项目时间——你会讨价还价吗?

本文探讨了在软件项目中如何准确评估工作量及应对不确定性带来的风险,介绍了通过概率分析预测项目完成的可能性,并提出了一套实用的方法来确保项目的成功。
我想大家都遇到过这种情况:

需求不是很明确而且肯定会变化;

还没有开始做分析设计,对工作量心里没谱;

上面给了最后期限,却不给资源……



这种情况下,你心里知道风险极大,却必须接受这个工作;

但由于没有前期准备的时间,所以对工作量自己心里也没谱。



记住,你是开发人员,你的本分是系统实现——你只应该承担开发的风险。

怎么样更好地“坚守本分”,不干预你职责外的风险呢?

其实有很好的办法,本文给出一些建议。





1. 关于工作量

工作量是一个概率!

对于每个工作项,其完成所需的工作量(人天)都是一个概率分布

有最小值(但概率几乎为零)

有可靠值(最可能的情况,概率在80%左右)

没有最大值(最大值为无穷,其概率同样为零)



如果估算工作量时只估算了最小值,并且把这个值最为依据,那么对不起,你死定了——大家根据这个值盯着你的工作,而你按照这个时间表完成的概率几乎为零。那么项目延期的风险完全由你承担。



2. 关于累计工作量

关键路径上概率的累计是每个工作项概率相乘!

比如关键路径上有3个认为,其最可能完成的工作量和概率分别为(10人天,70%),(15人天,80%),(9人天,75%)

则使用10+15+9=34人天整个完成的概率是:70%×80%×75%=42%!

通常关键路径上会有10个以上的工作项,即使每个工作项按照概率90%来估算工作量,整个完成的概率也只有0.9^10=53%!

3. 概率来自哪里?

概率来自风险!

风险主要来自需求变化!

4.如何应对

工作量的估算不是简单的数字!

工作量的估算还要考虑风险。最简单的办法是定一个风险系数。风险系数取决于需求不明确,需求可能变化,开发人员会生病等等。

比如,

情况 风险系数

========================

需求不明确 0.5

需求可能发生很大变化 1.5

需求会增加很多 2--3



等等。因为让你报工作量的时候通常没有给你充分的时间,所以可以只从需求的确定程度来风险系数。



最终,最可能的工作量为最小工作量×(1+风险系数)





整体工作量要加保险系数。

由于概率累乘,整体风险还是很大。如果要保证85%以上的可靠性,还要在整体上进行调整。

比如,最后汇总的工作量为200人天,而关键路径上计算出的概率为50%,为了保证总体有85%的概率,则

需要的工作量还要增加一个保险量,大体上是(å可靠值-å最小值)×0.8

(根据概率分布曲线导出,不是很精确,也没必要精确)。

5.注意事项

使用人天作为工作量的单位

2人月很可能被砍到1人月,但40人天通常被砍到30人天。

记住每个月只有22个工作日。遇到法定假日更少。

单个工作项,工作量估算一定要客观。

单个工作项的工作量很容易估算,不要让别人挑出问题。

如果有问题在风险系数上做文章。

工作量估算和项目计划要随时更新

已完成的工作项,不再存在风险,同时实际完成时间已经确定。

需求在逐步确定,风险在逐步降低。

有新需求时,加上新的工作项。

随时估算新的风险可能。







6. 讨价还价

上面在工作量上讨价还价时,其实是在帮我们逐渐确定需求,减少风险。

比如,

甲:这个为什么要用这么长时间?

乙:如果需求能够确定,那么用的时间还是很少的,但是现在不确定,风险系数比较高。

甲:是吗?我看看,嗯,这个功能我们就不做了。

乙:这样啊,风险系数降低到XXX,最可能完成的工作量是XXX。这个功能不做了吗?我们签字确认一下?



7.实例

以后有时间给出一个实际的例子。包括快速分析设计,工作量估算表模板,实际进度中对工作表的更新等等。
 
【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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