wild magic3 渲染状态更新和scene绘制(转载)

本文解析了《3DGameEngineArchitecture》书中关于3D游戏引擎渲染状态的内容,包括全局状态、光源、纹理和效果等核心概念。介绍了wildmagic3渲染状态体系,如全局状态的管理方式及渲染状态更新机制。

基本上是《3D Game Engine Architecture》第3章的剩余内容,说实话我有点后悔看这个了,应该直接看《3D Game Engine Design 2nd》,不过好歹记录一下,有些“亮点”我第一次看到还是不错的。
1 wild magic3 render state

主要包括global state, lights, texture, effects
1) global state包括:
alpha: 是否启用混合,srcblend, dstblend; 是否启用alpha test, test方法,test ref value
cull: 是否启用culling, front face ccw or cw, cull face back or front
dither:是否开启抖动
fog: 是否启用fog, fog mode(linear,exp, exp_sqr), start,end, density, color, per_vertex/per_pixel
material: 即光照材质,emissive, ambient, diffuse, specular和shininess
shade:flat or smooth(Gouraud shading)
wireframe: 是否启用线框模式
zbuffer:  是否使用zbuffer, zwrite, z compare func

每种state都是集成自GlobalState的一个类,比如ZBufferState

每个Spatial拥有一个 global state列表,列表里每种global state只能有一个。Spatial的global state列表不是直接用来渲染的,后面还要通过UpdateRS来沿着tree收集所有的global state,最终给Geometry使用。Geometry类里面有一个global state数组,维数为global state种类数目。(UpdateRS机制后面说)
2) light

Light 类继承自Spatial,没啥可说的,都是光源的属性。不过WM3中,AMBIENT也算是一种光源,和平行光,点光源等并列了,我们知道在OpenGL 中是可以设置一个场景的ambient的,WM3中的这种光源是否就是场景ambient,如果是,只能有一个吗?

和global state一样,每个Spatial也拥有一个Light列表,Geometry类有一个使用到的Light smart ptr数组,其实是指向挂在scene tree上的那些light的。
3) Texture

WM3的texture类中封装了如下内容:
Image: 贴图(是个smart ptr)
texture correction hint: 即是否使用透视纹理校正 ( perspective or affine)
filter mode: nearest or linear
mipmap mode: nearest , linear(这两个和filter mode里面其实是一样,就是不用mipmap了)
                      nearest_nearset, nearset_linear, linear_nearest, linear_linear(所谓的三线性过滤)
u,v的clamp mode: clamp, repeat, clamp_border, clamp_edge (没有mirror), 以及border color
tex gen: 支持environment map, projected_texture (不知道当硬件不支持时是否可以手动计算)
apply mode和blend color:即opengl的tex env mode,包括:replace, decal, modulate, blend, add, combine
multi-texture设置(针对apply mode为combine):combine func RGB/RGBA, combine src RGB/Alpha 0,1,2; CombineOpRGB/Alpha 0,1,2; scaleRGB, scaleAlpha

基本上他封装了所有纹理相关的内容了
4)Effect

这个Effect包含顶点色数组(RGB or RGBA),一组纹理的smart ptr, 一组uv坐标
2 wild magic3渲染状态更新体系

WM3 可以scene grapha的各个节点上挂接渲染状态和灯光(上面说的global state和light),而只有叶子节点也就是Geometry使用渲染状态和灯光,通过UpdateRS,将每层挂接的global state和light向下传递,对于同类型的global state,子一层的设置会屏蔽上层的设置(每种state都有一个stack,遇到设置该state就push进去,最后使用的是pop出来的,也就是最后一次push的,显然是最后一次设置的状态),到叶子节点也就是Geometry这儿,将各类状态stack的top pop出来存放到Geometry的global state数组中,供渲染时使用。
这儿还有另外一个问题,引发UpdateRS的那个节点,需要向上直到ROOT收集渲染状态和灯光,而所有的状态都有一个默认值。这是通过PropagateStateFromRoot实现的。
所有这些状态和灯光都是shared ptr,所以WM3里面,只有状态被添加或移走时才需要更新RS。
关于这些,我不想多写了,看代码一目了然,而且我想知道WM4里面是怎么弄的了。不过这种基于scene grapha的渲染状态树我之前没见到过,irrlicht中,每个需要渲染的节点是自己设置这些状态的,driver层会设置默认状态。WM3这种机制有什么好处还要看看~
3 scene渲染

1)首先camera会有个culling操作,基于bound volume,这儿有两个东西有点意思:
camera有个32bit的标志,每个裁剪面占一位,执行culling时,由于是从上到下沿着树深度优先绘制的,所以父空间先检测,这个标志位就是标志父空间是否完全在某个面的内部,如果是,那么子空间做检测时就不用检测这个面了。(当然反过来是不行的)这样效率确实要高些。
camera支持手动push/pop culling面(不是clip plane).这些面只用来做culling检测,这对于portal系统很有用,WM3利用push/pop culling面实现了一套portal系统检测

2)scene渲染:这块儿没怎么看了,准备直接看WM4的,大概就是一个OnDraw和一个Draw, onDraw里面检测culling,并且调用draw, 而draw对于spatial是一个纯虚函数,Node的draw会调用子节点的OnDraw形成递归,Geometry的draw直接调用 renderer的draw(Geometry*),这里面会设置当前使用的geometry和effect,调用DrawPrimitive去执行。当然这儿还有一个所谓DrawDeferred,后面才讲不知道是什么。另外还有所谓global effect被设置时,node会直接调用draw。

DrawPrimitve里面就是:
设置渲染状态,
启用lighting,vertices,normals,vertex colors,texture units,
设置transformation matrix
draw object
restore transformation matrix
禁用texture units, vertex colors, normals, vertices, lighting

内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人员。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,观察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解验证模型泛化能力。
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