`
xiebh
  • 浏览: 615210 次
  • 性别: Icon_minigender_1
  • 来自: 太原
社区版块
存档分类
最新评论

刘小备如何做项目-关于生命周期模型

阅读更多
摘自:这里

文章不错,至少是从理论的角度,用通俗的语言讲述了软件工程木常见的“原型法、编码-修改法、传统瀑布、改进瀑布、增量、螺旋、RUP、XP”等软件过程。值得学习!



进行完软件估计后,刘小备开始启动下一阶段的工作选择软件生命周期,可供软件生命周期模型这么多,有原型法、编码-修改法、传统瀑布、改进瀑布、增量、螺旋、RUP、XP,还有什么“V”模型、“W” 模型,到底选择哪一种呢?刘小备想起来头大,索性就不想了,直接去找昔日故交孔小明,如今的孔小明已经是“孔氏项目管理咨询有限公司”的总经理,毕竟有前些年大大小小几十个项目的丰富经历,再加上孔小名扎实的软件开发理论功底,经过孔小明咨询的项目都取得了成功,虽然公司只有十几个人,“孔氏项目管理咨询有限公司”在业界也小有名气了,孔小明早就把他的羽毛扇送到博物馆去了,不离手的是有蓝牙/WLAN/GSM/GPRS/WCDMA的多模智能手机,代步的两轮车也换成了“奔驰2008”。刘小备到“孔氏项目管理咨询有限公司”时,正赶上孔小明给一家叫什么“新盛”的系统集成公司新接的一个千万级的项目做咨询结束,对方的公司老总握着孔小明的手不放,技术总监和项目经理也一脸崇拜的看着孔小明,孔小明很客气的把他们送走,然后转身把刘小备请进办公室。还没坐下刘小备就直奔主题(以下是两个人的对话,刘小备用刘代替,孔小明用孔代替)


刘:孔总,虽然我也做过几个项目,但对于生命周期模型一直也没有搞清楚孰优孰劣,所以在选择时往往是跟着感觉走,今天来就是想把这个问题彻底弄清楚,一劳永逸。
孔:在讲各种生命周期模型前,我想强调一下,任何项目,不管采用什么模型有四项活动都是必不可少的。不管是有意识还是无意识,这些活动都会出现在项目过程中。
刘:哪四项活动?
孔:就是需求、设计、编码和测试。这也是最重要的四项活动,其他的活动其实都是为这些活动服务的,不管是配置管理、还是风险管理、还是评审等等。

刘: 哦!这个问题没有考虑过,不过你说出来再一想确实是这么回事。
孔:生命周期的定义咱们就不讨论了,我直接就常用的模型的优缺点和使用条件进行说明。
刘:太好了!
孔:我先说第一种:编码-修改模型。也称Code And Fix方法,是历史最悠久一种模型,从人类开始写程序的第一天这种模型就出现了,我们每个人开始学写程序时也不自觉的采用了这种模型。
刘:这个我知道了。这种模型没有规划、没有控制、开发过程混乱,软件质量完全依靠程序员个人的能力,后期基本不能维护,尤其是有人员变动,这应该是造成上世纪70年代软件危机的主要根源。
孔:即便在现在,这种模型也很有市场的,很多的中小型公司采用的仍然是这种开发模型。
刘:那是不是说,这个模型应该彻底的抛弃?
孔:那到不尽然。毕竟个人在开始学习编程时,这种方法是一个很好的选择,即使对于企业也不是完全不可取,比如有些项目对质量要求不高,但需要把东西攒起来,否则就丢单,这时如果在四平八稳的好好的规划和设计,那么到时候“黄瓜菜都凉了”。
刘:看来真是“尺有所短,寸有所长”
孔:原型法属于一种用户需求驱动的方法,首先根据技术人员对需求的理解构建一个系统,然后跟用户交流、进行测试,征集用户意见,根据用户意见进行修改,再跟用户交流……,直到用户满意位置。
刘:如果用户不专业,朝令夕改怎么办?
孔:你的担心是合理的。这也是这种方法的一个缺点。他的优点也和明显,能快速满足用户需求,用户早晨提的修改意见到晚上就可以看修改后的效果了,如果做好好,用户的满意度是比较高的。
刘:用户是上帝,如果用户满意了,那项目就成功了,如果这么来看,这种方法是一个很好的方法。
孔:你说对了一部分。还有另外一个缺点我还没说,由于这种方法就是“摸着石头过河”,缺乏对所开发系统的全面的、系统的认识,开发过程也没有规划,返工现象一般比较严重,如果在加上用户本身的成熟度比较低,那么这种做法最后的结果往往是费力不讨好。
刘:这样一说这种方法基本是一无是处了。
孔:也不是。它也有用武之地。比如系统规模比较小,容易把握和理解,此时用这种方法就是一个不错的选择,毕竟管理成本大大降低了。另外,原型法思想也可以跟其他软件生命周期模型结合,比如在其他比较复杂的生命周期中,在需求分析过程中,可以先搭建一个原型,用这个原型去跟用户交流,去把需求明确和细化。
刘:你太有才了 :)。
孔:哈哈。咱们接下来说瀑布模型。瀑布模型应该是最经典的生命周期模型,为解决上世纪70年底的软件危机作出了很大的贡献,如果说原型发是用户需求驱动,那么瀑布模型可以说是文档驱动。它的优缺点也同样明显。
刘:愿闻其详。
孔:其优点为,阶段分明、活动明确,彻底改变了编码-修改方法和原型法的的混乱无序局面,同时开发过程中的文档也降低了沟通的成本,同时要求每一阶段是在上一阶段彻底完成的情况下才启动,可以保证每一个阶段的开发质量都有保证,减少了返工。而且,在瀑布模型中的很多的过程、文档和方法,都是其他生命周期模型的很好的参考。
刘:这个模型我用的比较多,效果应该是比较不错,但离理想有一定差距,尤其是如果需求不稳定。
孔:这就是我要说的它的缺陷。主要有两点,第一是不能回溯(其实根本就不现实,尤其是在中国),第二是文档多,花费了很多的成本(当然,从整体来看,在开发过程中尤其到后期维护,这些文档的伟大性就体现出来了)。针对第一个缺陷,有人提出了改进瀑布模型,就是允许回溯,这样虽然更灵活了,但回溯必然带来返工,尤其到后期,越是前期的缺陷带来的返工就越大。
刘:我所做的大部分项目应该用的是改进瀑布模型。那么,瀑布模型的使用条件是什么?
孔:有三个前提。第一是需求稳定度比较高。第二是质量要求高。第三工期相对较充裕。
刘:很好,加深了我的认识,请继续往下说。
孔:如果说瀑布模型是完全串行,那么增量模型就引入了并行。可以根据系统功能,划分为多个增量,这多个增量可以并行进行开发,每个增量其实质就是一个瀑布模型。由于每个增量都不大,那么复杂度自然降低,需求变化对该增量的开发影响也见效很多。增量并行可分为全并行和部分并行,如果两个增量之间没有依赖关系,则可以全并行,如果有依赖关系则只能部分并行。
刘:部分并行,不太好理解。
孔:比如A和B两个增量,B依赖与A,那么B的需求分析活动,必须至少在A的需求分析活动结束后才能启动。这就是部分并行。如果A和B没有什么关系,那么A和B可以通信进行需求分析、然后同步进行设计……,这就是全并行。
刘:这个方法不错,在人手充裕的情况下,通过并行能缩短工期。
孔:没错。但这种方法需要有可执行的底层的框架。如果没有,那么其第一个增量版本,必须实现这个可执行的底层框架。而且因为多个增量并行,增加了管理的复杂度。
刘:越来越复杂了。
孔:是啊。(先画了那张最经典的螺旋模型图)螺旋模型是风险驱动的模型。项目本身有很多的不确定因素、很多的限制和约束、很多的假设条件,所有这些都有可能导致项目的失败。螺旋模型,把风险分析放到最重要的位置,增大了项目成功的可能性。沿螺旋进行若干次迭代。每个迭代包括四个阶段:制定计划、分析风险、实施工程、评估成果。一般做三次迭代,第一次关注需求,第二次关注高层设计,第三次实现(详细设计、编码和测试工作)。
刘:我看你的那个图就晕了。你还是讲讲它的缺点吧。
孔:这个模型本身强调风险,但客户往往是不认可的。而且,风险管理本身也是有成本的,如果风险管理成本过大,严重影响项目利润,那么此时的风险管理还是不做的好。同时,对项目组成员的要求-尤其在风险分析方面很高,需要他们有丰富的经验。
刘:这种模型等我回去再好好的学习一下吧。你接着往下说吧。
孔:RUP应该说是最复杂的一种软件生命周期模型了。对它理解很深的人就更少了,很多的人一知半解就狂吹这种方法怎么怎么样?关于RUP,如果要讲透了,需要几天的时间,今天我把这种方法的框架、优缺点给你说一下。
刘:也好。
孔:(先画了那张最经典的RUP模型图)RUP是以用例为驱动、以架构为核心、以迭代为方法的一种开发模式。实现瀑布与增量模型的有机结合。RUP在横向把项目分成初始、细化、构造、交付四个阶段,在纵向分成6个核心工作流和3个辅助工作流,核心工作流包括建模、需求、分析和设计、实现、测试和部署,3个辅助工作流包括配置和变更管理、项目管理和环境。每个阶段也有很多的交付件。
刘:确实很复杂。不仅过程复杂,而且也需要很多的文档。这种方法的好处是什么?
孔:RUP采用多次迭代,每次迭代时间都不长,但都形成一个可执行版本,在中间过程中能及时发现功能问题和性能问题,并及时进行调整;可以在开发早期就可以确定风险并及早规避;用户需求的明确是一个逐步的过程,采用RUP可以很好的适应需求的调整和变化。它的缺点同样很明显,管理难度和管理成本增加,如果新引入,那么项目组的学习成本也很高,大量的文档也增加了项目的工作量。
刘:那么什么情况下,采用这种模型呢?
孔:在系统规模大、复杂度高、用户需求不能在前期明确、质量要求和进度要求都比较高的情况下,这是一个不错的选择。
刘:哦。最后你再给我简单讲讲XP吧。
孔:刚才,你看到了,软件生命周期模型越来越复杂,管理难度越还越高,中间产品越来越多,XP就是本着去繁化简的原则而产生的,XP是以代码为驱动的,主张以“简洁、高效、持续及合作”的方式进行软件开发。它由包括“结对编程,每日构建”内的12条实践和包括“沟通、简单、反馈和勇气”在内的4条原则组成,最大限度的减少与编码无关的工作,比如写需求分析文档、写设计文档,但分析、设计、编码和测试工作一个都不能少,同时项目计划、度量、配置管理、评审检查等在其他生命周期模型中很好的实践也都引入到该方法中,同时。
刘:这种方法很好。减少了文档工作量,编码效率会有提高,而且质量还有保证。你快说说这种方法的适用条件。
孔:该方法适用与小规模的团队,有的人说20人以下,有的人说10人以下,我倾向于后者。同时,由于没有产生文档,后期维护会比较麻烦,人员流动影响也比较大,虽然结对编程客观上做了人员的备份。
刘:哦,我明白了。你分析的太精彩了,让我从整体上对生命周期模型有了认识,多谢你的指点。今天还有事,改日谢你。
孔:No problem!
分享到:
评论

相关推荐

    2025职业教育知识竞赛题库(含答案).pptx

    2025职业教育知识竞赛题库(含答案).pptx

    基于.NET Core MVC与SQL Server的在线考试管理系统:多角色操作、国际化支持、全套源码与文档附赠,.net core mvc在线考试系统 asp.net在线考试管理系统 主要技术:

    基于.NET Core MVC与SQL Server的在线考试管理系统:多角色操作、国际化支持、全套源码与文档附赠,.net core mvc在线考试系统 asp.net在线考试管理系统 主要技术: 基于.net core mvc架构和sql server数据库,数据库访问采用EF core code first,前端采用vue.js和bootstrap。 功能模块: 系统包括前台和后台两个部分,分三种角色登录。 管理员登录后台,拥有科目管理,题库管理,考试管理,成绩管理,用户管理等功能。 教师登录后台,可进行题库管理,考试管理和成绩管理。 用户登录前台,可查看考试列表,参加考试,查看已考试的结果,修改密码等。 系统实现了国际化,支持中英两种语言。 源码打包: 包含全套源码,数据库文件,需求分析和代码说明文档。 运行环境: 运行需vs2019或者以上版本,sql server2012或者以上版本。 ,核心关键词: .net core mvc; asp.net在线考试管理系统; SQL Server数据库; EF core code first; vue.js; boot

    C++编写的资产管理系统(带SQLServer数据库文件 )

    C++编写的资产管理系统(带SQLServer数据库文件。)。

    递归最小二乘法在线识别轮胎前后侧偏刚度:应用sin工况效果显著,适用多种场景,附simulink模型及代码,1、基于递归最小二乘法在线识别轮胎前后侧偏刚度,图为在正弦曲线工况,估计侧偏刚度的大小,效果

    递归最小二乘法在线识别轮胎前后侧偏刚度:应用sin工况效果显著,适用多种场景,附simulink模型及代码,1、基于递归最小二乘法在线识别轮胎前后侧偏刚度,图为在正弦曲线工况,估计侧偏刚度的大小,效果较好 2、此模型也可用于其他工况下的刚度估计,有需要的朋友可以自行去尝试 3、包含simulink模型和递归最小二乘侧偏刚度估计代码 ,基于递归最小二乘法; 轮胎侧偏刚度在线识别; 正弦曲线工况估计; Simulink模型; 递归最小二乘侧偏刚度估计代码。,递归最小二乘法在正弦曲线工况下的轮胎刚度在线识别模型

    PLL锁相环技术实现:SMIC55工艺下20MHz参考频率三阶二型CPPLL,快速锁定至1GMHz并带环形振荡器与DIV模块功能,pll锁相环 cppll cadence 三阶二型锁相环 工艺smi

    PLL锁相环技术实现:SMIC55工艺下20MHz参考频率三阶二型CPPLL,快速锁定至1GMHz并带环形振荡器与DIV模块功能,pll锁相环 cppll cadence 三阶二型锁相环 工艺smic55 参考频率20MHz 分频比50 锁定频率1GMHz 锁定时间2us 环形振荡器 ring vco PFD模块 DIV模块 45分频,ps counter CP模块 工艺smic55 ,核心关键词:PLL锁相环; CPPLL; 工艺SMIC55; 参考频率20MHz; 分频比50; 锁定频率1GHz; 锁定时间2us; 环形振荡器(Ring VCO); PFD模块; DIV模块(45分频,ps counter); CP模块。,"SMIC55工艺:PLL环及二型锁相环技术解析"

    EKF SLAM 分析及matlab仿真源码

    EKF SLAM matlab simulation. EKF SLAM 分析及matlab仿真源码。

    CPRI IP License支持Xilinx Vivado全版本,无MAC绑定,永久有效授权,CPRI ip license xilinx vivado 支持Vivado各版本,不绑定mac,永久有

    CPRI IP License支持Xilinx Vivado全版本,无MAC绑定,永久有效授权,CPRI ip license xilinx vivado 支持Vivado各版本,不绑定mac,永久有效 ,CPRI; IP license; Xilinx; Vivado; 不绑定Mac; 永久有效; 支持各版本。,"Xilinx Vivado支持:永久有效的CPRI IP License,不绑定MAC"

    机器学习 KNN算法实现鸢尾花分类 (分类算法)

    1.内容概要 通过KNN实现鸢尾花分类,即将新的数据点分配给已知类别中的某一类。该算法的核心思想是通过比较距离来确定最近邻的数据点,然后利用这些邻居的类别信息来决定待分类数据点的类别。 2.KNN算法的伪代码 对未知类别属性的数据集中的每个点依次执行以下操作: (1)计算已知类别数据集中的点与当前点之间的距离; (2)按照距离递增次序排序; (3)选取与当前点距离最小的k个点; (4)确定前k个点所在类别的出现频率; (5)返回前k个点出现频率最高的类别作为当前点的预测分类。 3.数据集说明 代码使用`pandas`库加载了一个名为`iris.arff.csv`的数据集 4.学习到的知识 通过鸢尾花分类学习了KNN算法,选择样本数据集中前k个最相似的数据,就是KNN算法中k的出处。k值过大,会出现分类结果模糊的情况;k值较小,那么预测的标签比较容易受到样本的影响。在实验过程中,不同的k值也会导致分类器的错误率不同。KNN算法精度高、无数据输入的假定,可以免去训练过程。但是对于数据量较多的训练样本,KNN必须保存全部数据集,可能会存在计算的时间复杂度、空间复杂度高的情况,存在维数灾难问

    COMSOL三维采空区通风条件下的氧气与瓦斯浓度分布研究,comsol三维采空区通风条件下,氧气,瓦斯浓度分布 ,核心关键词:comsol; 三维采空区; 通风条件; 氧气浓度分布; 瓦斯浓度分布

    COMSOL三维采空区通风条件下的氧气与瓦斯浓度分布研究,comsol三维采空区通风条件下,氧气,瓦斯浓度分布。 ,核心关键词:comsol; 三维采空区; 通风条件; 氧气浓度分布; 瓦斯浓度分布;,"三维采空区通风模拟:氧气与瓦斯浓度分布研究"

    基于java+ssm+mysql的公交车信息管理系统 源码+数据库+论文(高分毕设项目).zip

    项目已获导师指导并通过的高分毕业设计项目,可作为课程设计和期末大作业,下载即用无需修改,项目完整确保可以运行。 包含:项目源码、数据库脚本、软件工具等,该项目可以作为毕设、课程设计使用,前后端代码都在里面。 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷,具有很高的实际应用价值。 项目都经过严格调试,确保可以运行!可以放心下载 技术组成 语言:java 开发环境:idea 数据库:MySql8.0 部署环境:Tomcat(建议用 7.x 或者 8.x 版本),maven 数据库工具:navicat

    DaisyDisk for Mac v4.31

    DaisyDisk for Mac是一款直观且强大的磁盘清理工具,专为Mac用户设计。它通过交互式图表直观展示磁盘空间使用情况,以彩色区块形式呈现文件和文件夹大小,帮助用户快速定位占用空间的大文件。软件支持快速扫描,可在几秒内完成磁盘分析,并提供文件预览功能,避免误删重要文件。DaisyDisk还支持多磁盘管理、云存储扫描、隐私保护和安全删除功能。其界面简洁易用,适合新手和专业人士,是优化磁盘空间、提升系统性能的必备工具。

    三菱FX3U伺服控制框架标准程序详解:定位控制参数设定、回原点操作、JOG手动控制及绝对与相对定位控制,FX3U和三菱伺服控制的框架标准程序,适合新手学习定位用 用 标签分层,说明了定位控制中的公共

    三菱FX3U伺服控制框架标准程序详解:定位控制参数设定、回原点操作、JOG手动控制及绝对与相对定位控制,FX3U和三菱伺服控制的框架标准程序,适合新手学习定位用。 用 标签分层,说明了定位控制中的公共参数设定、回原点、JOG手动、绝对定位、相对定位、控制等部分,有伺服驱动器的针脚接线。 ‘包括有: 1、程序一份 2、说明一份 ,核心关键词:FX3U; 三菱伺服控制; 框架标准程序; 新手学习定位; 标签分层; 公共参数设定; 回原点; JOG手动; 绝对定位; 相对定位; 控制; 伺服驱动器针脚接线。,"三菱FX3U伺服控制框架标准程序:新手定位控制指南"

    Python自动化办公源码-40 excel处理实例(多工作表合并到单工作表)

    Python自动化办公源码-40 excel处理实例(多工作表合并到单工作表)

    2023-04-06-项目笔记 - 第三百八十六阶段 - 4.4.2.384全局变量的作用域-384 -2025.01.22

    2023-04-06-项目笔记-第三百八十六阶段-课前小分享_小分享1.坚持提交gitee 小分享2.作业中提交代码 小分享3.写代码注意代码风格 4.3.1变量的使用 4.4变量的作用域与生命周期 4.4.1局部变量的作用域 4.4.2全局变量的作用域 4.4.2.1全局变量的作用域_1 4.4.2.384局变量的作用域_384- 2025-01-22

    基于MATLAB的含风光柴储微网多目标优化调度策略与模型实现,含风光柴储微网多目标优化调度 MATLAB代码 关键词:微网调度 风光柴储 粒子群算法 多目标优化 参考文档:基于多目标粒子群算法的微

    基于MATLAB的含风光柴储微网多目标优化调度策略与模型实现,含风光柴储微网多目标优化调度 MATLAB代码 关键词:微网调度 风光柴储 粒子群算法 多目标优化 参考文档:《基于多目标粒子群算法的微电网优化调度》 仿真平台:MATLAB 平台采用粒子群实现求解 优势:代码注释详实,适合参考学习,非目前烂大街的版本,程序非常精品,请仔细辨识 主要内容:代码构建了含风机、光伏、柴油发电机以及储能电站在内的微网优化运行模型,并且考虑与上级电网的购电交易,综合考虑了多方经济成本以及风光新能源消纳等多方面的因素,从而实现微网系统的经济运行,求解采用的是MOPSO算法(多目标粒子群算法),求解效果极佳,具体可以看图 ,关键词:微网优化调度; 风光柴储; 粒子群算法; 多目标优化; MATLAB代码; MOPSO算法。,基于MATLAB的微网风光柴储多目标优化调度与MOPSO算法的实践研究

    基于java+ssm+mysql的高校就业管理系统 源码+数据库+论文(高分毕设项目).zip

    项目已获导师指导并通过的高分毕业设计项目,可作为课程设计和期末大作业,下载即用无需修改,项目完整确保可以运行。 包含:项目源码、数据库脚本、软件工具等,该项目可以作为毕设、课程设计使用,前后端代码都在里面。 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷,具有很高的实际应用价值。 项目都经过严格调试,确保可以运行!可以放心下载 技术组成 语言:java 开发环境:idea 数据库:MySql8.0 部署环境:Tomcat(建议用 7.x 或者 8.x 版本),maven 数据库工具:navicat

    基于java+ssm+mysql的基金交易网站 源码+数据库+论文(高分毕设项目).zip

    项目已获导师指导并通过的高分毕业设计项目,可作为课程设计和期末大作业,下载即用无需修改,项目完整确保可以运行。 包含:项目源码、数据库脚本、软件工具等,该项目可以作为毕设、课程设计使用,前后端代码都在里面。 该系统功能完善、界面美观、操作简单、功能齐全、管理便捷,具有很高的实际应用价值。 项目都经过严格调试,确保可以运行!可以放心下载 技术组成 语言:java 开发环境:idea 数据库:MySql8.0 部署环境:Tomcat(建议用 7.x 或者 8.x 版本),maven 数据库工具:navicat

    西门子SMART 200电机控制子程序V1.6:智能管理多达7个电机,灵活设置运行参数,故障自动切换备用电机,版本升级持续优化 ,西门子SMART 200 电机控制子程序V1.6,可生成库 可控制1

    西门子SMART 200电机控制子程序V1.6:智能管理多达7个电机,灵活设置运行参数,故障自动切换备用电机,版本升级持续优化。,西门子SMART 200 电机控制子程序V1.6,可生成库 可控制1-7个电机 可设置同时运行的最大电机数量 可设置每个电机是否使用 可设置电机轮时间,当系统单次运行时间>轮时间,停止运行时间最长的电机,上累计运行时间最短的电机 可设置电机启动间隔 每次启动累计运行时间最短的电机 当有电机故障时,立即停止该电机,如果有备用电机自动切备用电机 7个电机内,可自由设置备用电机个数,使用的电机总数-最大电机数量=备用电机个数 附版本升级记录: V1.1优化:当使能被关闭后自动关闭对应电机 V1.2优化:运行中改变同时使用电机数量有效 V1.3更改:open信号上升沿直接启动1个电机(跳过启动间隔),第二个电机启动间隔才有效 轮时间改为秒,当系统单次运行时间>轮时间,停止运行时间最长的电机,上累计运行时间最短的电机 V1.4优化 V1.5满足可以运行的电机数量>同时使用电机数量 时 轮才有效,不满足时,轮计时清零 V1.6 优化某些情况下,无法正确延时 ,核心关键词

    深度学习乐园项目案例分享:A030-DIN模型实现推荐算法

    点击查看,完整项目演示视频,更有数百个深度学习项目案例:zzgcz.com 项目A030-DIN的核心是通过深度学习技术实现个性化推荐算法,旨在为用户提供精准、高效的商品或内容推荐。在现代电子商务、社交媒体及内容平台中,推荐系统作为核心功能,极大地提升了用户体验。DIN(Deep Interest Network,深度兴趣网络)是一种专门针对用户行为数据进行建模的深度学习模型,通过捕捉用户历史行为中的兴趣点,动态地生成推荐结果。DIN模型的一个显著特点是,它能够根据用户的当前兴趣动态调整推荐内容,不仅仅是依赖于用户的全局行为历史。

    基于PID控制的超车轨迹跟踪技术:高效跟踪期望轨迹的详细指南,基于pid控制的超车轨迹跟踪,能够很好的跟踪期望轨迹 有详细的说明文档 ,基于pid控制的超车轨迹跟踪; 轨迹跟踪; 精确性; 详细说明

    基于PID控制的超车轨迹跟踪技术:高效跟踪期望轨迹的详细指南,基于pid控制的超车轨迹跟踪,能够很好的跟踪期望轨迹。 有详细的说明文档 ,基于pid控制的超车轨迹跟踪; 轨迹跟踪; 精确性; 详细说明文档。,基于PID控制的超车轨迹精确跟踪技术:高效追踪期望轨迹的说明文档

Global site tag (gtag.js) - Google Analytics