不做作坊人——《走出软件作坊》书评(转载)

我现在想象阿朱先生就觉得他特别像我二伯!都是那种特别神秘的人。
他们有自己的很多想法,也许看起来非常老成。或许他们也做很多年轻人的事情,可是你看不出来。
他们不像我们这样喜欢去表现,总是喜欢深藏不漏。
《走出软件作坊》和绝影的《疯狂的程序员》虽然内容不同,但是他们由一个一样的地方,他们都是通过长时间的积累而写完的。这些都不是一朝一夕就完成的。
阿朱先生也说过,他写这部小说也是基于以前很多自己的笔记而写成的。
我没有进入过真正的软件公司,暑假里的时候跟着网上认识的一个朋友帮别人建站,那是比三五个人十来条枪还要简陋,特别是通讯,就一个QQ,想想那真是噩梦。那天下午的交流更加让我看到了很多程序员遇到的实际的问题是什么,和书中讲到的简直如出一辙。
我记得我在很早的时候就买了一本杰克•韦尔奇先生的自传,那本书对我的启发很大,那时我是初中,而之后看到的很多书都很流于形式,即便是我高中看过的《蓝海战略》挂上了哈佛商学院的书,也免不了一些虚空的部分。
而阿朱先生的书则很不同,大家在评价这本书的时候也都很犯难,这十本好书,但那时好在哪里呢?如果一定要用一个字,恐怕也只能用“怪”了。
书里面什么内容都有,什么人都适合看,都能得到很多启发。其实这并不是阿朱先生的文章怪了,而是我们这个社会本身就是光怪陆离。中国人太多了,林子大了什么鸟都有了,而软件业又是一个变化多端的环境,在中国大环境下,出现的问题自然是非常有中国特色,软件业的老板不了解软件,粗放式的管理,虽然是高科技的东西,坐起来却还不如很多旧式公司。很多软件公司真的就像个作坊,甚至有些还不如作坊。
但是这不可以。
因为中国市场毕竟有成熟的一天,市场总会因此达到自己的饱和。所以就要想方法来解决这些办法。阿朱先生总是很谦虚的说自己的方法很土,因为我们的很多公司就是土包子,还就得用原始的方法。老板不愿意放钱,不就是因为怕赔钱吗?其实矛盾就在这里,阿朱把很多开发中的矛盾都得非常准确。
但是阿朱先生的文章并不仅仅是这些。
还有很多结合业界、经济环境的分析。
特别是关于经济状况的分析!有些时候,我们对周围的事情总是漠不关心,觉得和我们的行业,我们的生活太远,但现在的市场经济已经把我们紧密的联系在了一起,全球化更加加剧了这钟联系。一个小小的波动就会影响全球的经济。
只有我们去参透这种联系才能让我们的工作变得更加自如。
这里让我想起了以前《蓝海战略》这本书里提到的太阳马戏团的成功,虽然同样是马戏团,但是他们的竞争对手并不仅仅是周围的马戏团,还有电视上的节目,每个家庭的PlayStation游戏机。而太阳马戏团的成功正得益于他们跳出自己狭窄的圈子,真正思考一下自己所处的行业面临的问题,自己行业面对的消费真正的需求。
什么是中国企业的问题呢?中国市场其实真的很大,还有各地区发展的不平衡,很多行业起初并不需要去关心如何发展,因为只要他们有业务就有盈利。阿朱先生在《管理软件到底有没有前途》那一章的内容,现在想想都还让我觉得触目惊心。
问题并不是没有,只是一时没有发现而已。
现则则是因为积累的时间长了,终于爆发了。
看这本书,其实就是阿朱先生帮我们去反思我们的现状,很多问题就出在我们身边,只是没有人告诉我们,没有人去系统的思考这些问题之间的联系。
而解决问题的方法其实也很简单,只是我们没有尽全力去思考,没有用尽我们周围可用的资源。
跟着阿朱先生一路走来,真的感觉收益颇多。
我其实个人更加期待阿朱先生下一个系列,CRM管理,因为这个部分要涉及的问题是所有企业都必须面对的。
我也相信阿朱先生下一部著作也一定会更加精彩的。

转载于:https://www.cnblogs.com/david_lv/archive/2009/01/01/1366400.html

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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