红警源代码居然开源了....

简介: 红警源代码居然开源了....

红警,准确的说应该叫“红色警戒”,是大部分 80 后记忆里跟游戏二字关系最深的情节。

相信每一名 80 后,都有一段难忘的红警岁月,甚至可以说很多人的青春,就叫红警!

说到红色警戒游戏,估计应该是很多同学的童年回忆了吧。


或者


大概在 2000 年之后,星际和红警都在网吧必装游戏之列。

这款游戏也是当年西木头(WestWood)打造的爆款即时战略游戏之一,以至于一提到即时战略游戏,我脑海中第一个浮现的就是红警了。

一九九八年八月十七日,EA收购了Westwood。一般来只要是游戏工作室被EA收购后,就等于是走向了坟墓。

被收购之后,由于EA的管理不善,西木头最终走向了衰落,后面再也没有开发出红警2这样的爆款游戏了。


不过就在最近,有网友在 Github 上发现,EA 悄悄地搞了个大事件,把《命令与征服》系列中的 2 个游戏的部分源码开源了!

PS:《命令与征服》系列是西木工作室(Westwood Studios)的招牌作品。1998 年,EA 收购了西木。

这两个游戏分别是:Tiberian Dawn(泰伯利亚的黎明) 和 Red Alert(红色警戒)。


开源地址:

https://github.com/electronicarts/CnC_Remastered_Collection

这次开源的代码,其实是1996年发布的第一代红警,国内也称之为红警95。

此次开源,并不涉及游戏素材和游戏引擎,只包括 TiberianDawn.DLL 和 RedAlert.dll 的源码,允许 Mod 社区更好的改变游戏行为。

6 月 5 日,这两款游戏发布重制版。

命令与征服系列游戏是 C++ 实现,打开代码之后可以看到十分规范的代码,不由得令人叹服。


下面是飞行器找新降落点的函数,函数功能、输入、输出、代码修改历史都写的非常清楚。


至于为什么没有开源红警2呢?

一个很不幸的消息是红警2的源代码很可能已经丢失了。

最后在放两张图:

图片

相关文章
|
Android开发
autojs修改悬浮窗按钮点击事件
牙叔教程 简单易懂
1979 0
|
网络协议 Linux C++
Linux C/C++ 开发(学习笔记十一 ):TCP服务器(并发网络网络编程 一请求一线程)
Linux C/C++ 开发(学习笔记十一 ):TCP服务器(并发网络网络编程 一请求一线程)
525 0
|
10月前
|
算法 Java 开发者
Java 项目实战数字华容道与石头迷阵游戏开发详解及实战方法
本文介绍了使用Java实现数字华容道和石头迷阵游戏的技术方案与应用实例,涵盖GUI界面设计、二维数组操作、游戏逻辑控制及自动解法算法(如A*),适合Java开发者学习游戏开发技巧。
644 46
|
11月前
|
运维 数据挖掘
raid5数据恢复—5盘RAID5阵列重建为4盘RAID5阵列后的数据恢复案例
一台服务器上有一组raid5磁盘阵列,该raid5阵列有5块硬盘。服务器数据无备份。 服务器一块硬盘掉线,运维人员在没有完全了解服务器的具体情况下,使用服务器上的另外4块正常硬盘重建了一组新的raid5阵列,导致服务器原有数据丢失。
|
人工智能 边缘计算 分布式计算
《分布式软总线:AI动态推理架构的智能“建造师”》
分布式软总线是一种具备自组织特性的关键技术,可灵活构建适应人工智能动态推理需求的分布式计算架构。它通过自主设备发现、灵活组网、动态资源调度及自我修复机制,实现高效协同计算。在智能交通、智慧医疗和工业智能制造等领域,分布式软总线优化了实时数据处理与任务分配,推动了AI技术与行业应用的深度融合,为社会发展带来变革性影响。其核心优势在于去中心化设计,能快速响应动态需求并保障系统稳定性,助力复杂推理任务高效完成。
552 2
|
人工智能 弹性计算 自动驾驶
2023 AI开发者生态报告:技术生态、开发范式与应用案例全景
随着人工智能技术的飞速发展,全球IT市场对AI的投入持续增长,预计到2027年将达到4236亿美元。
|
算法 调度 C语言
C/C++学习 -- SHA-256算法
C/C++学习 -- SHA-256算法
1256 0
|
Oracle Java 关系型数据库
安装 JDK 时应该注意哪些问题
选择合适的JDK版本需考虑项目需求与兼容性,推荐使用LTS版本如JDK 17或21。安装时注意操作系统适配,配置环境变量PATH和JAVA_HOME,确保合法使用许可证,并进行安装后测试以验证JDK功能正常。
993 3
|
Android开发 UED 开发者
NavigableListDetailPaneScaffold
【9月更文挑战第12天】
354 5
|
机器学习/深度学习 算法 数据挖掘
实战Scikit-Learn:处理不平衡数据集的策略
【4月更文挑战第17天】本文探讨了Scikit-Learn处理不平衡数据集的策略,包括重采样(过采样少数类如SMOTE,欠采样多数类如RandomUnderSampler)、修改损失函数(如加权损失函数)、使用集成学习(如随机森林、AdaBoost)以及选择合适的评估指标(精确率、召回率、F1分数)。这些方法有助于提升模型对少数类的预测性能和泛化能力。
1425 1