2_Python_3_(%D0%9F%D0%B8%D0%BB%D0%B3%D1%80%D0%B8%D0%BC)/%D0%92%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%BD%D1%8B%D0%B5_%D1%82%D0%B8%D0%BF%D1%8B_%D0%B4%D0%B0%D0%BD%D0%BD%D1%8B%D1%85



Метод обратного распространения ошибки — метод обучения многослойного перцептрона. Впервые метод был описан в 1974 г. А.И. Галушкиным[1], а также независимо и одновременно Полом Дж. Вербосом[2]. Далее существенно развит в 1986 г. Дэвидом И. Румельхартом, Дж. Е. Хинтоном и Рональдом Дж. Вильямсом[3] и независимо и одновременно С.И. Барцевым и В.А. Охониным (Красноярская группа)[4]. Это итеративный градиентный алгоритм, который используется с целью минимизации ошибки работы многослойного перцептрона и получения желаемого выхода. Основная идея этого метода состоит в распространении сигналов ошибки от выходов сети к её входам, в направлении, обратном прямому распространению сигналов в обычном режиме работы. Барцев и Охонин предложили сразу общий метод («принцип двойственности»), приложимый к более широкому классу систем, включая системы с запаздыванием, распределённые системы, и т.п.[5] Для возможности применения метода обратного распространения ошибки передаточная функция нейронов должна быть ди фференцируема.


Кривы́е Безье́ или Кривы́е Бернште́йна-Безье́ были разработаны в 60-х годах XX века независимо друг от друга Пьером Безье (Pierre Bézier) из автомобилестроительной компании «Рено» и Полем де Кастельжо (Paul de Faget de Casteljau) из компании «Ситроен», где применялись для проектирования кузовов автомобилей. Несмотря на то, что открытие де Кастельжо было сделано несколько ранее Безье (1959), его исследования не публиковались и скрывались компанией как производственная тайна до конца 1960-х. Кривая Безье является частным случаем многочленов Бернштейна, описанном Сергеем Натановичем Бернштейном в 1912 году. Впервые кривые были представлены широкой публике в 1962 году французским инженером Пьером Безье, который, разработав их независимо от де Кастельжо, использовал их для компьютерного проектирования автомобильных кузовов. Кривые были названы именем Безье, а именем де Кастельжо назван разработанный им рекурсивный способ определения кривых (алгоритм де Кастельжо). Впоследствии это открытие стало одним из важнейших инструментов систем автоматизированного проектирования и программ компьютерной графики.


Иску́сственные нейро́нные се́ти (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса [1]. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи. С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма[2]. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Теория распознава́ния о́бразов — раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно или нельзя переходить улицу в данный момент. Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Необходимость в таком распознавании возникает в самых разных областях — от военного дела и систем безопасности до оцифровки всевозможных аналоговых сигналов. Традиционно задачи распознавания образов включают в круг задач искусственного интеллекта.

http://docs.python.org/release/2.6.6/tutorial/index.html

http://www.pygame.org/docs/

http://ru.wikipedia.org/wiki/%D0%97%D0%B0%D0%B3%D0%BB%D0%B0%D0%B2%D0%BD%D0%B0%D1%8F_%D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0



Москва 2010 год




Скачать 50.93 Kb.
оставить комментарий
Дата30.11.2011
Размер50.93 Kb.
ТипОтчет, Образовательные материалы
Добавить документ в свой блог или на сайт

Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Загрузка...
Документы

Рейтинг@Mail.ru
наверх