一次改变自己的旅程——回首我的软工实践
一、学期回顾
1.1 回顾第一次博客作业,你对于软件工程课程的想象
在我印象里,博客作业最关键的就是要认真阅读博客,看清题目和要求。在我第一次博客作业就吃了这个亏,心里很难受。至于我对软件工程的想象,我认为这是用一种全新的方式来促进我们去学习新的知识和技能。以前从来没考虑过的技术,现在也都浅浅的学习了一些,至少让我知道应该怎样去学习新知识,补充自己的不足。
1.2 回顾你在这门课程中的投入与产出
-
在软工实践课程当中我编写了3000行代码。
-
在团队项目中我参与了( 原型设计 )的设计与开发。
-
软工实践的各次作业分别花费的时间:
时间 作业 花费时间 09.03~09.04 首次博客作业 2h 09.09~09.20 个人编程作业 70h 09.23~10.14 结对编程作业 135h 10.24~10.28 结对编程作品互评 3h 09.30~10.23 团队介绍、选题报告、需求分析报告 21h 10.30~11.06 团队项目之现场编程 21h 11.06~11.19 团队项目Alpha冲刺阶段与中期总结 14h 11.21~12.20 团队项目Beta冲刺阶段与终期总结 14h 12.22~01.08 个人学期总结博客作业 2h
1.3 令你印象最深刻的是哪一次作业或哪一场答辩?为什么这次作业或这场答辩令你印象深刻?
令我印象最深的是结队编程作业。这是我和我的队友进行的一次耗时极长,内容考虑最细的一次作业。所有作业,包括个人编程,还是团队编程,都没有结队编程考虑的周全。在我看来,结队编程要做一款上线的微信小程序,自然要把各种细节做好,这样就不可避免的要花大量时间和精力去完成。也很感谢我的队友,在这种强度下依然和我一起完成这项工程。虽然结队编程用到的技术不一定是最难的,但一定是最用心的,最努力的。其实团队编程也让人印象深刻,但是毕竟是团队项目,这么大的工作量分散到每个人身上,已经不如结队编程甚至不如个人编程(也许是我个人编程用的时间也太多了)。最后好多次提交小程序来审核,等待总是令人充满了期待,多个版本审核通过的时刻也是最令人高兴的时刻。
二、总结收获
2.1 展开说说你的软工实践故事
-
个人编程:这是我软工噩梦的开始。其实现在想想也算不上噩梦,也许当初我花的时间太长了,那段时间每天晚上都加班到1、2点,主要是对网页的一些技术问题做功课。总体下来就是小型的前后端协作,后端处理的信息反馈到前端的网页上,并且在网页的各种细节都下足了功夫。
-
结对编程:这就要提到我和我队友选择的方向了。我们选择的是微信小程序,这就要符合微信小程序的各项规定和代码规范。结对编程花的时间更离谱,庞大的工作量导致我队友都有点受不了,其实我也能理解,主要是想把内容做好,考虑比较细,所以处理起来很繁琐。最终结果还是比较可观的,我们的小程序已经提交了多个版本,也都审核通过了,体验也还可以,唯一遗憾的就是联机对战做不出来,受限于微信小程序的相关规定以及服务器费用的问题,这部分我们没有完成,这是唯一的遗憾了。
-
现场编程:这是与时间赛跑。说实话,完成这个项目并不难,难就难在时间太短了。从早上开始给定题目,下午就要答辩,在短时间内完成任务,对于我们团队来说还是显得有些力不从心了,最关键的就是缺乏经验,尤其是对这种现学现用和新知识的应用能力比较匮乏。有意思的是,在答辩前一刻,我们才勉强完成这部分的内容,相对来说时间上还是有点勉强了,不过好在最后完成了项目。
-
团队编程:纵观整个实践课,我在团队编程用的时间反而是比较少的,我负责的原型设计在技术层面上并不难,只难在对界面的设计和灵感,以及对题目和需求的理解等等。而我们团队选的课题又比较难,动态图像的识别和分析,这些技术难题是其他队员负责的。所以说我在团队里的贡献不是特别多,也很感谢团队对我的照顾。我也对一些核心问题做了力所能及的帮助。
2.2 介绍学习到的新技术或生产力工具以及它们给你带来了哪方面的帮助?
- 首先是python和Java,后端处理信息的神器,不过我更加擅长的是python。
- 其次是flask和jinjia等框架,还有HTML和echarts等,这些就是前端的技术了,让我对前端尤其是网页更加熟悉。
- 微信小程序,微信小游戏,这两个也是是前端,只不过这些对编程有一定的限制。这部分已经上架了几个版本的小程序,对于前端的产品有了更深的学习和理解。
- 最后就是原型设计工具了,我主要用的是墨刀,其他也用过一些比如UXPin,Prototype Composer等等,但是自我感觉就墨刀方便还好用,容易上手。我对原型设计有了更深的认识,运用更加熟练。
- Auto.js。这是我在现场编程中学习的新知识,也让我对自动化脚本有了全新的认识和使用,其实我更感兴趣的是用这个工具开发出适合自己的懒人工具。
2.3 技术之外,这门课程还给你带来了哪些方面的提升?
- 团队协作的能力。在结对编程和团队编程中,团队协作是非常重要的,尤其在现场编程里,这种配合显得尤为关键。如何向队友传递自己的信息,如何将彼此的技术学习和技术难题清楚的表达给队友,这是一个很深的学问,不仅现在要学,以后还要不断的去理解和学习。在我看来,团队协作和技术难题是同一个高度的难题,虽然技术是阻碍项目发展的关口,但是团队的默契配合也是解决问题的关键。这就是我在这门课中尤其体会到的一点,也是今后更加努力的一点。
2.4 如果还有什么想记录的或者想说的,就写在这儿吧!
- 结对编程印象深刻的截图(印象最深的就是线上发布的小程序了):


- 团队印象深刻的截图:


三、致谢
- 一个学期过去了,你特别想要感谢的人有谁?你们在完成什么任务的时候发生了什么故事?有什么话想要对TA说呢?
我特别想感谢的是我的结对编程队友吕晨曦。我们在做微信小程序的过程中,他帮我承受了很多压力,也帮我解决了很多技术难题,在我们的共同努力下,K版骰骰乐成功上线,并且体验较好。我真多很感谢队友的理解和帮助,而且,在这次作业中,我很多次的去抠细节,队友也理解并且帮助我,我很感谢他的付出,也很期待和他再次合作。
其次,我还想感谢我的团队编程的队长陈艺栋,他帮助我克服了很多困难,在我很忙的时候帮我完成了很多任务,我很感谢队长的无私付出。
相关推荐
技术转移机构如何基于数据提升项目撮合精准度?.docx
技术转移机构如何基于数据提升项目撮合精准度?
超扭滑模与快速终端滑模的永磁同步电机无感控制:理论、离散化实现与仿真研究(Simulink仿真实现)
内容概要:本文系统研究了超扭滑模控制(STSMC)与快速终端滑模控制(FTSMC)在永磁同步电机(PMSM)无感控制中的应用,重点涵盖其理论基础、离散化实现方法及Simulink仿真验证。文章深入阐述了两种高阶滑模控制策略的设计原理,利用磁链无感观测技术实现转子位置与速度的精确估计,从而省去物理传感器,有效提升了系统的可靠性与鲁棒性。同时,提供了完整的Simulink仿真模型构建方案,包括控制器设计、关键参数整定及动态响应性能分析,充分验证了所提出的方法在零速与低速工况下的卓越控制性能和有效性。; 适合人群:具备电机控制、现代控制理论基础知识及熟练掌握MATLAB/Simulink仿真技能的研究生、科研人员与工程技术人员。; 使用场景及目标:①深入理解高阶滑模控制在电机驱动系统中的设计思想与具体实现;②掌握基于滑模观测器的无感控制核心技术;③开展永磁同步电机高性能控制算法的理论研究、仿真验证与工程化探索。; 阅读建议:建议将文中详尽的理论推导与Simulink仿真模型相结合进行学习,重点关注滑模面的构建、抖振抑制策略的实施以及离散化处理的细节,有条件的研究者可进一步将算法移植到DSP等硬件平台进行实验验证,以深化对理论的理解并检验其实际应用效果。
多源动态最优潮流的分布鲁棒优化方法(IEEE118节点)(Matlab代码实现)
内容概要:本文系统阐述了基于Matlab的多源动态最优潮流分布鲁棒优化方法,聚焦于IEEE118节点电力系统,旨在应对高比例可再生能源接入背景下源荷双重不确定性所带来的调度挑战。该方法深度融合分布鲁棒优化理论,通过构建能够抵御最坏情况概率分布的决策模型,有效提升了电力系统在复杂不确定性环境下的运行安全性、经济性与可靠性。研究不仅提供了完整的Matlab代码实现,便于结果复现与算法验证,还特别关注了含风电等新能源的现代电网低碳调度问题,为解决实际工程中的优化调度难题提供了强有力的理论支撑和技术工具。; 适合人群:具备电力系统分析基础和Matlab编程能力的研究生、科研人员及从事智能电网优化运行、能源系统规划等相关领域的工程技术人员。; 使用场景及目标:①研究含高比例可再生能源接入的电力系统动态最优潮流问题;②掌握分布鲁棒优化在电力系统经济调度、低碳调度中的建模思想与求解方法;③利用IEEE118标准测试系统进行算法有效性验证与性能对比分析;④基于所提供的Matlab代码进行二次开发,探索新型不确定性优化理论在电力系统中的创新应用。; 阅读建议:建议读者结合电力系统最优潮流、不确定性优化理论(特别是分布鲁棒优化)的背景知识进行学习,重点关注模型的构建逻辑、目标函数与约束条件的设计原理,以及Matlab代码的具体实现细节。在学习过程中,应动手调试代码,尝试修改系统参数(如新能源出力波动范围、负荷水平等),以观察不同场景下优化结果的变化,从而深刻理解该方法的适应性、优势及其潜在的局限性。
车间调度基于GA、PSO、SA、ACO、TS优化算法的车间调度比较研究(Matlab代码实现)
内容概要:本文系统性地比较了遗传算法(GA)、粒子群优化(PSO)、模拟退火(SA)、蚁群优化(ACO)和禁忌搜索(TS)五种智能优化算法在车间调度问题中的性能表现,并提供了基于Matlab的完整代码实现。研究聚焦于调度优化的核心目标——最小化完工时间(makespan),通过标准测试案例对各算法的收敛速度、求解精度和稳定性进行了深入对比分析,旨在为实际生产调度中算法的选择与改进提供科学依据。文中不仅详述了每种算法的设计思路与关键参数设置,还展示了其实现逻辑,便于读者理解、复现与拓展。; 适合人群:从事智能制造、工业工程、运筹优化等相关领域的研究人员,以及具备Matlab编程基础、希望将智能优化算法应用于实际调度问题的研究生和工程师。; 使用场景及目标:① 掌握主流智能优化算法在解决NP-hard车间调度问题上的具体应用与差异;② 学习如何利用Matlab实现并对比不同优化算法的性能;③ 为解决生产制造、物流配送等领域中的资源调度难题提供算法选型和技术参考。; 阅读建议:建议读者在阅读时重点关注各算法的Matlab实现代码和实验结果对比部分,动手运行代码以直观感受不同算法的寻优过程和效果差异。同时,可结合具体调度约束条件,尝试调整算法参数或融合多种算法思想,以深化对优化机理的理解。
3D人物伍子胥智能对话及反应动作报告
3D人物伍子胥智能对话及反应动作报告


