软件维护

软件交付后。

占整个生存周期工作量的70%以上，代价极高

类型：

　　1.正确性维护（错误）

　　2.适应性维护（外部环境、数据环境、市场、管理需求）

　　3.完善性维护（新的功能、性能）

　　4.预防性维护（可维护性、可靠性、未来变化）

　　可维护性：被理解、校正、适应、增强功能的难易程度

　　度量：可理解性、可测试性、可修改性、可靠性、可移植性、可使用性、效率

　　　　方法：质量检查表；质量测试、质量标准；

　　提高可维护性：明确的目标、优先级；先进的技术、工具；明确质量保证；选择可维护的程序语言；改进文档；开发时考虑维护

　　非结构化维护：只有程序代码，没有设计文档、测试文档

　　结构化维护：有完整的软件配置，从评价文档开始

　　维护量因素：系统大小；程序设计语言；系统年龄；数据库技术的应用；先进的软件开发技术；其他；

　　文档：决定性因素，比代码更重要。

　　　　分类：用户文档、开发文档、管理文档、系统文档

　　软件再工程：重构

　　　　库存目录：分析哪些需要再工程；

　　　　逆向工程：更高的抽象层次，抽取设计信息。根据以存在的产品反推设计数据的过程

　　　　正向工程：新功能、高性能

　　　　重构：调整程序代码，改善质量、性能、设计模式、架构、扩展性、维护性。不修改体系结构，关注设计细节、局部数据结构

　　项目管理：计划、组织、协调、控制

　　　　运用：知识、技能、工具、技术

　　　　5要素：技术、方法、团队建设、信息、沟通

　　　　错误管理

　　　　风险管理：危机管理、失败处理、风险缓解、预防、消灭根源

　　　　　　包括：风险评估（识别、分析、优先级）、风险控制（管理、化解、监控）

　　　　人员管理：

　　项目度量：软件度量、质量度量、继承度量

　　风险管理：贯穿整个项目过程

数据库

数据依赖

　　1.函数依赖：Functional Dependency，FD。

　　　　平凡函数依赖、非平凡函数依赖

　　　　完全函数依赖、部分函数依赖

　　　　传递函数依赖　　　　

　　2.多值依赖：Multivalued Dependency，MVD。

　　　　“1:0…*”，1对多。

　　　　只要知道了R上的一个多值依赖X→→Y，就可以得到另一个多值依赖X→→Z，而且X、Y和Z是U的分割；“(2)”说明多值依赖是函数依赖的某种推广，函数依赖是多值依赖的特例

　　3.其他

码

　　候选码：

　　主属性、非主属性

　　全码：

　　外部码：

　　范式种类：

　　　　　　1NF:属性不可分

　　　　　　2NF：非主属性完全依赖与码

　　　　　　3NF：非主属性之间不依赖

　　　　　　BCNF:主属性之间不依赖

　　　　　　4NF：

　　规范化：

　　　　目的：消除插入、删除异常、修改复杂、数据冗余

　　　　实质：概念的单一化

　　　　基本思想：逐步消除数据依赖中不合适的部分

　　　　注意：

推理规则：

　　1.自反律

　　2.增广律

　　3.传递律

　　4.合并规则：     1,3可证

　　5.伪传递规则：　　2,3可证

　　6.分解规则： 　　1,3可证

闭包

覆盖=等价

极小函数依赖集=最小函数依赖集=最小覆盖

　　结果：不唯一

分解：

　　方法不唯一，关系模式等价

　　函数依赖：减轻、解决各种异常情况

　　无损连接：与自然连接的结果相等

　　　　分解不丢失信息；不一定可以解决插入异常、删除异常、修改复杂、数据冗余……问题

人工智能

求最优解、近似最优解方法：

　　1.枚举法：适合枚举空间小的

　　2.启发式算法：找到特有的启发式规则

　　3.搜索算法：在可行解集合的一个子集进行搜索

遗传算法：

　　自适应全局优化概率搜索算法。获取近似最优解、满意解。

　　本质：生物的遗传、进化过程的模拟

　　特点：强适应力、高优化力

 　  定义：

　　　　Xi：一个遗传基因；

　　　　等位基因：所有可能取值。

　　遗传算子：搜索最优解。类似：染色体之间的交叉、变异

　　　　选择：Selection。根据个体的适应度，按一定的规则、方法

　　　　交叉：Crossover。交叉概率

　　　　变异：Mutation。变异概率

　　特点：

　　　　1.以决策变量的编码最为运算对象：而非决策变量的值

　　　　2.直接以目标函数值作为搜索信息：个体适应度。而非函数的导数值

　　　　3.同时使用多个搜索点的搜索信息：而非单个搜索点

　　　　4.使用概率搜索技术：自适应概率搜索技术，而非确定性的搜索方法。概率收敛于最优解。交叉概率+变异概率

　　应用：函数优化、组合优化、生产调度问题、自动控制、机器人学、图像处理、人工生命、遗传编程、机器学习

　　改进：

　　　　1.自适应变异：防止“近亲繁殖”。双亲差异小，选取较大的变异率（增强搜索能力）；双亲差异大，选取较小的变异率（防止破坏优良个体）

　　　　2.部分替代法：部分个体被新个体取代，其他部分个体直接进入下一代。

　　　　3.优秀个体保护法：一定数量的最优个体，直接进入下一代

　　　　4.分布式遗传算法：分为若干个子群，相对独立、封闭（保证搜索的充分性、全局最优性）；定期一定比例的迁移（防止向局部最优收敛）

基本遗传算法：Simple Genetic Algorihms ，SGA

　　只使用选择算子、交叉算子、变异算子。三种基本遗传算子

　　固定长度的二进制符号串：表示群体中的个体

　　等位基因：{0,1}。

　　1.染色体编码方法

　　2.个体适应度评价：确定被遗传到下一代群体中的概率，正比。适应度：非负值，可转换

　　3.遗传算子：

　　　　比例选择算子：有退还随机选择、赌盘选择。

　　　　单点交叉算子：最常用，最基本。两两配对；随机交叉点；交叉互换染色体

　　　　基本位变异算子：概率选择变异点；基因值取反；

　　4.基本遗传算法的运行参数

　　注意：

蚁群算法：

　　模拟：蚁群搜索食物源的寻优能力。个体间的信息交流、协作。正反馈现象

　　解决：离散系统优化问题。随机搜索算法。利用整体信息

　　1.适应阶段：候选解积累的信息，不断调整自身结构

　　2.协作阶段：信息交流，产生更好的解

　　优点：不需任何先验知识，随机选择路径。随着对解空间的“了解”，趋向最优

　　1.记忆：禁忌列表，随时间，选择动态调整

　　2.信息素通信：

　　3.集群活动：群体智能建立路径选择机制。自催化、正反馈，增强型学习系统

　　算法：蚁环算法、

2015上半年软件设计师考点，难点3