这样的公司,还要不要继续下去

作者加入一家老牌软件公司的新产品研发团队后,遇到了一系列问题,包括缺乏文档、需求变更频繁、任务分配不均等,导致工作效率低下和个人成长受限。
今天大周日的,外面的风老大了, 我被领导打电话叫过去加班。我连着大概4个星期没周六日了,难免有些牢骚,一是在此发泄下,二是javaeye的前辈们给我些建议。

来这个公司1年多了, 前半年,跟着一个哥们儿做系统(其实是维护性质的)。 这个兄弟比较负责任,做事也很踏实,而且这个系统的功能也是强大、架构也是复杂的。很少加班,感觉在做的过程中能接触不少东西,基本上还是感觉很happy的。

在后半年,我被公司调到一个做新产品的研发的项目组,新产品的一些宣传资料印的挺不错的,而且产品资料也在公司网站上能看到。这是国内的一家老牌软件公司,有相当一些系统在×××行业还是有着很高知名度的。我当然也对这个“新产品”怀着无比崇敬的心情加入了这个项目组。

对于上面分下来的任务,我干劲儿十足。 我也常常主动加班加点克服困难,完成任务。 日子一天天过去了,我也努力的工作着,到年底了,公司也开始结项,我也回顾下我这一年来的成果,心里头总是有些疙瘩。

1. 这半年做的系统,开发的任务,基本没有文档。没有需求文档,没有设计文档,什么文档也没有。
2. 组里没有一个大牛。组里开发人员少,没有大牛带领着,基本上就是上面分一个任务,简单了描述了下功能,然后我感觉就是瞎琢磨,然后把功能搞出来。 没有个精神灵魂。
3. 需求混乱。 常常遇到一种情况 。 一个做好的功能, 领导A说,应该改成这样,于是我改了。 过了几天,领导B看见了,说这个功能这样不合适,应该改着那样,我无语,然后改了。 领导B官比A大。 过了几天,领导A又说,怎么改成这样了,找我质问,我有些无语了。。。 需求混乱,我感觉好像没人知道 这个功能点 应该做什么什么样子。
4. 我常常被分到更多的任务。不是因为我技术好,是因为我做事儿踏实,做事相对积极。 总是我自己常常周六周天来加班,项目组其他成员就没来加班,我无语。 近2个周,总是在家里被领导打电话叫过去加班。
5. 前段时间,我被赋予了“项目负责人”职务, 我很闹心,我来协调大家开发, 每个人做的接口基本和别人有交互,但是有些同事优先考虑的是“自己不要担责任,自己做容易的”,在接口的开发过程中,想着把责任推给别人, 总之是推来推去的,我觉得非常闹心,我是个老实人,说也说不过人家,最后还是自己去做这些事儿。
6. 公司大,部门多,有些事情需要多个部门一起来参与,但是总是被推来推去的, 经常看到他们邮件中在打架, 感觉效率很低。
7. 开发人员总是感觉,一直在改来改去的。 做时间久了,技术上没长进,而且经常加班,也没时间自己去学习。加班没有加班费。
8. 工资也不高,就是公司名气大。同事中多数是硕士,感觉说话的人多,做事的人少。

在这个公司里头,就是感觉同事关系相对比较融洽。 我在这里呆了1年多了,感觉技术上也没学到多少东西。现在也是挤着时间回家去学习一些新的东西, 我老实说,我是不想再折腾跳槽换工作的,经常听前辈们说,要在一家公司呆满2年才能有所积累。但是长期向上面的那种工作状态,我不知道我还能忍受多久, 请前辈们给点建议,是继续在公司熬着还是出去找新工作。 ps: 我感觉我技术一般,我是别的专业转过来的。
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
### 回答1: 好的,接着上面的 Dinic 算法的代码,我们需要实现一个 BFS 函数,用于在残量网络中查找增广路径: ```python from collections import deque def bfs(s, t): q = deque() q.append(s) level = [-1] * (n+1) level[s] = 0 while q: u = q.popleft() for v, cap, flow in graph[u]: if level[v] == -1 and cap > flow: level[v] = level[u] + 1 q.append(v) return level[t] != -1 ``` 接下来实现一个 DFS 函数,用于在残量网络中查找增广路径。这里还要使用一个 `iter` 数组,表示每个节点的下一条边的索引,避免重复访问同一条边: ```python def dfs(u, t, f): if u == t: return f while iter[u] < len(graph[u]): v, cap, flow = graph[u][iter[u]] if cap > flow and level[v] == level[u] + 1: d = dfs(v, t, min(f, cap-flow)) if d > 0: graph[u][iter[u]][2] += d graph[v][graph[u][iter[u]][3]][2] -= d return d iter[u] += 1 return 0 ``` 最后,将 BFS 和 DFS 结合起来,实现 Dinic 算法: ```python def dinic(s, t): max_flow = 0 while bfs(s, t): iter = [0] * (n+1) while True: flow = dfs(s, t, float('inf')) if flow == 0: break max_flow += flow return max_flow ``` 完整代码如下: ### 回答2: 上面提到的Dinic算法是一种用于解决最大流问题的算法。接下来,我将进一步展开介绍这个算法的实现细节。 在Dinic算法中,我们首先对于给定的图G构建一个层次图,即一个每个节点到源点之间的最短路径图。这可以通过使用BFS算法进行实现,从而找到每个节点到源点的最短路径。 接下来,我们使用DFS算法来寻找层次图中的阻塞流。DFS的过程类似于沿着增广路径流动,并通过调整边的容量来增加流量。在DFS的过程中,我们需要判断当前节点是否能够将多余的流量传递给下一层的节点。如果可以,则我们将流量传递给下一层节点,并继续搜索下一层;如果不可以,则我们回溯到上一层并继续搜索其他路径。 当无法再找到增广路径时,我们得到了最大流。最后,我们可以根据最终的流量分布对应的边的容量进行调整,以便于下一次运行算法时,直接忽略掉已经饱和的边。 Dinic算法的时间复杂度为O(V^2 * E),其中V是图中的节点数,E是图中的边数。这个算法相对于其他最大流算法来说,具有较好的时间复杂度。 总结来说,Dinic算法是一种高效解决最大流问题的算法,它通过构建层次图并使用DFS算法来寻找增广路径,从而求解最大流量。通过调整边的容量,可以实现多次运行算法以不断寻找更大的流量。 ### 回答3: Dinic算法是一种用于解决最大流问题的图算法,它是基于BFS和DFS的增广路径算法。在Dinic算法中,我们通过多次BFS来建立分层图,并利用DFS在分层图上寻找增广路径,重复这个过程直到无法找到增广路径为止。 继续写下Dinic算法的伪代码如下: 1. 初始化残余网络:将所有边的残余容量设置为初始容量,即将所有边权重赋值给残余容量。 2. 初始化距离数组:对于每个顶点v,将其距离设置为无穷大。 3. 初始化层次计数数组:定义一个数组level,其长度等于图中顶点的个数。 4. 构建分层图:利用BFS从源点开始,遍历整个图。对于每个顶点v,如果距离数组中的值为无穷大且与v相连的边的残余容量大于0,则将距离数组中对应顶点的值设为当前顶点的距离加1,并将该顶点入队。 5. 寻找增广路径:利用DFS在分层图上找到增广路径。对于当前顶点v,如果v等于汇点,则找到了增广路径。否则,对于与v相连的每一个顶点u,如果u的距离等于v的距离加1且与v相连的边的残余容量大于0,则递归地在u上继续寻找增广路径。 6. 更新残余容量:对于找到的增广路径,将路径上的每条边的残余容量减去增广路径中最小的残余容量。 7. 计算最大流:重复步骤4至步骤6直到无法找到增广路径为止。最终,最大流的值等于进入汇点的流量之和。 Dinic算法的时间复杂度为O(V^2 * E),其中V为图中顶点的个数,E为图中边的个数。相比于Edmonds-Karp算法的O(V * E^2),Dinic算法具有更好的时间复杂度,且在稠密图中表现更优。但需要注意的是,Dinic算法的算法实现相对复杂,对于大规模图,可能存在栈溢出等问题,此时可以使用带有重标记和间隔优化的Dinic算法进行改进。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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