3、企业应用开发中可复用架构决策模型的实践与应用

企业应用开发中可复用架构决策模型的实践与应用

在企业应用开发领域,架构决策的科学性和有效性对于项目的成功至关重要。本文将深入探讨架构决策的相关流程,包括决策识别、决策制定和决策执行,并介绍其在面向服务架构(SOA)设计中的应用。

架构决策的基础概念

架构决策(AD)具有多种属性,如问题陈述(problemStatement)可在介绍层面表征一个AD,而参考资料(references)和已知用途(knownUses)则指向更多信息。一个AD可能与设计模型中的多个元素相关,例如业务流程和Web服务操作,通过AD中的范围属性(scope)可引用设计模型元素类型。ADOutcome实例能动态创建,并通过设计模型引用(designModelReference)指向设计模型元素实例。

为了更好地组织相关的AD,我们将紧密相关的AD分组到ADTopics中,这些ADTopics可形成层次结构,且每个ADTopic层次结构被分配到三个抽象级别之一:概念级别(ConceptualLevel)、技术级别(TechnologyLevel)或资产级别(AssetLevel)。这种结构的设计是为了避免在企业应用设计时,技术讨论过于聚焦于特定供应商产品的详细特性或特定技术的优缺点,而忽视了许多重要的战略决策和通用问题。

此外,我们还通过一些属性来建模决策的所有权和生命周期,如负责方(responsible)、决策者(takenBy)和状态(status),阶段属性(phase)则提供了与通用方法(如RUP)的链接。同时,决策依赖关系被明确建模为AD之间的关联,目前我们使用单一的依赖类型(dependsOn)。

决策识别步骤
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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