201871010014-陈园园 实验三 结对项目—《D{0-1}KP 实例数据集算法实验平台》项目报告

| 项目 | 内容 |
| ---- | ---- | ---- |
| 课程班级博客链接 | 班级博客 |
| 这个作业要求链接 | 作业要求 |
| 我的课程学习目标 | （1）体验并感受两人合作，结对编程完成软件项目的开发。（2）练习Github协作开发程序的操作方法和过程。 |
| 这个作业在哪些方面帮助我实现学习目标 | （1）学习效率方面。两人合作结对编程的方式，提高了学习效率。（2）学习能力方面。一个人可能会学的很快，但两人人合作会使学习能力加强。（3）学习经验方面。相互学习可以取长补短，积累知识，增加学习经验。（4）学习内容方面。双方讨论学习可以深入探讨知识，学习内容更加充实。 |
| 结对方学号-姓名 | 201871010105—曹玉中 |
| 结对方本次博客作业链接 | 结对方博客作业链接 |
| 本项目Github的仓库链接地址 | 仓库链接 |

博客正文

任务1：

阅读《现代软件工程—构建之法》第3-4章内容，理解并掌握代码风格规范、代码设计规范、代码复审、结对编程概念；

第3章基本内容：

  (1) 个人能力的衡量与发展:软件工程包括了开发、运用、维护软件的过程中的很多技术、做法、习惯和思想。软件工程把这些相关的技术和过程统一到一个体系中，叫“软件开发流程”，软件开发流程的目的是为了提高软件开发、运营和维护的效率，以及提升用户满意度、软件的可靠性和可维护性。
  (2)初级软件工程师的成长包括以下几种：
   a.积累软件开发相关的知识，提升技术技能（如对具体技术的掌握，动手能力）。例如：对JAVA、C/C++、C#的掌握，诊断/提高效能的技术，对于某一开发平台的掌握等。
   b.积累问题领域的知识和经验。
   c.对通用的软件设计思想和软件工程思想的理解。
   d.提升职业技能，包括：自我管理的能力、表达交流的能力、与人合作的能力等。
   e.实际成果——最重要的评价标准。
 （3）软件工程师的职业发展：[软件工程师自我评价能力表]（https://www.cnblogs.com/xinz/p/3852177.html）

第4章基本内容：

| 名词 | 内容 |
| ---- | ---- | ---- |
| 代码风格规范 | 主要是文字上的规定。（1）代码风格的原则是：简明、易读、无二义性；（2）对于缩进、行宽、括号、分行、命名、下划线、注释、大小写以及断行与空白的{}行的处理；（3）缩进限定为100字符；（4）复杂的条件表达式中，用括号表示逻辑优先级；（5）有清晰的断行和分行；命名应该遵循规则，简洁易懂。 |
| 代码设计规范 | （1）牵扯到程序设计、模块之间的关系、设计模式等。（2）针对函数：只做一件事，并且要做好。可以使用goto实现单一的出口；（3）还有错误处理方面的一些内容，比如断言的正确使用等规范；（4）错误处理的时间更甚于程序功能的实现；（5）所有的参数都要验证其正确性，验证正确性使用断言。 |
| 代码复审 | （1）形式：自我复审、同伴复审、团队复审；（2）目的：找出代码错误、发现逻辑错误、发现算法错误、发现潜在的错误和回归性错误、发现可能需要改进的地方、传授经验；（3）代码复审后把记录整理出来：更正明显的错误、记录无法很快更正的错误、把所有的错误记在自己的一个“我常犯的错误”表中，作为以后自我复审的第一步。 |
| 结对编程概念 | 角色：驾驶员：控制键盘输入；领航员：起到领航、提醒的作用。好处：（1）在开发层次，可以提供更好的设计质量和代码质量，两人合作解决问题的能力更强。（2）对开发人员，带来更多的信心，高质量的产出带来更高的满足感。（3）企业管理层次上，有效地交流，相互学习和传递经验，分享知识，取得更高的投入产出比。 |

任务2：

两两自由结对，对结对方《实验二 软件工程个人项目》的项目成果进行评价，具体要求如下：
（1）对项目博文作业进行阅读并进行评论，评论要点包括：博文结构、博文内容、博文结构与PSP中“任务内容”列的关系、PSP中“计划共完成需要的时间”与“实际完成需要的时间”两列数据的差异化分析与原因探究，将以上评论内容发布到博客评论区。

（2）克隆结对方项目源码到本地机器，阅读并测试运行代码，参照《现代软件工程—构建之法》4.4.3节核查表复审同伴项目代码并记录。

概要部分

 - 代码能符合需求和规格说明么？答：能符合需求与规格。
 - 代码设计是否有周全的考虑？ 答：不太周全，修改了很多次，刚开始可能设计部分有一些问题。
 - 代码可读性如何？ 答：简单易懂。
 - 代码容易维护么？ 答：比较容易。
 - 代码的每一行都执行并检查过了吗？ 答：是的，检查过。

设计规范部分

 - 设计是否遵从已知的设计模式或项目中常用的模式？ 答：是。
 - 代码有没有依赖于某一平台，是否会影响将来的移植（如Win32到Win64） 答：没有依赖，不会影响。
 - 开发者新写的代码能否用已有的Library/SDK/Framework中的功能实现？在本项目中是否存在类似的功能可以调用而不用全部重新实现？ 答：可以实现，不存在。
 - 有没有无用的代码可以清除？（很多人想保留尽可能多的代码，因为以后可能会用上，这样导致程序文件中有很多注释掉的代码，这些代码都可以删除，因为源代码控制已经保存了原来的老代码。） 答：有，已清除。 

代码规范部分

 - 修改的部分符合代码标准和风格么（详细条文略）? 答：符合代码标准。

具体代码部分

 - 有没有对错误进行处理？对于调用的外部函数，是否检查了返回值或处理了异常？ 答：查阅资料并讨论以后发现基本没有。
 - 参数传递有无错误，字符串的长度是字节的长度还是字符（可能是单/双字节）的长度，是以0开始计数还是以1开始计数？ 答：基本无错误，字符串的长度是字节的长度，以0开始计数。
 - 边界条件是如何处理的？Switch语句的Default是如何处理的？循环有没有可能出现死循环？ 答：通过检查代码和讨论，循环不会出现死循环。
 -有没有使用断言（Assert）来保证我们认为不变的条件真的满足？ 答：没有使用。
 - 对资源的利用，是在哪里申请，在哪里释放的？有没有可能导致资源泄露（内存、文件、各种GUI资源、数据库访问的连接，等等）？有没有可能优化？ 答：因为没有上线使用，基本不会导致资源泄露，没有优化。
 - 数据结构中是否有无用的元素？ 答：检查过后没有。

（3）依据复审结果尝试利用github的Fork、Clone、Push、Pull request、Merge pull request等操作对同伴个人项目仓库的源码进行合作修改。

任务3：

采用两人结对编程方式，设计开发一款D{0-1}KP 实例数据集算法实验平台；

要求实现的具体功能如下：

  （1）平台基础功能：实验二 任务3； 
  （2）D{0-1}KP 实例数据集需存储在数据库；
  （3）平台可动态嵌入任何一个有效的D{0-1}KP 实例求解算法，并保存算法实验日志数据；
  （4）人机交互界面要求为GUI界面（WEB页面、APP页面都可）；
  （5）查阅资料，设计遗传算法求解D{0-1}KP，并利用此算法测试要求（3）；
  （6）附加功能：除（1）-（5）外的任意有效平台功能实现。

设计前期知识：

遗传算法：

• 遗传算法是根据生物进化的模型提出的一管优化算法。
• 原理：遗传算法将生物进化原理引入待优化参数形成的编码串群体中,按着一定的适值函数及一系列遗传操作对各个体进行筛选，从而使适值高的个体被保留下来，组成新的群体，新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适值不断提高，直至满足一定的极限条件。此时,群体中适值最高的个体即为待优化参数的最优解。
• 特点：
  （1）遗传算法是对参数的编码进行操作，而非对参数本身。
  （2）遗传算法是从许多点开始并行操作,并非局限于一点，从而可有效防止搜索过程收敛于局部最优解。
  （3）遗传算法通过目标函数计算适值,并不需要其它推导和附加信息，因而对问题的依赖性较小。
  （4）遗传算法的寻优规则是由概率决定的，而非确定性的。
  （5）遗传算法在解空间进行高效启发式搜索,而非盲目地穷举或完全随机搜索。
  （6）遗传算法对所求解的优化问题没有太多的数学要求。
  （7）遗传算法具有并行计算的特点,因而可通过大规模并行计算来提高计算速度。
• 基本操作：遗传、变异和交叉。
• 1、需求分析：遗传算法作为当今一个比较热门的研究方向，在解决最优化问题上有着良好的作用。遗传算法利用基因编码，对其进行生成、杂交、变异、选择等操作，产生不同的基因序列，使解一步一步向最优解逼近，未来发展前景也是相当不错的。
• 2、设计实现：
  代码片段：

 /*
    初始化种群
     */
    public void init(){
        for(int i=0;i<charge.length;i++){
            density[i]=charge[i]/weight[i];
        }

        for(int i=0;i<popSize;i++){
            Chromosome g=new Chromosome(50);
            changeGene(g);
            population.add(g);
        }
        caculteFitness();


    }
 /*
    计算种群适应度
     */
    public void caculteFitness(){

        bestFitness=population.get(0).getFitness();
        worstFitness=population.get(0).getFitness();
        totalFitness=0;
        for (Chromosome g:population) {
            //changeGene(g);
            setNowGenome(g);
            if(g.getFitness()>bestFitness){
                setBestFitness(g.getFitness());
                if(y<bestFitness){
                    y=g.getFitness();
                }
                setIterBestFit(g);

            }
            if(g.getFitness()<worstFitness){
                worstFitness=g.getFitness();
            }
            totalFitness+=g.getFitness();

        }
        averageFitness = totalFitness / popSize;
        //因为精度问题导致的平均值大于最好值，将平均值设置成最好值
        averageFitness = averageFitness > bestFitness ? bestFitness : averageFitness;


    }
 /*
    进化算法
     */
    public void evolve() {
        List<Chromosome> childrenGenome = new ArrayList<Chromosome>();

        for (int j = 0; j < popSize / 2; j++) {
            Chromosome g1 = getChromoRoulette();
            Chromosome g2 = getChromoRoulette();
            double r = random.nextDouble();

            if (r <= crossoverRate) {
                List<Chromosome> children = genetic(g1, g2);
                if (children != null) {
                    for (Chromosome g : children) {
                        changeGene(g);
                        childrenGenome.add(g);
                        g.mutation(50, mutationRate);
                        changeGene(g);
                        childrenGenome.add(g);
                    }
                }

            }
            childrenGenome.add(g1);
            childrenGenome.add(g2);
        }
        List<Chromosome> temGen = new ArrayList<Chromosome>();
        population.clear();

        for (int i = 0; i < popSize*0.2; i++) {
            int max = 0;

            for (Chromosome tempG : childrenGenome) {
                if (tempG.getFitness() > max) {
                    max = tempG.getFitness();
                    setBestFit(tempG);
                }

            }
            temGen.add(getBestFit());
            childrenGenome.remove(getBestFit());
            setBestFit(null);

        }
        population = childrenGenome;
        caculteFitness();

        while (temGen.size() < popSize) {
            Chromosome tp1 = getChromoRoulette();
            temGen.add(tp1);
        }

        /*
        while (temGen.size()<popSize){
            Chromosome tp1=new Chromosome(50);
            temGen.add(tp1);
        }
        */

        population = temGen;


        //重新计算种群适应度
        caculteFitness();
    }
    /*
    遗传算法GA流程
     */
    public void geneticAlgorithProcess(){
        generation=1;
        init();
        while(generation<iterNum){
            evolve();
            print();
            generation++;
        }
    }

public void doGet(HttpServletRequest request, HttpServletResponse response)
			throws ServletException, IOException {

		System.out.println("doGet is called========");
		response.setContentType("text/html");
		PrintWriter out = response.getWriter();//获得输出流对象
		String name=request.getParameter("username");
		String pass=request.getParameter("password");
		if(name.equals("xyz")&&pass.equals("123")){
			out.println(" login success!");//用输出流，向客户端输出响应
			System.out.println("login success!");//服务器端控制台输出
		}
		else{
			out.println(" login failed!");//用输出流，向客户端输出响应
			System.out.println("login failed!");//服务器端控制台输出
		}
	}

• 3、程序运行：
  
  

• 4、结对的过程：
  
  

• 5、结对编程PSP：

任务内容	计划共完成需要的时间(min)	实际完成需要的时间(min)
计划	40	30-40
· 估计这个任务需要多少时间，并规划大致工作步骤	25	20-30
开发	900	1000
需求分析 (包括学习新技术)	30-40	35
· 生成设计文档	25	30
· 设计复审 (和同事审核设计文档)	120	130
代码规范 (为目前的开发制定合适的规范)	100	100
具体设计	200-300	150
具体编码	680-800	900
· 代码复审	100	110
· 测试（自我测试，修改代码，提交修改）	70	90
报告	80	60
· 测试报告	30	30
计算工作量	40	30-50
· 测试报告	25	10-20
· 事后总结 ,并提出过程改进计划	15	15

• 7、小结感受
  通过这次实验的结对编程，我觉得两人合作真的能够带来1+1>2的效果。首先，在软件开发的过程中，结对编程可以提高软件开发效率的；其次，它还可以减少软件中的错误与漏洞。另外，在测试过程中，我和结对伙伴可以分饰两角：软件工程师和客户，可以更好的去改进项目，提高软件项目的人机交互体验。但是，由于我们编程能力都不好，所以，任务完成得不是很好。