gridseed软件如何利用MATLAB产生随机坐标

编程入门行业动态更新时间:2024-10-28 14:23:28

clear;

clc;

a = 10; %%%%% 长

b = 5; %%%%% 宽

n = 100; %%%%% 点数量

cxd1 = a*rand(n,1); %%%%%% 产生横坐标

cxd2 = b*rand(n,1); %%%%%% 产生纵坐标

cxd = [cxd1 cxd2]; %%%%%% 生产随机点

figure(1)

plot(cxd1,cxd2,'o') %%%%%% 绘图，从图可以大致看出随机分布

figure(2)

hist(cxd1) %%%%%% 验证横坐标随机分布

figure(3)

hist(cxd2) %%%%%% 验证纵坐标随机分布

植物大战僵尸怎么从文件中直接修改植物和僵尸的各项数值？

一、基本配备

我们不需要修改器，那个没什么用。需要的工具是文件16进制编辑软件或者说磁盘编辑软件，比如 Winhex 我们的目的是对用户数据记录文件进行编辑，因此需要找到用户记录文件。98/ME/XP下比较好找，储存在Plants vs. Zombies/userdata/文件夹下。VISTA/WIN7位置比较诡异，在C:/Programme Files/Popcap/文件夹下面的一个什么子文件夹里面，在系统盘搜索Popcap应该会比较容易找到。

用户记录文件有N+1个，N个用户就有N个user?.dat的文件，?代表数字，对应用户列表。最后剩下的users.dat则存放了用户列表和用户名称。

二、数据修改

好了，知道用户文件后就用Winhex打开对应文件，比如以user1.dat为例。

这个文件至少含有820个字节。在后面的叙述中，文件的第一个字节对应的字节号是0，那么第800个字节对应的字节号就应该是799，小学生的算术题而已。以下是本人经多次测试得出的数据所代表的意义：

记录文件user?.dat

----------------------------------------------------------------------------------------------------

字节(Dec) 长度(Dec) 说明(Hex)

---------- 基本数据 --------------------------------------------------------------------------------

00 4 不明(定值0C)

04 4 Adventure 当前关(01-32)

08 4 金钱

12 4 Adventure 完成次数

---------- Survival 数据 ---------------------------------------------------------------------------

16 4 Survival 01 已完成(00-05)Flags

20 4 Survival 02 已完成(00-05)Flags

24 4 Survival 03 已完成(00-05)Flags

28 4 Survival 04 已完成(00-05)Flags

32 4 Survival 05 已完成(00-05)Flags

36 4 Survival 06 (Hard) 已完成(00-0A)Flags

40 4 Survival 07 (Hard) 已完成(00-0A)Flags

44 4 Survival 08 (Hard) 已完成(00-0A)Flags

48 4 Survival 09 (Hard) 已完成(00-0A)Flags

52 4 Survival 10 (Hard) 已完成(00-0A)Flags

64 4 Survival:Endless 最高记录

---------- Mini Game 数据 --------------------------------------------------------------------------

76 4 Mini Game 01 完成次数

80 4 Mini Game 02 完成次数

84 4 Mini Game 03 完成次数

88 4 Mini Game 04 完成次数

92 4 Mini Game 05 完成次数

96 4 Mini Game 06 完成次数

100 4 Mini Game 07 完成次数

104 4 Mini Game 08 完成次数

108 4 Mini Game 09 完成次数

112 4 Mini Game 10 完成次数

116 4 Mini Game 11 完成次数

120 4 Mini Game 12 完成次数

124 4 Mini Game 13 完成次数

128 4 Mini Game 14 完成次数

132 4 Mini Game 15 完成次数

136 4 Mini Game 16 完成次数

140 4 Mini Game 17 完成次数

144 4 Mini Game 18 完成次数

148 4 Mini Game 19 完成次数

152 4 Mini Game 20 完成次数

---------- The Tree of Wisdom 数据 -----------------------------------------------------------------

212 4 The Tree of Wisdom 生长/高度

---------- Puzzle 数据I: Vasebreaker ---------------------------------------------------------------

216 4 Puzzle:Vasebreaker 01 完成次数

220 4 Puzzle:Vasebreaker 02 完成次数

224 4 Puzzle:Vasebreaker 03 完成次数

228 4 Puzzle:Vasebreaker 04 完成次数

232 4 Puzzle:Vasebreaker 05 完成次数

236 4 Puzzle:Vasebreaker 06 完成次数

240 4 Puzzle:Vasebreaker 07 完成次数

244 4 Puzzle:Vasebreaker 08 完成次数

248 4 Puzzle:Vasebreaker 09 完成次数

252 4 Puzzle:Vasebreaker:Endless 最高记录

---------- Puzzle 数据II: I,Zombie -----------------------------------------------------------------

256 4 Puzzle:I,Zombie 01 完成次数

260 4 Puzzle:I,Zombie 02 完成次数

264 4 Puzzle:I,Zombie 03 完成次数

268 4 Puzzle:I,Zombie 04 完成次数

272 4 Puzzle:I,Zombie 05 完成次数

276 4 Puzzle:I,Zombie 06 完成次数

280 4 Puzzle:I,Zombie 07 完成次数

284 4 Puzzle:I,Zombie 08 完成次数

288 4 Puzzle:I,Zombie 09 完成次数

292 4 Puzzle:I,Zombie:Endless 最高记录

---------- SHOP 出售数据 ---------------------------------------------------------------------------

416 4 Gatling Pea 升级卡片已购买(00-01)

420 4 Twin Sunflower 升级卡片已购买(00-01)

424 4 Gloom-shroom 升级卡片已购买(00-01)

428 4 Cattail 升级卡片已购买(00-01)

432 4 Winter Melon 升级卡片已购买(00-01)

436 4 Gold Magnet 升级卡片已购买(00-01)

440 4 Spikerock 升级卡片已购买(00-01)

444 4 Cob Cannon 升级卡片已购买(00-01)

448 4 Imitater 卡片已购买

456 4 Marigold Sprout I 已购买(2000.1.1至今天数,2000.1.1为0)日期

460 4 Marigold Sprout II 已购买(2000.1.1至今天数,2000.1.1为0)日期

464 4 Marigold Sprout III 已购买(2000.1.1至今天数,2000.1.1为0)日期

468 4 Golden Watering Can 升级已购买(00-01)

472 4 Fertilizer 已购买(03E8-03FC,未开启为0000)剩余

476 4 Bug Spray 已购买(03E8-03FC,未开启为0000)剩余

480 4 Phonograph 升级已购买(00-01)

484 4 Gardening Glove 升级已购买(00-01)

488 4 Mushroom Garden 已购买(00-01)

492 4 Aquarium Garden 已购买(00-01)

496 4 Snail 已购买(4字节,未明,状态相关)

500 4 Seed Slot 已升级(00-04)

504 4 Pool Cleaners 升级已购买(00-01)

508 4 Roof Cleaners 升级已购买(00-01)

512 4 Roof Rake 已购买(00-03)剩余

520 4 Chocolate 已获得(03E8-03FC,未开启为0000)剩余

524 4 The Tree of Wisdom 已购买(00-01)

528 4 Tree Food 已购买(03E8-03FC,未开启为0000)剩余

532 4 Wall-nut First Aid 升级已购买(00-01)

---------- 其他数据 --------------------------------------------------------------------------------

748 4 未知(00-01)

752 12 未知,可能与 The Tree of Wisdom 有关

768 4 Mini Game 开启提示标记(00-01)

788 4 Survival 开启提示标记(00-01)

796 4 Adventure 完成提示标记(00-01)

---------- Zen Garden 数据 -------------------------------------------------------------------------

816 4 Zen Garden 模式拥有花总数

820字节开始是 Zen Garden 模式下花的具体数据,每个花需要88字节

很多是吧，一点点慢慢来。

0字节就别改了，第8字节开始的4个字节记录的是你的金钱。这是个16进制的数据，比如你看到显示的值是FE 03 00 00，你读的时候要读成(Hex)000003FE，换算成十进制就是(Dec)1022。这里的1代表游戏中10的钱（最小的单位，一个银币是10）。也就是说，这个例子里你还有10220的余额。剩下的每个数都是如此。如果你觉得不可理解，建议去补习以下16进制的内容和文件的数据记录顺序。

里面有些数据，如巧克力的剩余量，由520字节开始的4个字节存储。在你还没有巧克力时，这个值是00 00 00 00，当你拾取第一个时，数据变成E9 03 00 00，就是十进制的1001。以后你用完巧克力，这个值最低也只降到E8 03 00 00，也就是十进制的1000。这要注意。还有些开关变量数据，都是布尔型的，只要设成1就OK。

其他还有一些Mini Game的数据，从文件中可以看到，当你第二次，第三次完成某一关卡时，这个数据会更新的，尽管从游戏中我们看不出任何不同。

游戏中植物卡片和道具如SHOP钥匙、图鉴的获得是ADVENTURE当前关卡有关，是自动获得的。

最后要说Zen Garden的花的数据。一个花需要88字节。

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

0 (00)00 00 00(00)00 00 00 (00)00 00 00(00)00 00 00

16 (00)00 00 00 00 00 00 00 FF FF FF FF 00 00 00 00

32 (00)00 00 00(00)00 00 00 00 00 00 00 00 00 00 00

48 00 00 00 00 00 00 00 00 FF FF FF FF 00 00 00 00

64 FF FF FF FF 00 00 00 00 00 00 00 00 00 00 00 00

80 00 00 00 00 00 00 00 00

关注第 0 4 8 12 32 36 字节，也就是有括号的那些。

0字节代表花的主类型，32字节代表花的亚类型，就是Marigold的颜色。

TYPE(B1:L1) TYPE(VISI) TYPE(VISI,CN) SUBTYPE(B33:L1) SUBTYPE(VISI)

00(Hex) Peashooter 豌豆炮

01(Hex) Sunflower 太阳花

02(Hex) Cherry Bomb 樱桃炸弹

03(Hex) Wall-nut 小坚果

04(Hex) Potato Mine 地雷

05(Hex) Snow Pea 冰冻豌豆炮

06(Hex) Chomper 食人花

07(Hex) Repeater 连发豌豆炮

08(Hex) Puff-shroom 紫矮蘑菇

09(Hex) Sun-shroom 太阳蘑菇

0A(Hex) Fume-shroom 毒气蘑菇

0B(Hex) Grave Buster 坟墓杀手

0C(Hex) Hypno-shroom 迷乱蘑菇

0D(Hex) Scaredy-shroom 畏缩的蘑菇

0E(Hex) Ice-shroom 冰冻蘑菇

0F(Hex) Doom-shroom 末日蘑菇

10(Hex) Lily Pad 荷叶

11(Hex) Squash 跳瓜

12(Hex) Threepeater 三联豌豆炮

13(Hex) Tangle Kelp 海带

14(Hex) Jalapeno 辣椒

15(Hex) Spikeweed 棘刺草

16(Hex) Torchwood 燃烧的木桩

17(Hex) Tall-nut 大坚果

18(Hex) Sea-shroom 水生蘑菇

19(Hex) Plantern 灯

1A(Hex) Cactus 仙人掌

1B(Hex) Blover 三叶草

1C(Hex) Split Pea 双向豌豆炮

1D(Hex) Starfruit 星果

1E(Hex) Pumpkin 南瓜

1F(Hex) Magnet-shroom 磁力蘑菇

20(Hex) Cabbage-pult 卷心菜

21(Hex) Flower Pot 花盆

22(Hex) Kernel-pult 玉米

23(Hex) Coffee Bean 咖啡豆

24(Hex) Garlic 大蒜

25(Hex) Umbrella Leaf 遮蔽叶

26(Hex) Marigold 万寿菊

27(Hex) Melon-pult 西瓜

28(Hex) Gatling Pea 机枪豌豆炮

29(Hex) Twin Sunflower 孪生太阳花

2A(Hex) Gloom-shroom 爆毒蘑菇

2B(Hex) Cattail 猫尾花

2C(Hex) Winter Melon 冰冻西瓜

2D(Hex) Gold Magnet 金磁草

2E(Hex) Spikerock 石化棘刺

2F(Hex) Cob Cannon 玉米大炮

30(Hex) Imitater 拟形种子

31(Hex) Explode-o-nut 炸弹坚果

32(Hex) Gaint Wall-nut 巨型坚果

33(Hex) Sprout 花苗

而Marigold花的颜色

00(Hex) 白

01(Hex) #(无色)

02(Hex) 白

03(Hex) 品红

04(Hex) 橙

05(Hex) 浅红

06(Hex) 天青

07(Hex) 红

08(Hex) 蓝

09(Hex) 紫

0A(Hex) 浅紫

0B(Hex) 黄

0C(Hex) 浅绿

虽然此字节值为00和01是不会出错的，但是正常游戏都从02开始到0C的值，一共11种颜色。除了Marigold的花，这个值一律是0。

4字节的数据是花所在的花园。00是第一个花园，01是蘑菇园，02是水族馆。

8字节指的是位置。在蘑菇园和水族馆中，这个字节就代表了位置，大家可以尝试下每个值对应游戏中显示的位置。而在第一个花园里，这个字节和第12字节共同组成Grid坐标。左上是00,00，右下是07,03，一共8*3=32个格子。

36字节指的是花的状态。00表示幼苗，01是刚成长，02是第二次长大，03是最大。

最后就是那些被我标记成FF的区域，一共有3个，对此机制不明，只知道这个数据与浇花、施肥、长大、和满足的具体时间有关。这个数据的不当修改会导致花永远无法长大或者高兴。总之，这个值照抄其他正常花就可以了。

tieba.baidu/f?kz=609709113

commercial airlines

商业航空公司，就是民用航空公司的意思

与其对应的应该是军用吧

请教，grid控件的用法

griddata（）——网格数据网格化和曲面拟合函数。griddata的用法ZI=griddata(x,y,z,XI,YI)griddata的实例rand('seed',0)x=rand(100,1)*4-2;y=rand(100,1)*4-2;z=x.*exp(-x.^2-y.^2);ti=-2:.25:2;[XI,YI]=meshgrid(ti,ti);ZI=griddata(x,y,z,XI,YI);mesh(XI,YI,ZI)

如何在r语言中使用 lightgbm

本文用到的处理二值数据的方法，有以下两种：

glm(generalized boosted models)

glmnet(generalized linear models)

glm使用了boosted trees，glmnet使用了regression

# load libraries

library(caret)

library(pROC)

#################################################

# data prep

#################################################

# load data

titanicDF <- read.csv('math.ucdenver.edu/RTutorial/titanic.txt',sep='\t')

titanicDF$Title <- ifelse(grepl('Mr ',titanicDF$Name),'Mr',ifelse(grepl('Mrs ',titanicDF$Name),'Mrs',ifelse(grepl('Miss',titanicDF$Name),'Miss','Nothing')))

titanicDF$Age[is.na(titanicDF$Age)] <- median(titanicDF$Age, na.rm=T)

# miso format

titanicDF <- titanicDF[c('PClass', 'Age', 'Sex', 'Title', 'Survived')]

# dummy variables for factors/characters

titanicDF$Title <- as.factor(titanicDF$Title)

titanicDummy <- dummyVars("~.",data=titanicDF, fullRank=F)

titanicDF <- as.data.frame(predict(titanicDummy,titanicDF))

print(names(titanicDF))

# what is the proportion of your outcome variable?

prop.table(table(titanicDF$Survived))

# save the outcome for the glmnet model

tempOutcome <- titanicDF$Survived

# generalize outcome and predictor variables

outcomeName <- 'Survived'

predictorsNames <- names(titanicDF)[names(titanicDF) != outcomeName]

#################################################

# model it

#################################################

# get names of all caret supported models

names(getModelInfo())

titanicDF$Survived <- ifelse(titanicDF$Survived==1,'yes','nope')

# pick model gbm and find out what type of model it is

getModelInfo()$gbm$type

# split data into training and testing chunks

set.seed(1234)

splitIndex <- createDataPartition(titanicDF[,outcomeName], p = .75, list = FALSE, times = 1)

trainDF <- titanicDF[ splitIndex,]

testDF <- titanicDF[-splitIndex,]

# create caret trainControl object to control the number of cross-validations performed

objControl <- trainControl(method='cv', number=3, returnResamp='none', summaryFunction = twoClassSummary, classProbs = TRUE)

# run model

objModel <- train(trainDF[,predictorsNames], as.factor(trainDF[,outcomeName]),

method='gbm',

trControl=objControl,

metric = "ROC",

preProc = c("center", "scale"))

)

# find out variable importance

summary(objModel)

# find out model details

objModel

#################################################

# evalute mdoel

#################################################

# get predictions on your testing data

# class prediction

predictions <- predict(object=objModel, testDF[,predictorsNames], type='raw')

head(predictions)

postResample(pred=predictions, obs=as.factor(testDF[,outcomeName]))

# probabilites

predictions <- predict(object=objModel, testDF[,predictorsNames], type='prob')

head(predictions)

postResample(pred=predictions, obs=testDF[,outcomeName])

auc <- roc(ifelse(testDF[,outcomeName]=="yes",1,0), predictions[[2]])

print(auc$auc)

################################################

# glm model

################################################

# pick model gbm and find out what type of model it is

getModelInfo()$glmnet$type

# save the outcome for the glmnet model

titanicDF$Survived <- tempOutcome

# split data into training and testing chunks

set.seed(1234)

splitIndex <- createDataPartition(titanicDF[,outcomeName], p = .75, list = FALSE, times = 1)

trainDF <- titanicDF[ splitIndex,]

testDF <- titanicDF[-splitIndex,]

# create caret trainControl object to control the number of cross-validations performed

objControl <- trainControl(method='cv', number=3, returnResamp='none')

# run model

objModel <- train(trainDF[,predictorsNames], trainDF[,outcomeName], method='glmnet', metric = "RMSE")

# get predictions on your testing data

predictions <- predict(object=objModel, testDF[,predictorsNames])

library(pROC)

auc <- roc(testDF[,outcomeName], predictions)

print(auc$auc)

postResample(pred=predictions, obs=testDF[,outcomeName])

# find out variable importance

summary(objModel)

plot(varImp(objModel,scale=F))

# find out model details

objModel

# display variable importance on a +/- scale

vimp <- varImp(objModel, scale=F)

results <- data.frame(row.names(vimp$importance),vimp$importance$Overall)

results$VariableName <- rownames(vimp)

colnames(results) <- c('VariableName','Weight')

results <- results[order(results$Weight),]

results <- results[(results$Weight != 0),]

par(mar=c(5,15,4,2)) # increase y-axis margin.

xx <- barplot(results$Weight, width = 0.85,

main = paste("Variable Importance -",outcomeName), horiz = T,

xlab = "< (-) importance > < neutral > < importance (+) >", axes = FALSE,

col = ifelse((results$Weight > 0), 'blue', 'red'))

axis(2, at=xx, labels=results$VariableName, tick=FALSE, las=2, line=-0.3, cex.axis=0.6)

################################################

# advanced stuff

################################################

# boosted tree model (gbm) adjust learning rate and and trees

gbmGrid <- expand.grid(interaction.depth = c(1, 5, 9),

n.trees = 50,

shrinkage = 0.01)

# run model

objModel <- train(trainDF[,predictorsNames], trainDF[,outcomeName], method='gbm', trControl=objControl, tuneGrid = gbmGrid, verbose=F)

# get predictions on your testing data

predictions <- predict(object=objModel, testDF[,predictorsNames])

library(pROC)

auc <- roc(testDF[,outcomeName], predictions)

print(auc$auc)

长期用CPU训练深度神经网络会不会损坏CPU

正常的使用都会有损耗的，

长期用CPU训练深度神经网络属于中上程度的损耗，

和玩大型游戏的损耗是差不多的，是远不如挖矿对显卡的损耗大

正常情况下，3-5年内坏的几率是千分之五以下

matlab中griddata函数怎么用

知道一系列点的坐标如下（1.486,3.059,0.1）;（2.121,4.041,0.1）;（2.570,3.959,0.1）;（3.439,4.396,0.1）;（4.505,3.012,0.1）;（3.402,1.604,0.1）;（2.570,2.065,0.1）;（2.150,1.970,0.1）;（1.794,3.059,0.2）;（2.121,3.615,0.2）;（2.570,3.473,0.2）;（3.421,4.160,0.2）;（4.271,3.036,0.2）;（3.411,1.876,0.2）;（2.561,2.562,0.2）;（2.179,2.420,0.2）;（2.757,3.024,0.3）;（3.439,3.970,0.3）;（4.084,3.036,0.3）;（3.402,2.077,0.3）;（2.879,3.036,0.4）;（3.421,3.793,0.4）;（3.953,3.036,0.4）;（3.402,2.219,0.4）;（3.000,3.047,0.5）;（3.430,3.639,0.5）;（3.822,3.012,0.5）;（3.411,2.385,0.5）;（3.103,3.012,0.6）;（3.430,3.462,0.6）;（3.710,3.036,0.6）;（3.402,2.562,0.6）;（3.224,3.047,0.7）;（3.411,3.260,0.7）;（3.542,3.024,0.7）;（3.393,2.763,0.7）怎样用MATLAB绘制成三维曲面呢？

使用griddata插值

A=[1.486,3.059,0.1;2.121,4.041,0.1;2.570,3.959,0.1;3.439,4.396,0.1;

4.505,3.012,0.1;3.402,1.604,0.1;2.570,2.065,0.1;2.150,1.970,0.1;

1.794,3.059,0.2;2.121,3.615,0.2;2.570,3.473,0.2;3.421,4.160,0.2;

4.271,3.036,0.2;3.411,1.876,0.2;2.561,2.562,0.2;2.179,2.420,0.2;

2.757,3.024,0.3;3.439,3.970,0.3;4.084,3.036,0.3;3.402,2.077,0.3;

2.879,3.036,0.4;3.421,3.793,0.4;3.953,3.036,0.4;3.402,2.219,0.4;

3.000,3.047,0.5;3.430,3.639,0.5;3.822,3.012,0.5;3.411,2.385,0.5;

3.103,3.012,0.6;3.430,3.462,0.6;3.710,3.036,0.6;3.402,2.562,0.6;

3.224,3.047,0.7;3.411,3.260,0.7;3.542,3.024,0.7;3.393,2.763,0.7];

x=A(:,1);y=A(:,2);z=A(:,3);

scatter(x,y,5,z)%散点图