规划迭代

 规划迭代

当项目不断进行时,需要详细规划即将实施的迭代活动。在当今日新月异的环境中,提前几个月甚至几年做详细规划是毫无价值的,但您可以对下几周(典型的迭代的时间跨度)进行成功地详细规划。

项目规划的普遍且难以置信的有效方法是从粗略的项目规划开始,即从项目开始时开发,然后在完成构成项目的各种迭代时缓慢发展形成。随着项目不断进展,需要更新整个粗略的项目规划,更新它以反映近来努力的实际成果以及您的团队将继续从事的下一个(或两个)迭代的规划细节。在为单一迭代开发细致的规划时,应该执行这些步骤。

实行真实性检查
通过询问并且回答一些难题来开始详细的规划工作:项目是否仍在按计划进行?您的方法是否仍有意义?您的团队是否由合适的人员组成?您是否仍有资金管理者支持?如果其中任何一个问题的答案是否,则需要解决问题,这可能意味着新(且非常短)迭代使您的团队回到正常轨道上。对处于困境的项目进行大计划是毫无价值的。

标识详细的任务
在项目开始时,体系结构和转移迭代只是列出需要实现的任务列表。然而,要规划迭代,必须评估已为它指定的需求(请参阅“基于需求的规划策略”)。随着项目发展,您将对于对个别需求有更好理解。您可能会发现,现在需要更改给迭代指定的原始需求,这些需求最初是有意义的。或许已经标识并添加了新的需求;或许已经扩展或缩减了需求;或许已经更改了优先级。不管什么原因,您会发现您需要重新定义打算在该迭代中实现的内容。根据需求,标识需要实现的任务。

标识任务相关性
某些任务取决于其它任务。例如,在部署源代码之前,必须先编写它。测试案例的开发可以在编码之前开始。实际代码的测试必须等待,直到已经编写了某些代码(尽管或许不是所有代码)为止。问题是某些任务必须在其它任务完成之后才能开始;某些任务必须等待,直到另一个任务开始了为止,它才可以开始;某些任务不能完成,直到另一个任务完成为止;某些任务不能完成,直到另一个任务开始了为止。

均衡资源
需要紧记的重要事情是,每个人一次只可处理那么多任务,并且在工作的那一天只有那么多时间。这个概念称为资源均衡,确保任务分派是合理的。指定用 10% 的时间完成 10 项任务很可能无法完成任何任务,而且指定用 50% 的时间完成 5 项任务的人员也不可能完成这些任务。确保现实的规划的最好方法是,让执行计划的人员参与计划开发。

保持迭代短小
迭代周期应该保持比较短。应该将大于 8 周的迭代分割,以便让您迅速将软件交付给用户。因为正在尝试弥补在先前迭代中跳过的工作(如文档编制),或者因为您的需求正在增加而没有添加新的迭代来反映这一事实,所以当项目进展时迭代长度增长是一种趋势。执行真实性检查并按照它们的结果行动,将帮助您使迭代周期保持简短。

考虑并行开发
分几个子团队来同时进行系统的不同部分始终是一种有效的办法,尤其对于系统纵向片段的开发。并行开发可以大大地缩短产品的上市时间,这是当今高度市场竞争性的一个重要因素,尽管它以增加协调工作为代价。共同的体系结构、共享知识视野、共同的开发实践、定期团队会议及共享工作场地使并行开发成为可能。 

### 动态规划迭代实现 动态规划是一种解决复杂问题的有效方法,它通过将大问题分解成更小的子问题并保存这些子问题的结果来减少冗余计算。虽然许多动态规划问题是基于递归来定义状态转移方程的,但为了提高效率和降低栈溢出的风险,通常会使用 **迭代法** 来实现。 以下是动态规划的一个经典例子——斐波那契数列的迭代实现: #### 斐波那契数列的动态规划迭代实现 (Python) ```python def fibonacci(n): if n <= 0: return 0 elif n == 1: return 1 dp = [0] * (n + 1) # 创建一个数组用于存储中间结果 dp[0], dp[1] = 0, 1 # 初始化基础条件 for i in range(2, n + 1): # 自底向上填充dp表 dp[i] = dp[i - 1] + dp[i - 2] return dp[n] # 测试函数 print(fibonacci(10)) # 输出第10个斐波那契数 ``` 上述代码展示了如何利用动态规划的思想以迭代的方式求解斐波那契数列[^1]。这里的关键在于构建了一个 `dp` 数组用来记录之前已经计算过的值,从而避免了重复计算。 #### 背包问题的动态规划迭代实现 (C++) 背包问题是另一个经典的动态规划应用场景。下面是一个简单的零一背包问题的迭代实现: ```cpp #include <iostream> #include <vector> using namespace std; int knapsack(int W, vector<int> weights, vector<int> values, int n){ // 定义二维DP数组 vector<vector<int>> dp(n+1, vector<int>(W+1, 0)); for(int i=1; i<=n; ++i){ for(int w=0; w<=W; ++w){ if(weights[i-1] <= w){ dp[i][w] = max(dp[i-1][w], dp[i-1][w-weights[i-1]] + values[i-1]); } else{ dp[i][w] = dp[i-1][w]; } } } return dp[n][W]; // 返回最终的最大价值 } // 测试函数 int main(){ int W = 5; vector<int> weights = {2, 3, 4}; vector<int> values = {3, 4, 5}; int n = weights.size(); cout << "最大价值:" << knapsack(W, weights, values, n); } ``` 此代码片段实现了零一背包问题中的核心逻辑部分,即通过迭代更新 DP 表格完成最优解的选择过程。 #### 总结 无论是 Python 中的斐波那契序列还是 C++ 的背包问题解决方案,都体现了动态规划的核心理念:自底向上的方式逐步解决问题,并借助辅助数据结构(如数组或表格)储存已知答案以便后续调用。这种方法不仅提高了程序运行速度还减少了内存消耗。
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