2015上半年软件设计师考点，难点3
軟件維護
軟件交付后。
占整個生存周期工作量的70%以上，代價極高
類型：
1.正確性維護（錯誤）
2.適應性維護（外部環境、數據環境、市場、管理需求）
3.完善性維護（新的功能、性能）
4.預防性維護（可維護性、可靠性、未來變化）
可維護性：被理解、校正、適應、增強功能的難易程度
度量：可理解性、可測試性、可修改性、可靠性、可移植性、可使用性、效率
方法：質量檢查表；質量測試、質量標準；
提高可維護性：明確的目標、優先級；先進的技術、工具；明確質量保證；選擇可維護的程序語言；改進文檔；開發時考慮維護
非結構化維護：只有程序代碼，沒有設計文檔、測試文檔
結構化維護：有完整的軟件配置，從評價文檔開始
維護量因素：系統大小；程序設計語言；系統年齡；數據庫技術的應用；先進的軟件開發技術；其他；
文檔：決定性因素，比代碼更重要。
分類：用戶文檔、開發文檔、管理文檔、系統文檔
軟件再工程：重構
庫存目錄：分析哪些需要再工程；
逆向工程：更高的抽象層次，抽取設計信息。根據以存在的產品反推設計數據的過程
正向工程：新功能、高性能
重構：調整程序代碼，改善質量、性能、設計模式、架構、擴展性、維護性。不修改體系結構，關注設計細節、局部數據結構
項目管理：計劃、組織、協調、控制
運用：知識、技能、工具、技術
5要素：技術、方法、團隊建設、信息、溝通
錯誤管理
風險管理：危機管理、失敗處理、風險緩解、預防、消滅根源
包括：風險評估（識別、分析、優先級）、風險控制（管理、化解、監控）
人員管理：
項目度量：軟件度量、質量度量、繼承度量
風險管理：貫穿整個項目過程
數據庫
數據依賴
1.函數依賴：Functional Dependency，FD。
平凡函數依賴、非平凡函數依賴
完全函數依賴、部分函數依賴
? ???
傳遞函數依賴
2.多值依賴：Multivalued Dependency，MVD。
“1:0…*”，1對多。
只要知道了R上的一個多值依賴X→→Y，就可以得到另一個多值依賴X→→Z，而且X、Y和Z是U的分割；“(2)”說明多值依賴是函數依賴的某種推廣，函數依賴是多值依賴的特例
3.其他
碼
候選碼：
主屬性、非主屬性
全碼：
外部碼：
范式種類：
? ?
1NF:屬性不可分
2NF：非主屬性完全依賴與碼
? ? ??
3NF：非主屬性之間不依賴
BCNF:主屬性之間不依賴
?
4NF：
規范化：
目的：消除插入、刪除異常、修改復雜、數據冗余
實質：概念的單一化
基本思想：逐步消除數據依賴中不合適的部分
注意：
推理規則：
1.自反律
2.增廣律
3.傳遞律
4.合并規則：? ? ?1,3可證
5.偽傳遞規則： 2,3可證
6.分解規則：? 1,3可證
閉包
覆蓋=等價
極小函數依賴集=最小函數依賴集=最小覆蓋
結果：不唯一
分解：
方法不唯一，關系模式等價
函數依賴：減輕、解決各種異常情況
無損連接：與自然連接的結果相等
分解不丟失信息；不一定可以解決插入異常、刪除異常、修改復雜、數據冗余……問題
人工智能
求最優解、近似最優解方法：
1.枚舉法：適合枚舉空間小的
2.啟發式算法：找到特有的啟發式規則
3.搜索算法：在可行解集合的一個子集進行搜索
遺傳算法：
自適應全局優化概率搜索算法。獲取近似最優解、滿意解。
本質：生物的遺傳、進化過程的模擬
特點：強適應力、高優化力
? ?定義：
Xi：一個遺傳基因；
等位基因：所有可能取值。
遺傳算子：搜索最優解。類似：染色體之間的交叉、變異
選擇：Selection。根據個體的適應度，按一定的規則、方法
交叉：Crossover。交叉概率
變異：Mutation。變異概率
特點：
1.以決策變量的編碼最為運算對象：而非決策變量的值
2.直接以目標函數值作為搜索信息：個體適應度。而非函數的導數值
3.同時使用多個搜索點的搜索信息：而非單個搜索點
4.使用概率搜索技術：自適應概率搜索技術，而非確定性的搜索方法。概率收斂于最優解。交叉概率+變異概率
應用：函數優化、組合優化、生產調度問題、自動控制、機器人學、圖像處理、人工生命、遺傳編程、機器學習
改進：
1.自適應變異：防止“近親繁殖”。雙親差異小，選取較大的變異率（增強搜索能力）；雙親差異大，選取較小的變異率（防止破壞優良個體）
2.部分替代法：部分個體被新個體取代，其他部分個體直接進入下一代。
3.優秀個體保護法：一定數量的最優個體，直接進入下一代
4.分布式遺傳算法：分為若干個子群，相對獨立、封閉（保證搜索的充分性、全局最優性）；定期一定比例的遷移（防止向局部最優收斂）
基本遺傳算法：Simple Genetic Algorihms ，SGA
只使用選擇算子、交叉算子、變異算子。三種基本遺傳算子
固定長度的二進制符號串：表示群體中的個體
等位基因：{0,1}。
1.染色體編碼方法
2.個體適應度評價：確定被遺傳到下一代群體中的概率，正比。適應度：非負值，可轉換
3.遺傳算子：
比例選擇算子：有退還隨機選擇、賭盤選擇。
單點交叉算子：最常用，最基本。兩兩配對；隨機交叉點；交叉互換染色體
基本位變異算子：概率選擇變異點；基因值取反；
4.基本遺傳算法的運行參數
注意：
蟻群算法：
模擬：蟻群搜索食物源的尋優能力。個體間的信息交流、協作。正反饋現象
解決：離散系統優化問題。隨機搜索算法。利用整體信息
1.適應階段：候選解積累的信息，不斷調整自身結構
2.協作階段：信息交流，產生更好的解
優點：不需任何先驗知識，隨機選擇路徑。隨著對解空間的“了解”，趨向最優
1.記憶：禁忌列表，隨時間，選擇動態調整
2.信息素通信：
3.集群活動：群體智能建立路徑選擇機制。自催化、正反饋，增強型學習系統
算法：
1.蟻環算法：整體信息
2.蟻量算法：局部信息
3.蟻密算法：局部信息
信息素更新：
1.離線方式：同步更新。統一訪問完后，統一對殘留信息進行更新
單螞蟻離線更新：第s只螞蟻完成對N個城市的訪問后，對路徑上的殘留信息進行更新。記憶信息量相對較少
蟻群離線更新：M只螞蟻全部完成N個城市的訪問后，統一對殘留信息進行更新
2.在線方式：異步更新。每執行一步，馬上回溯更新線路上的信息素。記憶信息量最少
相關參數：
終止條件：
1.給定的外循環最大數目
2.最優解連續K次相同而停止的規則（算法已收斂，不需繼續）
3.目標控制規則。優化問題的下界、誤差值。
離散蟻群算法：
包括：最優解保留策略蟻群系統、蟻群系統、最大最小蟻群系統、自適應蟻群算法……
適合：離散優化問題。不能直接求解連續優化問題
概念：路徑、節點的生成；轉移概率；能見度指標；信息素更新（局部、全局）
粒子群算法：Particle swarm optimization，PSO
本質：群體智能的進化
模擬：鳥群捕食行為。社會群體中的信息共享機制
特點：算法簡單，容易實現
應用：函數優化、神經網絡訓練、模式分類、模糊控制……
極值：
1.個體極值（pbest）：粒子本身所找到的最好解
2.全局極值（gbest）：整個粒子群歷代搜索過程中的最優解
更新速度：動量（多樣化）、個體認知（集中化）、社會認知（集中化）、
參數：
算法：
改進算法：
1.慣性權重法：
慣性權重大，加強全局探測能力；慣性權重小，加強局部搜索能力。直接影響全局搜索能力
? 適合：多峰函數。平衡猴臉的全局性、收斂速度
（1）線性調整法：迭代次數增加，慣性權重線性下降。
? 權重線性下降的粒子群算法（Linearly Decreasing Inertia Weight，LDW）。
（2）模糊調整法：構造模糊推理機來動態修改慣性因子
實現較困難，性能更好
性能評測：CBPE，the Current Best Performance Evaluation
2.收斂因子法：
適合：單峰函數，速度限制放松
人工神經網絡算法
特點：從環境中學習，近似于人類的學習能力
模擬：生物神經系統。從外界環境學習知識；突觸全值存儲知識
神經元：
特點：
分類：閾值型、S型、分段線性、概率型
激活函數
模型：分層網絡、相互連接型網絡
信息處理：執行階段、學習階段
學習方法：有導師學習（有監督學習）、無導師學習（無監督學習）、灌輸式學習（“學習”是“死記硬背”）
學習規則：各神經元的連接權值按一定的規則調整
分類：
循環控制：循環次數控制法、分階段迭代次數控制法、精度控制法、綜合控制法
前向式神經網絡算法：
二值函數
感知器算法：有導師學習
適合：簡單的分類問題
BP神經網絡算法：
S型的對數、正切函數、線性函數
包括：正向傳播、誤差信號的反向傳播
轉載于:https://www.cnblogs.com/panpanwelcome/p/6021094.html
總結
以上是生活随笔為你收集整理的2015上半年软件设计师考点，难点3的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： NOIP模拟题——来自风平浪静的明天
- 下一篇： maven3常用命令、java项目搭建、