我对软件工程的理解
1 引言
从事软件行业这么年,写了10年代码,又从事了多年的项目产品方面的工作,一些每天用到的软件工程的方法,虽然天天都在用但一些概念总感觉似是而非,正好借假期的时间,好好整理下,以供自己或他人进行参考使用。
2 相关名词解释
2.1 软件工程
软件工程是应用计算机科学、数学、逻辑学及管理科学等原理,开发软件的工程(来源于《计算机科学技术百科全书》的定义),我个人认为这个定义还是准确和好理解一些。另外软件工程也是高校的一个计算机类专业。
1968年在德国举行的NATO软件工程会议上,为应对"软件危机"的挑战,提出了"软件工程"的术语。这个时期有代表性的软件工程定义是"为了经济地获得在真实机器上可靠工作的软件而制定和使用的合理工程原则和方法"。
2.2 瀑布方法(Waterfall Model)
瀑布方法是软件开发中最早出现的模型之一,早期主要用于开发大型软件系统。该模型采用线性进程,任务按照建立系统需求、系统设计、实现、测试和维护五个阶段依次完成。因此,该模型也被称为“线性软件开发模型”。
1970年温斯顿·罗伊斯(Winston Royce)提出了著名的“瀑布模型”,直到80年代早期,它一直是被广泛采用的软件开发模型。
瀑布方法的核心思想是将软件开发过程划分为多个阶段,包括需求分析、设计、编码、测试等,每个阶段都有明确的输出和验证标准。这种方法强调了开发过程的线性顺序和阶段的独立性,便于管理和控制
2.3 敏捷方法
敏捷方法是一种从1990年代开始逐渐引起广泛关注的一些新型软件开发方法,是一种应对快速变化的需求的一种软件开发能力。敏捷开发(agile development)是一种以人为核心、迭代、循序渐进的开发方法。
2001年2月,17名软件开发人员聚在犹他州开会,讨论轻量级开发方法,意识到他们正在集体实践不同于经典瀑布方法的软件开发, 而且它们并非全部都在初创公司中。 他们提出了《 敏捷宣言》 ,记录了他们对现代软件开发过程应该如何运作的共同信念。
2.3.1 SCRUM迭代式增量软件开发过程
Scrum是迭代式增量软件开发过程,是敏捷方法论中的重要框架之一,通常用于敏捷软件开发。Scrum包括了一系列实践和预定义角色的过程骨架。
在1995年OOPSLA大会(为面向对象编程系统,语言以及应用程序举办的年度会议)上Sutherland和Schwaber(相识于1980年代早期)第一次向世人介绍了Scrum(两人在一个IBM项目合作,并做了更详尽的研究,于是Scrum诞生了),可当时,两个人的公司都还在做千年虫和各种重型开发方法咨询方面的业务呢。
2.3.2 XP极限编程
极限编程(ExtremeProgramming,简称XP)是一种软件工程方法学,是敏捷软件开发中可能是最富有成效的几种方法学之一。
由KentBeck在1996年提出的,如同其他敏捷方法学,极限编程和传统方法学的本质不同在于它更强调可适应性能性以及面临的困难。适用于小团队开发。
2.4 结构化方法
Structured Method,结构化方法是一种软件开发方法,一般利用图形表达用户需求,强调开发方法的结构合理性以及所开发软件的结构合理性。
结构化编程思想由艾慈格·迪杰斯特拉在1976年在《GOTO陈述有害论》中提出,1975年赖瑞·康斯坦丁和爱德华·尤登提出结构化设计,1978年汤姆·迪马克和爱德华·尤登等在1975年提出结构化分析,后来逐渐被完善,形成现在软件开发方法中主要采用的结构化方法。
结构化方法从功能上对系统进行划分,将系统按功能划分成各个模块,将子模块编写成子程序,通过子程序之间的结构和层次之间的耦合来解决复杂的问题。结构化方法按软件周期可划分为结构化分析、结构化设计和结构化实现。
2.5 面象对象方法
面向对象法(Object Oriented,OO),是针对面向过程提出的,是区别于传统的结构化的新方法、新思路。它将客观世界由许多不同种类的对象构成,每一个对象都有自己的内部状态和内在运行规律,不同对象的相互联系和作用构成了完整的客观世界。
OO方法起源于面向对象的编程语言(简称为OOPL),面向对象源于Simula开发语言(70年代诞生),真正的OOP(面向对象程序设计)由Smalltalk(被公认为历史上第二个面向对象的程序设计语言)奠基。Smalltalk现在被认为是最纯的OOPL。
1986年在美国举行了首届"面向对象编程、系统、语言和应用(OOPSLA'86)"国际会议,使面向对象受到世人瞩目,其后每年都举行一次,这进一步标志OO方法的研究已普及到全世界。
2.5.1 RUP统一过程
RUP(Rational Unified Process),统一软件过程是一个面向对象且基于网络的程序开发方法论。可以理解为RUP是软件工程一个方法。
软件统一过程(RUP)是Rational软件公司在1997年创造的软件工程方法 。RUP描述了如何有效地利用商业的可靠的方法开发和部署软件,是一种重量级过程(也被称作厚方法学),因此特别适用于大型软件团队开发大型项目。
2.5.2 UML统一建模语言
统一建模语言(Unified Modeling Language,UML)是一种为面向对象系统的产品进行说明、可视化和编制文档的一种标准语言,是非专利的第三代建模和规约语言。UML是面向对象设计的建模语言,独立于任何具体程序设计。
是由Grady Booch、James Rumbaugh和Ivar Jacobson在20世纪90年代中期提出的。 这三位方法是信息系统和面向对象领域的著名专家,他们分别提出了不同的面向对象方法,最终这些方法被统一并发展成了UML
2.6 CMMI软件能力成熟度模型集成
CMMI全称Capability Maturity Model Integration For Software,软件能力成熟度模型集成,是在CMM(Capability Maturity Model For Software,软件能力成熟度模型)的基础上发展而来的。可以理解为CMMI是软件工程能力的一个衡量的方法或标准。
CMM模型自20世纪80年代末推出,并于20世纪90年代广泛应用于软件过程的改进以来,极大地促进了软件生产率的提高和软件质量的提高,为软件产业的发展和壮大做出了巨大的贡献。
3 我的理解
从开发技术层面来分,有结构化的方法和面向对象的方法,只不过目前大家普遍采用面象对象的方法进行分析、设计和开发(采用面象对象的语言)。
从组织(过程、项目)管理层面来说,有瀑布、敏捷等方法。同样现在大家大部分采用敏捷的方法组织整个软件开发过程。
CMMI 和 RUP 的区别,如下所示:
一、成熟度 vs. 方法论:CMMI 更关注过程的成熟度和改进,而 RUP 是一个具体的软件开发方法论。
二、灵活性:CMMI 提供了更多的灵活性,允许组织根据自己的需要选择和定制过程实践,而 RUP 提供了一个更固定的过程框架。
三、重点:CMMI 强调过程改进和成熟度,RUP 强调项目的迭代开发和项目管理。
四、规模:RUP 通常适用于大型项目,而 CMMI 可以适用于各种规模的项目
4 最后
本文的部分内容来自《百度百科》、《360百科》、《****》,欢迎大家进行讨论,我们共同进步。
推荐阅读
-
我对软件工程的理解
-
14-傅里叶变换的代码实现-一、numpy实现傅里叶变换和逆傅里叶变换 1.numpy实现傅里叶变换numpy.fft.fft2实现傅里叶变换,返回一个复数数组(complex ndarray),也就是频谱图像numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置) 20*np.log(np.abs(fshift))设置频谱的范围。可以理解为,之前通过傅里叶变换得到复数的数组,是不能通过图像的方法展示出来的,需要转换为灰度图像(映射到[0,255]区间)需要注意的是1> 傅里叶得到低频、高频信息,针对低频、高频处理能够实现不同的目的2> 傅里叶过程是可逆的,图像经过傅里叶变换、逆傅里叶变换后,能够恢复到原始图像3> 在频域对图像进行处理,在频域的处理会反映在逆变换图像上 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) # 移动中心位置 fshift = np.fft.fftshift(f) # 调整值范围 result = 20*np.log(np.abs(fshift)) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.numpy实现逆傅里叶变换numpy.fft.ifft2实现逆傅里叶变换,返回一个复数数组(complex ndarray)numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角iimg = np.abs(逆傅里叶变化结果)设置值的范围,映射到[0,255]区间 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过numpy实现高通滤波,保留图像的边缘信息 获取图像的形状rows,cols = img.shape获取图像的中心点crow,ccol = int(rows/2),int(cols/2)将频谱图像的中心区域(低频区域)设置为0(黑色)fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\boat.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 f = np.fft.fft2(img) fshift = np.fft.fftshift(f) # 高通滤波 rows,cols = img.shape crow,ccol = int(rows/2),int(cols/2) fshift[crow-30:crow+30,ccol-30:ccol+30] = 0 # 逆傅里叶变换 ishift = np.fft.ifftshift(fshift) iimg = np.fft.ifft2(ishift) iimg = np.abs(iimg) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("iimg") plt.axis("off") plt.show 使用numpy实现高通滤波的实验结果: 二、opencv实现傅里叶变换和逆傅里叶变换 1.opencv实现傅里叶变换 返回结果 = cv2.dft(原始图像,转换标识)1> 返回结果:是双通道的,第一个通道是结果的实数部分,第二个通道是结果的虚数部分2> 原始图像:输入图像要首先转换成np.float32(img)格式3> 转换标识:flags = cv2.DFT_COMPLEX_OUTPUT,输出一个复数阵列numpy.fft.fftshift将零频率分量移到频谱中心(将左上角的低频区域,移到中心位置)调整频谱的范围,将上面频谱图像的复数数组,转换为可以显示的灰度图像(映射到[0,255]区间)返回值 = 20*np.log(cv2.magnitude(参数1,参数2))1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) # 移动中心位置 dftShift = np.fft.fftshift(dft) # 调整频谱的范围 result = 20*np.log(cv2.magnitude(dftShift[:,:,0],dftShift[:,:,1])) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(result,cmap=plt.cm.gray) plt.title("result") plt.axis("off") plt.show 傅里叶变换的频谱图像: 2.opencv实现逆傅里叶变换返回结果 = cv2.idft(原始数据)1> 返回结果:取决于原始数据的类型和大小2> 原始数据:实数或者复数均可numpy.fft.ifftshiftfftshift函数的逆函数,将中心位置的低频,重新移到左上角调整频谱的范围,映射到[0,255]区间返回值 = cv2.magnitude(参数1,参数2)1> 参数1:浮点型X坐标值,也就是实部2> 参数2:浮点型Y坐标值,也就是虚部 # 将绘制的图显示在窗口 %matplotlib qt5 import cv2 import numpy as np import matplotlib.pyplot as plt img = cv2.imread(r"image\lena.bmp",cv2.IMREAD_GRAYSCALE) # 傅里叶变换 dft = cv2.dft(np.float32(img),flags = cv2.DFT_COMPLEX_OUTPUT) dftShift = np.fft.fftshift(dft) # 逆傅里叶变换 ishift = np.fft.ifftshift(dftShift) iimg = cv2.idft(ishift) iimg = cv2.magnitude(iimg[:,:,0],iimg[:,:,1]) plt.subplot(1,2,1) plt.imshow(img,cmap=plt.cm.gray) plt.title("original") plt.axis("off") plt.subplot(1,2,2) plt.imshow(iimg,cmap=plt.cm.gray) plt.title("inverse") plt.axis("off") plt.show 将一副图像,进行傅里叶变换和逆傅里叶变换后,进行对比(一样的) 实例:通过opencv实现低通滤波,模糊一副图像
-
最值得投资的服务O2O公司TOP10- http://www.chinaz.com/start/2014/1010/370056.shtml 创哥说:自2013年下半年开始,本地生活服务业里出现了众多O2O模式的创业公司。这是资本和舆论密切关注的热点,它们大多相信自己就是那个能改造本地生活服务业的人,资本和舆论差不多也这么想,所以它们创立没多久,就纷纷拿到了天使投资。现在大半年过去,它们要融A轮甚至B轮了。那么,哪些公司的发展前景更值得期待? 《创业家》跟踪了这波浪潮,并对其中的代表公司进行了深度采写。此外,《创业家》还通过微信群和“重度垂直-黑马O2O特训营”、线下沙龙等服务聚集起了中国最领先的O2O创业公司创始人,请加微信号korchagin,加群请注明姓名+公司名+职位,否则初审都不会过。 《创业家》采访了近10位投资人和大约30家从事本地生活服务的创业公司,试图找到每个细分行业里最优秀的早期公司。我们的评判标准与VC投早期项目时类似,主要看行业前景、团队结构、商业思路这三个维度。为了加强专业度和调查力度,我们还请投资人和业内公司作了互相评价。 有的人可能会想:我作为同行,明明三项指标都比上榜的公司好,为啥我榜上无名?因为很多概念,拆细了看才有价值。比如“行业前景”,创业者第一步切入的细分市场的规模与它所能延伸出的想象空间,其实是两回事。出行市场广阔无边,滴滴打车和易到用车虽然正在商务租车领域展开竞争,但它们最早切入的细分领域不同,所以发展节奏和今日的市值也就不同。又比如,二次创业者要比初次创业者有优势,因为阅历很值钱。但如果前者第一次创业时实现了财务*,那他二次创业时很可能饥饿感不够,这可能会抵销掉他的阅历优势。 NO.
-
O2O分享2:我的O2O理解
-
你对递归的理解是否真正掌握了C语言中的应用?
-
使用PyTorch实现的UNet-3D:我的理解和代码实践
-
我对于心跳机制的一些思考和理解
-
我的C语言学习心得——深入理解函数
-
探索新世界:我对Web3D的体验与感受
-
我的体验和理解:使用微软MSMQ (MessageQueue)