软件工程之软件项目管理深度解析
前文基础:
1.软件工程学概述:软件工程学概述-CSDN博客
2.软件过程深度解析:软件过程深度解析-CSDN博客
3.软件工程之需求分析涉及的图与工具:软件工程之需求分析涉及的图与工具-CSDN博客
4.软件工程之形式化说明技术深度解析:软件工程之形式化说明技术深度解析-CSDN博客
5.软件工程之详细设计深度解析:https://blog.csdn.net/lzm12278828/article/details/147807034
6.软件工程之面向对象分析深度解析:https://lzm07.blog.csdn.net/article/details/147807641
一、估算软件规模
软件规模估算是项目管理的基础,直接影响资源分配和进度规划。常用方法包括代码行技术和功能点技术。
(一)代码行技术(Lines of Code, LOC)
基本思想:通过估算项目的源代码行数,结合历史数据或行业基准,预测开发工作量和成本。
1. 估算步骤
(1)分解功能模块:将系统划分为子模块(如用户管理、订单处理)。
(2)类比估算:参考类似项目的代码行数(如Java Web项目中,用户登录模块约500 LOC)。
(3)考虑复杂度:复杂模块(如算法实现)按1.5-2倍系数调整,简单模块(如界面展示)按0.8倍系数调整。
2. 示例:电商平台规模估算
模块 | 类比项目 LOC | 复杂度系数 | 估算 LOC |
用户管理 | 800 | 1.0 | 800 |
商品搜索 | 1200 | 1.3(算法) | 1560 |
订单处理 | 1500 | 1.2(业务逻辑) | 1800 |
支付集成 | 1000 | 1.5(第三方接口) | 1500 |
合计 | - | - | 5660 LOC |
3. 优缺点
优点:直观易懂,适合结构化语言项目(如 C、Java)。
缺点:未考虑非代码工作(如文档、测试),不同语言生产率差异大(1 LOC Python ≈ 5 LOC C)。
(二)功能点技术(Function Point, FP)
基本思想:从用户视角出发,通过量化系统提供的功能单元(如输入、输出、查询)估算规模,与编程语言无关。
1. 五个计数项(ISO/IEC 24570)
计数项 | 定义 | 示例(订单系统) |
外部输入(EI) | 用户输入的独立数据项 | 订单填写(用户输入收货地址) |
外部输出(EO) | 系统生成的独立数据项 | 订单确认邮件、发货单 |
外部查询(EQ) | 交互式查询(输入 + 输出) | 订单状态查询 |
内部逻辑文件(ILF) | 系统维护的逻辑数据组 | 商品库、用户库 |
外部接口文件(EIF) | 与外部系统共享的逻辑数据组 | 支付接口、物流接口 |
2. 估算公式
(1)未调整功能点(UFP):
注:系数为复杂度权重(简单 = 3,平均 = 4,复杂 = 6,此处取平均)
(2)技术复杂度因子(TCF):
其中F_i为14个技术因素评分(0-5 分,如“分布式处理”评 4 分)。
(3)调整后功能点(AFP):
AFP = UFP×TCF
3. 示例:订单系统功能点计算
计数项 | 数量 | 权重 | 贡献值 |
EI | 5 | 4 | 20 |
EO | 3 | 5 | 15 |
EQ | 2 | 4 | 8 |
ILF | 4 | 10 | 40 |
EIF | 2 | 7 | 14 |
UFP | - | - | 97 FP |
假设技术因素总分,则:TCF = 0.65 + 0.01×35 = 1.00 AFP = 97×1.00 = 97 FP
4. 优缺点
优点:语言无关,适合早期需求阶段估算。
缺点:依赖专家经验,复杂项目计数耗时。
二、工作量估算
(一)静态单变量模型(以IBM模型为例)
公式:
其中:
E:工作量(人月)
D:开发时间(月)
S:所需人员数
KLOC:千代码行(如 5660 LOC=5.66 KLOC)
示例:电商平台工作量计算
E = 5.2×(5.66)^{0.91} = 5.2×4.87 = 25.3 人月 D = 4.1×(5.66)^{0.36} = 4.1×1.98 = 8.1 月 S = 0.3×(25.3)^{0.33}0.3×2.93 = 0.88 → 1 人(需调整)
(二)动态多变量模型(Putnam 模型)
基本思想:假设工作量分布符合Rayleigh曲线,适用于大型项目长期估算。
公式:
其中:
L:源代码行数(LOC)
C_k:技术状态常数(优秀团队C_k=1000,中等C_k=500)
E:总工作量(人年)
D:开发时间(年)
示例:调整电商平台估算
假设L=5660,D=0.67年(8 个月),
(显然不合理,需重新校准) 注:Putnam模型更适用于万行级以上项目,小型项目需结合其他模型。
(三)COCOMO2模型(Constructive Cost Model)
COCOMO2是分层模型,包含三个阶段:
1. 早期设计阶段模型(适用于需求阶段)
参数表(中等规模项目):
类型 | a | b | 典型场景 |
有机型 | 2.94 | 1.05 | 小型团队,需求明确 |
嵌入型 | 3.65 | 1.12 | 复杂硬件环境 |
2. 详细模型(适用于设计阶段)
增加17个成本驱动因子(如“人员能力”“工具使用”),每个因子分6级(很差 = 0.75,优秀 = 1.40)。
3. 示例:有机型电商项目
假设KLOC=5.66,17个因子均取 1.0(平均):
三、进度计划
(一)估算开发时间
结合工作量和团队规模,常用公式:为经验常数(中小项目α=2.5,大型项目α=3.0)。
(二)Gantt图(甘特图)
示例:电商平台开发计划
任务 | 2024-01 | 2024-02 | 2024-03 | 2024-04 |
需求分析 | ■■■■■ | |||
架构设计 | ■■■■ | |||
编码实现 | ■■ | ■■■■■ | ■■ | |
测试部署 | ■■■■ |
(三)工程网络与关键路径
定义:用节点表示任务,边表示依赖关系,关键路径是耗时最长的路径。
示例:任务依赖图
需求分析(A, 20天)→ 2. 架构设计(B, 15天)→ 3. 编码(C, 30天) ↘ 4. 数据库设计(D, 10天)→ ↗ 5. 测试(E, 15天)
关键路径:A→B→C→E(20+15+30+15=80天),其他路径(A→D→C→E=20+10+30+15=75天)。
(四)机动时间(浮动时间)
非关键任务的延迟容忍时间,公式:机动时间 = 最晚开始时间 - 最早开始时间 如任务D的最早开始时间 = 20天,最晚开始时间 = 25天,机动时间 = 5天。
四、人员组织
(一)民主制程序员组
特点:平等协作,适合小型项目(<10人),如创业团队。
示例:每日站会同步进度,代码集体评审,无固定负责人。
(二)主程序组(Chief Programmer Team)
结构:1名主程序员(技术负责人)+ 2-3 名辅助程序员 + 1 名资料员,适合中型项目。
流程:主程序员制定方案,辅助程序员分工实现,资料员管理文档。
(三)现代程序员组(Hybrid Model)
混合模式:分层架构,如前端组、后端组、测试组,各组设组长,适合大型项目(>50人)。 示例:电商平台团队结构:
(1)前端组(10人):负责Web和App界面开发。
(2)后端组(15人):处理订单、支付核心逻辑。
(3)测试组(5人):执行单元、集成、压力测试。
五、质量保证
(一)软件质量(ISO 9126模型)
六大特性:
(1)功能性:是否满足需求(如支付成功率≥99.9%)。
(2)可靠性:无故障运行时间(如MTBF≥1000小时)。
(3)易用性:学习成本(如用户30分钟内掌握核心操作)。
(4)效率:资源占用(如内存使用≤200MB)。
(5)维护性:修改成本(如模块圈复杂度≤10)。
(6)可移植性:跨平台兼容性(如支持 Windows/Linux/macOS)。
(二)质量保证措施
1. 评审技术
(1)需求评审:检查需求完整性(使用需求跟踪矩阵)。
(2)设计评审:验证架构合理性(如模块耦合度≤0.4)。
(3)代码评审:遵循 Checklist(如变量命名是否规范)。
2. 测试策略
(1)单元测试:覆盖率≥80%(使用JUnit/Pytest)。
(2)集成测试:验证接口兼容性(如微服务间调用成功率)。
(3)压力测试:模拟1000并发用户,响应时间≤3秒。
3. 质量控制工具
(1)帕累托图:分析缺陷分布(如70%缺陷来自输入验证模块)。
(2)鱼骨图:追溯缺陷原因(如“代码错误”→“需求理解偏差”→“沟通不足”)。
六、软件配置管理(SCM)
(一)软件配置项(SCI)
主要包括:
(1)文档:需求文档、设计文档、测试报告。
(2)代码:源代码、可执行文件、库文件。
(3)数据:数据库脚本、配置文件(如 application.properties)。
(4)工具:IDE 配置、构建脚本(如 Jenkinsfile)。
(二)配置管理过程
1. 版本控制(以Git为例)
分支策略:
main(生产分支)
├─ develop(开发分支)
├─ feature/xxx(功能分支)
└─ hotfix/xxx(补丁分支)
合并流程:功能完成后从feature分支合并到develop,测试通过后合并到main。
2. 变更控制
提交变更请求(CR):用户或团队提出变更(如“优化搜索算法”)。
影响分析:评估对进度、成本、质量的影响(如增加 2 周工期)。
审批决策:CCB(变更控制委员会)决定是否批准。
实施变更:在独立分支开发,完成后测试并更新基线。
3. 基线管理
功能基线:需求分析完成后的SRS文档。
分配基线:设计阶段的架构文档和代码框架。
产品基线:测试通过后的可交付版本。
七、能力成熟度模型(CMMI)
五个成熟度级别
级别 | 名称 | 特点 | 关键过程域示例 |
1 级 | 初始级 | 无序,依赖个人能力 | - |
2 级 | 已管理级 | 项目级流程规范 | 需求管理、项目计划 |
3 级 | 已定义级 | 组织级标准流程 | 集成产品开发、培训计划 |
4 级 | 量化管理级 | 数据驱动的过程控制 | 过程性能监控、质量度量 |
5 级 | 优化级 | 持续改进和创新 | 缺陷预防、技术革新 |
实施路径(从2级到3级)
(1)建立项目管理流程:使用Jira跟踪任务,制定《项目管理手册》。
(2)定义组织级资产库:复用历史项目的需求模板、设计模式。
(3)培训与推广:对全体成员进行CMMI培训,确保流程落地。
(4)内部评审:每季度进行过程审计,整改不符合项。
八、结语
软件项目管理是平衡范围、时间、成本的艺术,需结合科学估算、合理规划和高效协作。现代项目更依赖工具链(如Jira+Confluence+GitLab)和敏捷实践(如Scrum冲刺),同时质量保证和配置管理是应对复杂性的关键。能力成熟度模型为组织级改进提供了路线图,帮助企业从无序走向标准化、量化管理和持续优化。未来,AI驱动的估算工具和自动化流程将进一步提升管理效率,使项目管理更智能、更精准。
相关文章:
软件工程之软件项目管理深度解析
前文基础: 1.软件工程学概述:软件工程学概述-CSDN博客 2.软件过程深度解析:软件过程深度解析-CSDN博客 3.软件工程之需求分析涉及的图与工具:软件工程之需求分析涉及的图与工具-CSDN博客 4.软件工程之形式化说明技术深度解…...
40. 组合总和 II
题目 给定一个候选人编号的集合 candidates 和一个目标数 target ,找出 candidates 中所有可以使数字和为 target 的组合。 candidates 中的每个数字在每个组合中只能使用 一次 。 注意:解集不能包含重复的组合。 示例 1: 输入: candidates [10,1…...
java-多态
一、多态的来历 我们先来了解一个业务场景:请设计一个系统,描述主人喂养宠物的场景,首先在这个场景当中应该有”宠物对象“,“宠物对象”应该有一个吃的行为,另外还需要一个“主人对象”,主人应该有一个喂的…...
重构 cluster-db 选择器,新增限制字段 showDb 不影响原功能前提实现查询功能增量拓展
1.为DbSelect组件新添加showDb字段 :show-db"false"时只显示集群不显示数据库信息 重构 cluster-db 选择器,新增限制字段 showDb 不影响原功能前提实现查询功能增量拓展,。保证组件**高可用性,减少冗余方法的编写,提高整体代码复用性和维护性**。 <!-…...
Modbus RTU 详解 + FreeMODBUS移植(附项目源码)
文章目录 前言一、Modbus RTU1.1 通信方式1.2 模式特点1.3 数据模型1.4 常用功能码说明1.5 异常响应码1.6 通信帧格式1.6.1 示例一:读取保持寄存器(功能码 0x03)1.6.2 示例二:写单个线圈(功能码 0x05)1.6.3…...
新闻发稿筛选媒体核心标准:影响力、适配性与合规性
1. 评估媒体影响力 权威性与公信力:优先选择央级媒体,其报道常被其他平台转载,传播链条长,加分权重高。 传播数据:参考定海区融媒体中心的赋分办法,关注媒体的阅读量、视频播放量等指标,如阅读…...
豆包:基于多模态交互的智能心理咨询机器人系统设计与效果评估——情感计算框架下的对话机制创新
豆包:基于多模态交互的智能心理咨询机器人系统设计与效果评估——情感计算框架下的对话机制创新 摘要 随着人工智能在心理健康领域的应用深化,本文提出一种融合情感计算与动态对话管理的智能心理咨询机器人系统架构。通过构建“用户状态-情感响应-策略生成”三层模型,结合…...
坐席业绩可视化分析工具
这个交互式的坐席业绩分析工具具有以下特点: 数据导入功能:支持上传 CSV 文件,自动解析并展示数据多维度分析:可按日 / 周 / 月分析业绩数据,支持切换不同业绩指标(接通时长 / 外呼次数 / 接通次数&#x…...
MATLAB制作柱状图与条图:数据可视化的基础利器
一、什么是柱状图与条图? 柱状图和条图都是用来表示分类数据的常见图表形式,它们的核心目的是通过矩形的长度来比较各类别的数值大小。条图其实就是“横着的柱状图”,它们的本质是一样的:用矩形的长度表示数值大小,不同…...
com.fasterxml.jackson.dataformat.xml.XmlMapper把对象转换xml格式,属性放到标签<>里边
之前从没用过xml和对象相互转换,最近项目接了政府相关的。需要用xml格式数据进行相互转换。有些小问题,困扰了我一下下。 1.有些属性需要放到标签里边,有的需要放到标签子集。 2.xml需要加<?xml version"1.0" encoding"…...
在js中大量接口调用并发批量请求处理器
并发批量请求处理器 ✨ 设计目标 该类用于批量异步请求处理,支持: 自定义并发数请求节拍控制(延时)失败重试机制进度回调通知 🔧 构造函数参数 new BulkRequestHandler({dataList, // 要处理的数据列表r…...
Azure资源创建与部署指南
本文将指导您如何在Azure平台上创建和配置必要的资源,以部署基于OpenAI的应用程序。 资源组创建 资源组是管理和组织Azure资源的逻辑容器。 在Azure门户顶端的查询框中输入"Resource groups"(英文环境)或"资源组"(中文环境)在搜索结果中点击"资…...
图解gpt之神经概率语言模型与循环神经网络
上节课我们聊了词向量表示,像Word2Vec这样的模型,它确实能捕捉到词语之间的语义关系,但问题在于,它本质上还是在孤立地看待每个词。英文的“Apple”,可以指苹果公司,也可以指水果。这种一词多义的特性&…...
Jenkins linux安装
jenkins启动 service jenkins start 重启 service jenkins restart 停止 service jenkins stop jenkins安装 命令切换到自己的下载目录 直接用命令下载 wget http://pkg.jenkins-ci.org/redhat-stable/jenkins-2.190.3-1.1.noarch.rpm 下载直接安装 rpm -ivh jenkins-2.190.3-…...
android 修改单GPS,单北斗,单伽利略等
从hal层入手,代码如下: 各个类型如下: typedef enum {MTK_CONFIG_GPS_GLONASS 0,MTK_CONFIG_GPS_BEIDOU,MTK_CONFIG_GPS_GLONASS_BEIDOU,MTK_CONFIG_GPS_ONLY,MTK_CONFIG_BEIDOU_ONLY,MTK_CONFIG_GLONASS_ONLY,MTK_CONFIG_GPS_GLONASS_BEIDO…...
CNG汽车加气站操作工岗位职责
CNG(压缩天然气)汽车加气站操作工是负责天然气加气设备操作、维护及安全管理的重要岗位。以下是该岗位的职责、技能要求、安全注意事项及职业发展方向的详细说明: *主要职责 加气操作 按照规程为车辆加注CNG,检查车辆气瓶合格证…...
纯Java实现反向传播算法:零依赖神经网络实战
在深度学习框架泛滥的今天,理解算法底层实现变得愈发重要。反向传播(Backpropagation)作为神经网络训练的基石算法,其实现往往被各种框架封装。本文将突破常规,仅用Java标准库实现完整BP算法,帮助开发者: 1) 深入理解…...
springboot3 + mybatis-plus3 创建web项目实现表增删改查
Idea创建项目 环境配置说明 在现代化的企业级应用开发中,合适的开发环境配置能够极大提升开发效率和应用性能。本文介绍的环境配置为: 操作系统:Windows 11JDK:JDK 21Maven:Maven 3.9.xIDE:IntelliJ IDEA…...
多模型协同预测在风机故障预测的应用(demo)
数据加载和预处理的真实性: 下面的代码中,DummyDataset 和数据加载部分仍然是高度简化和占位的。为了让这个训练循环真正有效,您必须用您自己的数据加载逻辑替换它。这意味着您需要创建一个 torch.utils.data.Dataset 的子类,它能…...
韩媒聚焦Lazarus攻击手段升级,CertiK联创顾荣辉详解应对之道
近日,韩国知名科技媒体《韩国IT时报》(Korea IT Times)刊文引述了CertiK联合创始人兼CEO顾荣辉教授的专业见解,聚焦黑客组织Lazarus在Web3.0领域攻击手段的持续升级,分析这一威胁的严峻性,并探讨了提升行业…...
5.9-selcct_poll_epoll 和 reactor 的模拟实现
5.9-select_poll_epoll 本文演示 select 等 io 多路复用函数的应用方法,函数具体介绍可以参考我过去写的博客。 先绑定监听的文件描述符 int sockfd socket(AF_INET, SOCK_STREAM, 0); struct sockaddr_in serveraddr; memset(&serveraddr, 0, sizeof(struc…...
图上思维:基于知识图的大型语言模型的深层可靠推理
摘要 尽管大型语言模型(LLM)在各种任务中取得了巨大的成功,但它们经常与幻觉问题作斗争,特别是在需要深入和负责任的推理的场景中。这些问题可以通过在LLM推理中引入外部知识图(KG)来部分解决。在本文中&am…...
37-智慧医疗服务平台(在线接诊/问诊)
系统功能特点: 技术栈: springBootVueMysql 功能点: 医生端 用户端 管理员端 医生端: 科室信息管理、在线挂号管理、预约体检管理、体检报告管理、药品信息管理、处方信息管理、缴费信息管理、病历信息管理、智能导诊管理、在线接诊患者功能 (和患者1V1沟通) 用户…...
【新品发布】VXI可重构信号处理系统模块系列
VXI可重构信号处理系统模块概述 VXI可重构信号处理系统模块包括了 GPU 模块,CPU 模块,射频模块、IO 模块、DSP模块、高速存储模块、交换模块,采集处理模块、回放处理模块等,全套组件为单体3U VPX架构,可自由组合到多槽…...
React 第三十八节 Router 中useRoutes 的使用详解及注意事项
前言 useRoutes 是 React Router v6 引入的一个钩子函数,允许通过 JavaScript 对象(而非传统的 JSX 语法)定义路由配置。这种方式更适合复杂路由结构,且代码更简洁易维护。 一、基础使用 1.1、useRoutes路由配置对象 useRoute…...
Redhat 系统详解
Red Hat 系统深度解析:从企业级架构到核心组件 一、Red Hat 概述:企业级 Linux 的标杆 Red Hat 是全球领先的开源解决方案供应商,其核心产品 Red Hat Enterprise Linux(RHEL) 是企业级 Linux 的黄金标准。RHEL 以 稳…...
docker常用命令总结
常用命令含义docker info查看docker 服务的信息-------------------------镜像篇docker pull XXX从官网上拉取名为XXX的镜像docker login -u name登录自己的dockerhub账号docker push XXX将XXX镜像上传到自己的dockerhub账户中(XXX的命名必须是用户名/镜像名&#x…...
【el-admin】el-admin关联数据字典
数据字典使用 一、新增数据字典1、新增【图书状态】和【图书类型】数据字典2、编辑字典值 二、代码生成配置1、表单设置2、关联字典3、验证关联数据字典 三、查询操作1、模糊查询2、按类别查询(下拉框) 四、数据校验 一、新增数据字典 1、新增【图书状态…...
component :is是什么?
问: component :is是什么? 是组件? 那我们是不是就不需要自己创建组件了?还是什么意思?component :is和什么功能是类似的,同时和类似功能相比对什么时候用component :is…...
适老化洗浴辅具产业:在技术迭代与需求升级中重塑银发经济新生态
随着中国人口老龄化程度的不断加深,老年群体对于适老化产品的需求日益增长。 适老化洗浴辅具作为保障老年人洗浴安全与舒适的关键产品,其发展状况备受关注。 深入剖析中国适老化洗浴辅具的发展现状,并探寻助力产业发展的有效路径࿰…...
『Python学习笔记』ubuntu解决matplotlit中文乱码的问题!
ubuntu解决matplotlit中文乱码的问题! 文章目录 simhei.ttf字体下载链接:http://xiazaiziti.com/210356.html将字体放到合适的地方 sudo cp SimHei.ttf /usr/share/fonts/(base) zkfzkf:~$ fc-list | grep -i "SimHei" /usr/local/share/font…...
从AI到新能源:猎板PCB的HDI技术如何定义高端制造新标准?
2025年,随着AI服务器、新能源汽车、折叠屏设备等新兴领域的爆发式增长,高密度互连(HDI)电路板成为电子制造业的“必争之地”。HDI板凭借微孔、细线宽和高层间对位精度,能够实现电子设备的高集成化与微型化,…...
汽车制造行业的数字化转型
嘿,大家好!今天来和大家聊聊汽车制造行业的数字化转型,这可是当下非常热门的话题哦! 随着科技的飞速发展,传统的汽车制造行业正经历着一场深刻的变革。数字化技术已经不再是“锦上添花”,而是车企能否在未…...
Redis 常见数据类型
Redis 常见数据类型 一、基本全局命令详解与实操 1. KEYS 命令 功能:按模式匹配返回所有符合条件的键(生产环境慎用,可能导致阻塞)。 语法: KEYS pattern 模式规则: h?llo:匹配 hello, ha…...
【计算机网络-传输层】传输层协议-TCP核心机制与可靠性保障
📚 博主的专栏 🐧 Linux | 🖥️ C | 📊 数据结构 | 💡C 算法 | 🅒 C 语言 | 🌐 计算机网络 上篇文章:传输层协议-UDP 下篇文章: 网络层 我们的讲解顺序是&…...
对golang中CSP的理解
概念: CSP模型,即通信顺序进程模型,是由英国计算机科学家C.A.R. Hoare于1978年提出的。该模型强调进程之间通过通道(channel)进行通信,并通过消息传递来协调并发执行的进程。CSP模型的核心思想是“不要通过…...
嵌入式openharmony标准系统中HDF框架底层原理分析
1、案例简介 该程序是基于OpenHarmony标准系统编写的基础外设类:简易HDF驱动。 2、基础知识 2.1、OpenHarmony HDF开发简介 HDF(Hardware Driver Foundation)驱动框架,为驱动开发者提供驱动框架能力,包括驱动加载、驱动服务管理、驱动消息机制和配置管理。旨在构建统一…...
238.除自身以外数组的乘积
给你一个数组,求出第 i 个元素以外的数组元素的乘积,不能使用除法,且时间复杂度O(n), 对于一个数,如果知道了前缀元素的乘积和后缀元素的乘积,就知道了这个元素以外的数组元素的乘积,所以现在的问题是如何…...
AI文旅|暴雨打造旅游新体验
今年"五一"假期,全国文旅市场迎来爆发式增长,从丈崖瀑布的磅礴水雾到城市商区的璀璨霓虹,从山野民宿的静谧悠然到主题乐园的欢腾喧嚣,处处人潮涌动。在这火热的景象背后,一股“无形之力”正悄然改变旅游体验…...
学习心得《How Global AI Policy and Regulations Will Impact Your Enterprise》Gartner
AI时代来临,然而与之对应的是海量的数据的安全性和合规性如何保障,如何平衡个人与智能体的利益,恰巧,最近Gartner发布了《How Global AI Policy and Regulations Will Impact Your Enterprise》,我们就其中的观点一起进行探讨。 战略规划假设 我们首先关注的是关键的战略…...
JAVA将一个同步方法改为异步执行
目的: 这么做的目的就是为了使一个高频率执行的方法能不阻塞整个程序,将该方法丢入到线程池中让线程去做异步执行,既提高了程序整体运行速度,也使得在高并发环境下程序能够更加健壮(同步执行可能会使得请求堆积以致系…...
对遗传算法思想的理解与实例详解
目录 一、概述 二、实例详解 1)问题描述与分析 2)初始化种群 3)计算种群适应度 4)遗传操作 5)基因交叉操作 6)变异操作 三、计算结果 四、总结 一、概述 遗传算法在求解最优解的问题中最为常用&a…...
数据可视化大屏——物流大数据服务平台(二)
代码分析: 物流大数据平台代码分析 这是一个基于 Bootstrap 和 ECharts 构建的物流大数据平台前端页面,设计采用了经典的三栏布局,主要展示河南省及全国的物流数据可视化内容。下面从多个维度进行分析: 1. 页面结构分析 整体采…...
MindSpore框架学习项目-ResNet药物分类-构建模型
目录 2.构建模型 2.1定义模型类 2.1.1 基础块ResidualBlockBase ResidualBlockBase代码解析 2.1.2 瓶颈块ResidualBlock ResidualBlock代码解释 2.1.3 构建层 构建层代码说明 2.1.4 定义不同组合(block,layer_nums)的ResNet网络实现 ResNet组建类代码解析…...
ChatTempMail - AI驱动的免费临时邮箱服务
在当今数字世界中,保护在线隐私的需求日益增长。ChatTempMail应运而生,作为一款融合人工智能技术的新一代临时邮箱服务,它不仅提供传统临时邮箱的基本功能,还通过AI技术大幅提升了用户体验。 核心功能与特性 1. AI驱动的智能邮件…...
(leetcode) 力扣100 9.找到字符串中所有字母异位词(滑动窗口)
题目 给定两个字符串 s 和 p,找到 s 中所有 p 的 异位词 的子串,返回这些子串的起始索引。不考虑答案输出的顺序。 数据范围 1 < s.length, p.length < 3 * 104 s 和 p 仅包含小写字母 样例 示例 1: 输入: s "cbaebabacd", p &quo…...
深入了解 Stable Diffusion:AI 图像生成的奥秘
一、引言 AI 艺术与图像生成技术的兴起改变了我们创造和体验视觉内容的方式。在过去几年里,深度学习模型已经能够创造出令人惊叹的艺术作品,这些作品不仅模仿了人类艺术家的风格,甚至还能创造出前所未有的新风格。在这个领域,Sta…...
场外期权平值期权 实值期权 虚值期权有什么区别?收益如何计算?
期权汇 场外期权按价值状态分为平值、虚值、实值期权。 01|实值期权对于看涨期权而言,如果行权价格低于标的市场价格,则该期权处于实值状态;对于看跌期权,如果行权价格高于标的市场价格,则处于实值状态…...
微软系统 红帽系统 网络故障排查:ping、traceroute、netstat
在微软(Windows)和红帽(Red Hat Enterprise Linux,RHEL)等系统中,网络故障排查是确保系统正常运行的重要环节。 ping、traceroute(在Windows中为tracert)和netstat是三个常用的网络…...
HOT 100 | 【子串】76.最小覆盖子串、【普通数组】53.最大子数组和、【普通数组】56.合并区间
一、【子串】76.最小覆盖子串 1. 解题思路 定义两个哈希表分别用于 t 统计字符串 t 的字符个数,另一个sub_s用于统计字符串 t 在 s 的子串里面字符出现的频率。 为了降低时间复杂度,定义一个变量t_count用于统计 t 哈希表中元素的个数。哈希表sub_s是一…...