戏说程序猿之荒唐的需求

杀一个程序员不需要用枪,改三次需求就可以了!

 

不得不说程序员的天敌就是无尽的需求,最恐怖的事情莫过于当你开发完的时候,客户给你提出新的需求,这个时候真是想XXXX(此处省略100W个字)

而更厉害的是一些荒诞的需求,一些项目需求读起来简直是科幻小说,抽象,一点都不现实。有想象力当然很好,但想象力已经超出天际。

当产品经理过来提需求时,程序员的内心是这样子的:

 

1.

客户:做个百度几千块够不够?

程序员:不够的!

客户:一万够了吧?

程序员:不够的!

客户:就那么几个页面,我做一个淘宝也只才几千块,你是不是坑我?

程序员:你找到了可以做的麻烦介绍给我,我也想做一个。。。

 

 

2.

产品经理:“把刚才那个按钮,改成鼠标移入后,显示文字说明吧”

程序员:“...”

产品经理:“算了,还是不要了,点击直接跳转就好”

程序员:“...”

产品经理:“要不移入后,显示张图片吧”

程序员:“WQNMGB”

 

3.

老板:“你看这个LOG放大的同时能不能缩小一点”

程序员:“你说啥”

老板:“我感觉这个大小不合适,整体大一点,占面积小一点”

程序员:“你说啥”

老板:“TM到底能不能干了”

程序员:“我能力有限≡[。。]≡”

4.

网页要实现离线的增删改查

5.

WiFi网速有点慢,你把这个网速整上去。

 

6.

你去饭店,坐下来。

“服务员,给我来份宫保鸡丁!”

“好嘞!”

——————这叫原始需求大厨做到一半。

 

“服务员,菜里不要放肉。”

“不放肉怎么做啊?”

“不放肉就行了,其它按正常程序做,不就行了,难吗?”

“好的您稍等”

——————中途需求变更

 

厨房:

大厨:“你大爷,我肉都回锅了”

服务员:“顾客非要要求的嘛,你把肉挑出来不就行了吗”

大厨:“行你大爷”

然而还是一点点挑出来了

——————改动太大,部分重构

 

餐厅:“服务员,菜里能给我加点腐竹吗?”

“行,这个应该简单。”

——————低估改动成本

 

厨房:

大厨:“你TMD,不知道腐竹得提前泡水?炒到一半才说?跟他说,想吃腐竹就多等半天”

服务员:“啊你怎么不早说?”

大厨:“早说你MLGB我怎么知道他要往宫保鸡丁里放腐竹”

然而还是去泡腐竹了

——————新需求引入了新研发成本

 

餐厅:

“服务员,还是把肉加回去吧”

“您不是刚说不要肉吗”“现在又想要了”

“…好的您稍等”

——————某一功能点摇摆不定

 

厨房:

大厨:“日你啊,菜都炒过火了你让我放肉?还好肉我没扔”

服务员:“客户提的要求你日我干嘛?”

大厨:“你就不能拒绝他啊?啊?”

服务员:“人家是客户嘛。”

——————甲方是大爷

 

餐厅:

“服务员!服务员!”

“来了来了,你好?”“怎么这么半天啊?”

“稍等我给您催催啊”

——————改动开始导致工期延误

 

程序员说:我不讨厌改需求,讨厌的是频繁地改需求。

程序员说:我不讨厌频繁地改需求,讨厌的是频繁地改完需求后,工期却不延长

最后,程序员因为整天和编程逻辑打交道,所以对因果关系特别敏感。如果你所说需求的因果关系不是很明确,这会让他们感到疑惑,如果你的话语的因果关系不完整,这会让他们办错事。如果你的话中有if,最好后面用then做结束,或者用else给出选择,主语要明晰。不然很可能会这样:

转载于:https://www.cnblogs.com/xuwendong/p/10319339.html

【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、电压和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和工程师。; 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和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