精华内容
下载资源
问答
  • 2020-11-23 23:15:08

    作为一名软件开发人员,我想对于怎样对系统进行优化这样的问题,迟早都会遇上的。在此简单记录一下自己的一点思考,如果有哪位大神飘过,有不对的或者不恰当的地方麻烦指正,对于您的任何高见还请补充,不吝赐教,谢谢[拱手]。

    一个系统的良好高效运行涉及到许多方面。运行在怎样的硬件平台上、什么样的操作系统、用的什么语言、有没有使用一些现有的被证明优秀的框架(刚好和该系统某些模块匹配)或者设计模式,等等,这些方面对系统都是有影响的。

    那么,如果你现在接手了一个系统的优化和维护任务,你该怎么来优化?以下是笔者的一点个人思考。

    1.从代码架构方面考虑

    对系统的架构和模块划分多进行梳理,比如自动驾驶领域许多公司要开发L4的自动驾驶系统肯定都会先研究一番这个行业内开源的autoware系统和Apollo系统。先了解清楚业内优秀的系统架构,对于自己的系统有很好的借鉴意义。看看人家的系统模块之间是怎么划分的,消息是怎么通信的,它们的系统又有哪些缺点?

    在一个就是设计模式,软件开发中用好了设计模式可以达到事半功倍的效果。笔者记得过往的工作经历中用过最多的是工厂模式、单例模式和模板方法模式。其实设计模式一共有23种之多,选择合适的设计模式来进行系统代码实现不但让系统代码耦合性小,可读性也会增强。

    2.从操作系统和使用的平台特性方面考虑

    了解操作系统相关知识在编写代码种也有很大好处,类似于生产者-消费者这样的多线程经典问题,操作系统中有很详细的描述。再就是操作系统中提供的类似于共享内存这样高效的进程间通信方式,在对通信要求很严格的情况下要积极使用。其他的什么线程池、内存池等在需要频繁创建线程来处理、需要频繁申请内存的情况下都可以尝试使用……

    平台特性方面,我能想到的就是比如用的什么开发板,重点了解开发板的一些优势特性来配合提升系统的性能。比如Nvidia的开发板,长处在于其显卡。

    3.从代码(语言)层面考虑

    语言层面,也许是一个程序员最容易优化的部分。笔者根据自己过往的一些经历,列举以下几点:

    1)代码量要尽量精简

    代码是需要人养的,更多的代码意味着需要更多的人来养。如果你听说过某个公司开发了一年项目,结果在新功能增加的情况下系统的总体代码却减少了,这是不是说明了以前系统中充斥着许多冗余的烂代码?对于系统中多余的代码、执行不到的分支判断代码就应该尽早去掉。过多冗余代码对于系统运行、对于维护系统的人来说都是一种负担。

    2)尽可能多的去使用语言提供的一些可以提升性能的特性

    这里以c++语言为例,比如c++11中提供的make_shared可以创建一个shared_ptr类型的智能指针,而且make_shared一次创建内存对象和对象控制块,比起用new创建两次来说提升了效率;比如c++11中的右值引用支撑起来的移动语义特性,避免了以前在调用拷贝构造函数的时候内存的申请和释放,现在直接调用移动构造函数;比如函数之间传参的时候,尽量传递指针或者引用;再比如双层循环的情况下,把循环次数少的放在外层,多的放在里层;比如对于频繁插入删除的操作就使用链表这样的数据结构,而要避免使用队列或者数组这样的数据结构;对于在编译阶段就可以确定的类型或者做的事情,就不要放到系统运行的时候去做,比如常量表达式比非常量表达式,常量表达式在编译阶段就可以计算出结果,这可以极大提高程序的执行效率,因为表达式只需要在编译阶段计算一次,节省了每次程序运行时都需要计算一次的时间。等等。

    类似的还有很多,我们在编写代码或者想要优化一个已有的系统的时候,就可以从语言层面去优化一个个小点。

    3)内存检查和优化

    笔者以前做Android开发的时候,在项目开发完成了做压力测试的时候,发现占用内存一直在增长,后来发现了代码中对象相互持有的情况。这种情况下A中持有B对象,B中持有A对象,因为引用计数不能清零所以两边对象都释放不了,导致内存泄漏。解决这个问题的办法是使用弱引用。c++中有weak_ptr就是解决此类问题的,Java中也有对象的弱引用的使用。

    一些资源比如文件、数据库、句柄等使用完后要记得释放。

    ============================================================

    一点拙见,以后有新的想法再补充。

     

    更多相关内容
  • 粒子群优化算法及其改进(1)

    千次阅读 2015-10-13 15:02:36
    粒子群优化算法及其改进算法原理PSO算法思想来源于仿生学的社会认知理论,体现了群智能的特性–即简单的智能个体通过合作产生出复杂的智能行为。

    标准粒子群优化算法

    算法原理

    PSO算法思想来源于仿生学的社会认知理论,体现了群智能的特性–即简单的智能个体通过合作产生出复杂的智能行为。目前,PSO算法可以归纳为三个过程,即评价、比较和学习。

    • 评价过程~对粒子当前所处的阶段进行评价,通常是按照特定的适应度函数来评价自身适应度的好坏。类比自然界中有机生命的行为,就是有机生命通过评估周围各种环境激励对自身产生的影响完成对周围环境的学习。

    • 比较过程~指粒子群中的粒子与其他的粒子进行适应度值的比较,以确定学习的方向和动机。

    • 学习过程~粒子通过对自身的评价以及同周围其他粒子的比较产生出模拟其他粒子的行为。

    通过这三个过程的有机结合,粒子群优化算法可以适应各种复杂多变的环境,用以解决一些困难的优化问题。

    数学模型

    在连续空间中,PSO算法的具体描述如下所示:

    M 是粒子群的种群规模,决策空间有n维,那么粒子 i 在时刻t在坐标中的位置就可以表示为 Xti=(xti1,xti2,,xtim),i=1,2,,M ,粒子 i 的速度就是每次迭代过程中的位移,用Vti=(vti1,vti2,,vtim)来表示,粒子 i 在时刻t的第 d(d=1,2,3) 维空间中的速度和位置按照如下公式更新:

    vtid=wvt1id+c1r1(pidxt1id)+c2r2(gdxt1id)xtid=xt1id+vtidvtid={vmaxvmaxvtid>vmaxvtid<vmax

    • w 是惯性权值,用来表示粒子对原来速度的保持程度。

    • c1是加速因子,用来表示粒子跟踪自身历史最优值的系数。

    • c2 也是加速因子,用来表示当前粒子对全局最优的粒子学习程度的系数。

    • r1 , r2 是在 [0,1] 范围内的两个随机数。

    • p 是当前粒子的历史最优值。

    • g是全局粒子的历史最优值。

    其中 vt1id 为粒子带第 t1 次迭代的速度,也就是上一次迭代后的速度。 W 是惯性权值,惯性权值的设置是为了影响粒子的局部搜索能力与全局搜索能力的均衡。主要表示上一代的速度对这一代的速度产生的影响,惯性权值w越大,那么表示上一代的速度对当前影响较大,粒子将很大程度的沿着自身上一代的速度移动。如果惯性权值很小,那么表明粒子受上一代的影响很小,粒子将很大程度的沿着自身学习的速度移动。第二部分 (ptidxidt) 是粒子对自身的认识,也叫做“认知”部分,可以引导粒子向自身的历史最佳位置移动。所以说这个模型可以不断地促使粒子减小误差。第三部分 (ptgxtid) 称为“社会知识”,也简称做“社会”部分。“社会”部分是粒子群中的个体相互合作的提现,每个粒子通过共享信息来引导群体中的所有粒子都像全局最优解靠近。

    适应度函数

    为了评价当前状态的优越性需要构造一个适应度函数 f(x) f(x) 用来表示当前状态的好坏。

    算法的实现

    import random
    import copy
    
    birds=int(input('Enter count of bird: '))
    xcount=int(input('Enter count of x: '))
    pos=[]
    speed=[]
    bestpos=[]
    birdsbestpos=[]
    w=0.8
    c1=2 
    c2=2
    r1=0.6
    r2=0.3
    for i in range(birds):
        pos.append([])
        speed.append([])
        bestpos.append([])
    
    def GenerateRandVec(list):
        for i in range(xcount):
            list.append(random.randrange(1,100))
    
    def CalDis(list):
        dis=0.0
        for i in list:
            dis+=i**2
        return dis
    
    for i in range(birds):          #initial all birds' pos,speed
        GenerateRandVec(pos[i])
        GenerateRandVec(speed[i])
        bestpos[i]=copy.deepcopy(pos[i])
    
    def FindBirdsMostPos():
        best=CalDis(bestpos[0])
        index=0
        for i in range(birds):
            temp=CalDis(bestpos[i])
            if temp<best:
                best=temp
                index=i
        return bestpos[index]
    
    birdsbestpos=FindBirdsMostPos()   #initial birdsbestpos
    
    def NumMulVec(num,list):         #result is in list
        for i in range(len(list)):
            list[i]*=num
        return list
    
    def VecSubVec(list1,list2):   #result is in list1
        for i in range(len(list1)):
            list1[i]-=list2[i]
        return list1
    
    def VecAddVec(list1,list2):      #result is in list1
        for i in range(len(list1)):
            list1[i]+=list2[i]
        return list1
    
    def UpdateSpeed():
        #global speed
        for i in range(birds):
            temp1=NumMulVec(w,speed[i][:])
            temp2=VecSubVec(bestpos[i][:],pos[i])
            temp2=NumMulVec(c1*r1,temp2[:])
            temp1=VecAddVec(temp1[:],temp2)
            temp2=VecSubVec(birdsbestpos[:],pos[i])
            temp2=NumMulVec(c2*r2,temp2[:])
            speed[i]=VecAddVec(temp1,temp2)
    
    def UpdatePos():
        global bestpos,birdsbestpos
        for i in range(birds):
            VecAddVec(pos[i],speed[i])
            if CalDis(pos[i])<CalDis(bestpos[i]):
                bestpos[i]=copy.deepcopy(pos[i])
        birdsbestpos=FindBirdsMostPos()
    
    for i in range(100):
        #print birdsbestpos
        #print (CalDis(birdsbestpos))
        print (birdsbestpos)
        UpdateSpeed()
        UpdatePos()
    input()

    算法的优缺点

    标准粒子群优化算法具有的优点:

    • 初始化时限制较少,对问题信息几乎没有什么依赖。

    • 算法的记忆能力,存储最优解的能力较强。

    • 算法的原理简单,实现起来比较容易。

    • 有着很强的群智能算法的特性,粒子群的个体间之共享信息,有利于搜索的进行。

    标准粒子群优化算法具有的缺点:

    • 算法的收敛速度过快,导致局部搜索能力不强,直接导致搜索精度不高。

    • 无法保证做到全局搜索,经常在某个局部最优收敛。

    • 参数的选择对算法的性能影响较大,很难调整到最适宜的参数。

    通过大量的研究与实验证明,标准粒子群算法存在的主要问题就是容易陷入局部最优。所以实际使用中标准粒子群优化算法很少单独出现,通常是与其他智能算法混合改进以后才使用的。

    展开全文
  • 云平台的成本优化-提升资源利用率

    千次阅读 2020-07-02 08:36:00
    引言有个朋友和我探讨“大型云平台如何提高资源利用率,以优化资源成本”,我当时很兴奋,这是云行业走向成熟的标志,为了整理思路我还特地写了一个提纲。后来我采集行业信息去完善和验证这个议题...

     引言 

    有个朋友和我探讨“大型云平台如何提高资源利用率,以优化资源成本”,我当时很兴奋,这是云行业走向成熟的标志,为了整理思路我还特地写了一个提纲。

    后来我采集行业信息去完善和验证这个议题,我发现几大云都在做资源利用率提升,甚至小巨头们的私有云都在优化利用率,最终我写成了这篇文章。

    >> 1. 为何做成本优化 <<

    无论公有云还是自用云,云平台做成本优化无外乎三大原因:

    1. 大批IaaS资源池(不含带宽)的年销售额已经超过5亿人民币,有优化的必要性。

    5亿的销售额需要满载8000台服务器,这个规模并不算太高,业内到这个规模的公有云和自用云快超过10家了。这个量级省下的的钱才够给成本优化团队发工资。

    2. 云行业走向成熟,决策层意识到做营收不如做利润。

    云厂商从toVC变成了toB,越来越理智。云产品线用注册用户数、负利销售额等行为骗不了金主,自然就要去做正事了。

    3. 成熟产品线的产研人员,基于内部压力也要做点“创新之外的事情”。

    对于营收占比最大的资源型产品,憋出新功能太伤肝,提高SLA要累个半死,执行层不选“增效”,难道想被“减员”吗。

    >>2. 什么是资源<<

    每种资源都有不同的收费方式,不同的复用超卖策略,不同的技术改进潜力。

    • 电力和机柜空间:固定付费且不易扩容的自然资源,短期靠规模和修空调,长期靠低功耗设备。

    • 运营商网络:峰值付费的半垄断人为限制,IDC和CDN是省钱的行家,但运营商政策永远是有变数的。

    • CPU:分时复用的硬件资源,对90%的应用是轻松闲置,但10%的应用是超限的压榨。

    • 内存:无法简单复用和虚拟化,而且很难跨机调度,主要解决资源调度和边角料浪费。

    • 硬盘:分布式块存储的延迟分配技术成熟,但超卖管理、平滑扩容等问题始终有风险。

    • GPU/其他卡:虚拟化or透传,各有利弊。

    • 其他的资源:采购额太小或者太偏,也没有太大优化空间。

    >> 3. 资源浪费的表象 <<

    资源浪费的原因和现象很多,我把主要的现象列出:

    • 云产品的软件开销过大,比如分布式块存储的巨大硬件开销,比如只有热存储没有冰存储。

    • 资源池过小容易被客户耗尽资源,只能多预留空闲资源。

    • 资源池过大则表面上复用比例会很高,但能腾挪复用的资源都是隔不开的故障点,为了防止出故障,可能根据水桶原则拖累一堆资源。

    • 新资源池未及时售出,这需要技术上支持分批建设,大节点有大项目预约等等。

    • 容灾性资源保留是有必要的,但是过度备份过多监控,容易出现三个和尚都没水吃,所有监控备份同时失效。

    • 潮汐性资源产品的研发推广力度不够,无法利用各种错峰资源。

    • 细粒度资源产品的研发推广力度不够,无法利用各种边角料资源。

    • 过度推广按需付费产品,且对资源预估计算失误,或弹性扩容能力欠佳。

    • 廉价资源引导不够,比如廉价机房推广不够,专线空闲却走运营商网络。

    >> 4. 浪费的本质 <<

    底层云资源对上层业务的盲目支撑,这是带来资源浪费的本质原因。无论是技术运营还是产品问题,都是在给盲目支撑能力减负

    1. 资源浪费是不可避免的,能杜绝资源浪费的手段只有经常性资源不足,但这带来的商誉损失,还不如浪费点资源。

    只有超大客户可以接受经常性(廉价)资源不足,但他们也不给云平台留任何利润。对常规云用户来说,超过一周的资源不足客户就跑路了。对于自建云来说,超过两周的内部资源不足就可以外采资源了。

    2.云厂商增强资源核对工作强度,让库存和物流减少盲目支撑。

    大部分云平台对提高资源利用率的认识,停在这一个层次就能大幅减肥

    很多大公司都有过疏忽和流程而延期交付的情况,数千台服务器像废柴一样闲置数月,简单的盘点和改进流程就能省下上千万; 但也有些资源池效率已经很高,比如成熟的CDN能优化2%的成本也是突破。

    之前有个笑话PR稿,某大云的几个小兵很粗糙的控制了一下浪费的资源,标题很唬人的节省了几个亿,但内容简单到无聊,其实这个PR稿应该是辞退过去浪费资源的人。

    3. 运营层面的过度承诺盲目支撑,同样会带来巨大的成本压力,这是一个硬核协调问题,需要在客户需求、我方成本和商务销售三点之间,划死线的范围,找动态的平衡。

    大部分云平台对用户做过度承诺,浅层原因是是无法分解掉客户需求,深层原因是产研运营容易被自家销售体系攻击伤害。

    互联网公司在商务问题上是揣着明白装糊涂,但他们有惊人的灵活性,各种错峰、潮汐、业务改造、停止贴钱服务,双方可以平等的去谈。 而政企类公司是尊重大于解释、重视效果忽略过程,他们对于运 营过程根本听不懂也不关心,但必须给足够的尊重,给保质保量的验收的结果。

    4. 从节省资源角度做产品和技术设计,该工作的难点是需求和代价模糊。

    产品经理可以照抄友商的功能性需求,但怎么照抄友商的优化成本策略哪? 研发有能力实现任何需求,但每个需求都会有新的代价; 研发要怎么想、怎么说、跟谁说,实现降成本需求付出多大代价?

    >> 5. 执行的方向 <<


    分析完问题的现象和本质,大致的执行方向就呼之欲出了。

    5.1 首抓成本责任人

    资源要做好精细化运营,第一步让所有被闲置的资源,都有焦躁的背负成本的人。

    这一块工作CDN最熟练,他们把资源从每周巡检改为每日盘点,让各责任人切实背负成本和分享收益。但CDN是PaaS云,PaaS云的业务可描述和灵活度很高,他们的优化经验并不能直接移植到IaaS云。 当企业里有偶发的资源不足的抱怨时,但背锅方理直气壮的拒绝扩容时,这一步就完成了。

    5.2 再做产品减负

    产品减负,是让产品经理承担起需求和竞品的分析责任,给产品定更有限也更清晰的功能和性能指标;同时公司要压制住低端销售的甩锅行为,客户沾不到便宜自然就会讲道理。

    这一段不能举例,太容易对号入座。 如前文所说,谁都可以抄友商的功能和指标,谁都能靠无限承诺倒贴钱去讨好客户,但公司为什么要请产品和销售给自己赔钱哪? 国内云计算行业的无限承诺和烧钱拿单,是腐蚀从业人员素质的根本性原因——在这种游戏规则下,好产品好销售和烂销售烂产品根本看不出来区别。

    “夫鸡鸣狗盗之出其门,此士之所以不至也。”给产品做减负,是让国内云计算企业锻炼团队的好机会,我们有了精兵强将才能走出国门,我们要和AWS/Azure掰腕子。

    5.3 资源复用的突破

    一个成本优化负责人,必须理解各种资源的复用特性,读懂实际的资源占用图,还要做出跨产品线的决议,才能制定有可行性的资源复用方案。

    • 做IaaS资源池优化,我们可以限制套餐类型和调整套餐成本,把空置和边角料成本切实算进去,我们还可以变更SLA和产品覆盖区域,重度参与节点新增和裁撤决议等等。

    • 通过潮汐错峰类产品理论上可以提高复用比例,其产品本身设计并不难,主要槽点在市场层面,比如某产品只能卖几个大客户,那大客户就会无限度压价。

    • 再有就是定义一些PaaS型计算产品和各种学生和开发者专用的小粒度资源。这些资源可以很好的填充大资源浪费的空隙,云厂商和大企业做公益,可以近乎免费供给给小开发者,将开发者补贴算做市场营销投入。

    • 此外还有很多细分领域内完成资源复用的案例,但不具备普遍意义,只能单案单谈:比如GPU兼职跑渲染,比如上行带宽闲职就搭售给家用摄像头等等。对这类案例,我的建议就是抓大放小。

    5.4. 最后才做技术攻坚

    技术攻坚重度依赖技术专家的实力,目标和工期比较难评估,所以我们不要把技术攻坚当做首要工作。 我们越过前几条简单工作直接搞复杂的技术攻坚,只是给管理层放烟幕弹,让工作失去焦点。 技术攻坚大致有如下几点内容:
    • 运营数据的统计和监控工作,心明才能眼亮,统计现有的信息才能制定明天的目标。

    • 通过过革新架构和代码来降低软件性能损耗,比如各种虚拟化性能损耗。提高服务健壮性,减少备份容错所消耗的资源,比如降低群集自修复时的资源挤占,比如分批建设资源池需要云服务支持无缝扩容

    • 革新新用户框架,让用户适应使用细粒度资源,比如K8S对docker用户的改造

    • 革新硬件,比如替换高功耗设备,比如自研服务器,比如用FPGA替代GPU。

    >> 6. 授权和信任 <<

    各公司的权利构成并不相同,成本优化的责任人可能是独立团队,也可能是分散给各个产品经理,但研发、运维、财务等部门,都是要加入和配合成本优化工作。

    成本优化团队是个扛雷的黑脸团队,管理层要对成本优化工作保持信任:

    我们5年前推广云主机,客户有任何故障都会怀疑是云主机有问题,但云主机坚持下来了。成本优化期间,各种平台故障和销售丢单,内部肯定有人会甩锅到成本优化头上。但这是成本优化的用力过猛,还是暴露出来其他部门的固有问题,需要管理层来中立评估。

    负责成本优化的责任人,他们的直属领导的管理压力会很大。

    成本优化是要降低过度的用户体验和减少内部操作便利的,如果没人投诉成本负责人,那说明他们的工作不够果断;但如果对所有投诉都置之不理,那成本优化部门会变成一个新的官僚部门,这些员工会打着高尚的大旗偷懒,完全可以不做任何事。

    这是难做又有用途的事情,

    是值得我们努力的方向。

    展开全文
  • 通过问卷调查和访谈,研究认为:提升高校"形式与政策"课程的教学效果,应从创新教学理念、整合教学资源、完善教学设计、优化教学环境和严格教学评估等方面入手,改进"讨论互动式"教学,以期进一步提升该课程的教学成效。
  • 安家岭露天矿生产二队借鉴先进的管理模式和理念,通过对原有的管理模式加以完善改进,制定出了与生产二队相适应的新型管理模式。新管理模式在未增加任何专职管理人员和管理机构的情况下,极大地提升了安全、生产管理...
  • 大数据前端个人提升与团队规划

    千次阅读 2022-04-03 23:05:08
    规划的时间为1年(2022年),长线投资,系统提升。这里的内容有些是我在晋升答辩时做的规划。 必要性 晋升结果落地,人员趋于稳定,不必为其他事打扰 团队资源未进行整合,未发挥个人最大潜力 存在各自为战,成果...

    背景

    最近公司的晋升结果出来了,当结果出来了,所有人心里的石头也都会落地。随着晋升结果尘埃落定,大家短时间内不用再操心晋升,绩效评审。下一阶段的工作就需要规划一下。
    这个时间点是做规划的最佳时机。规划的时间为1年(2022年),长线投资,系统提升。这里的内容有些是我在晋升答辩时做的规划。

    必要性

    • 晋升结果落地,人员趋于稳定,不必为其他事打扰
    • 团队资源未进行整合,未发挥个人最大潜力
    • 存在各自为战,成果分散,重点事项不突出的弊端
    • 为下阶段评审和提升大数据前端工作经验而准备

    内容

    本规划不会涉及到代码质量,迭代开发,bug修复等日常开发,大部分是在完成本职工作外,可以探索的一些主题或方向,提升自己的软技能。硬技能不属于规划内容,属于必备技能。

    目的

    • 提升前端影响力,相关工作经验
    • 完成绩效,达成部门目标
    • 跟随公司运营技术社区的计划
    • 资源整合,利益最大化

    第一项:技术写作

    目前的技术写作,团队整体的输出量太少了,即使按少而精的要求来讲依然很少。技术写作的重要性再这里不再累述。这里简单说一下技术写作遇到的难点。

    写作其实是一种表达自己,虽然是技术写作,但其中也包含了很多个人的看法,态度。有些人不自信。而有些人确实因为找不到好的选题,有些人是单纯不喜欢总结,回顾。
    目前的处境就是,团队里只有一二个持续写作的,没有形成团队范围,更没有规模效应。

    后续的做法

    • 协作其他人总结,提炼自己的文章
    • 提供一些和工作息息相关并且具备研究价值的课题
    • 努力做到一稿多投,利益最大化,一篇文章,N种收益
    • 要相互给予掌声
    • 围绕前端,大数据

    推荐入驻CSDN,华为云。CSDN国内最大的技术垂直社区,华为云奖品最丰厚,可以以团队形式参与,形成良好的公司宣传作用。
    时机成熟,开创一些专栏,如编辑器Echarts流程图,这些都是大数据项目必用的技术栈,不仅对现在有用,对以后的工作也有用。

    第二项:专利

    专利这东西是目前我认为最具有价值的研究主题,对公司和对个人。
    很多场景会用到,月度之星评比,绩效评比,晋升,专利奖金 t000 + t0000。
    得到这些东西只需要一个不到3000字的word文档。

    写专利一定要趁早,早,早,原因有三:

    1. 目前公司要求的专利范围比较宽泛,后续达到一定数据,可能会缩小专利范围
    2. 专利受理可能要1-2个月,而专利受理奖金最晚可能要等6-7个月,在新季度提交将缩短收益时间。
    3. 一个专利授权后会有t万块钱的奖金,但授权过程需要1-3年。如果不尽早提交,离职前可能也拿不到这比钱。专利授权前离职将是一个很大的损失,(但一份好工作是不可比较的)。

    一个专利的价值相当于一台苹果电脑,只是在国知局存了三年。

    4月份希望大家可以多花些时间在专利的思考上,如果有比较好的想法,但不太会撰写,可以直接找我。想看以前的专利技术交底书也可以找我。我也会在业余时间找大家探讨。

    第三项:专项整治

    将一些耗时长,做成了效益大的事情作为专项事件来处理。
    这部分事情可以直接当做个人的特殊战功,突出事件。
    需要大家去发现现有项目中的需要改进的点,如浪分享的文件依赖,项目TS的集成,流水线的集成
    无用文件移除
    轻量开发
    工程化
    数据多的情况,请求量大的情况
    编辑器,重构,优化
    日志组件优化
    复杂逻辑代码review,改进,优化,重构

    做这些事情是为了不要陷入低头编码,不会站在更高层次看待项目整体。
    做成了这些事情个人的成绩上也有内容了。

    这个规划更像是一个思考题,让大家去思考如何做出成就,去发现项目中的痛点,产品的痛点,用户的痛点,开发的痛点。每天重复着做些增删改查的列表页是不会有任何突破的。能力高和会做事也是两回事。

    第四项:大数据竞品研究

    正所谓他山之石可以攻玉,多学习学习他人的长处,多借鉴借鉴他人的优点,可以更好地完善自身。

    向前沿看起,提供复杂争议性决策的参考

    产品参考:
    dataworks,dataq,dataphin,数澜,smartbi
    华为,网易猛犸,亿信华辰,aws,云徒,azure,
    对标产品: SnowflakeDatabricks

    研究方向:交互性,异常处理方案,研究操作流程,功能的思维导图,架构图。
    输出:文章,应用案例

    第五项:大数据相关知识补充

    从前端视角了解项目中使用的开源组件,了解它的作用,安装,操作,使用
    公司项目所使用的技术组件有一些这些:

    【内部链接,不允许公开】

    大数据开源项目
    主要输出物:文章,分享,PR
    目的:了解各个组件的作用,方便与其他人协作,提升知名度

    展开全文
  • 中厚煤层采煤机是由某煤机公司研制的,要对其截割部的可靠性进行分析,通过使用ANSYS和ADAMS软件,...基于仿真结果的分析,的充分化完善措施及改进办法,为升级产品、实现采煤机截割部系统级性能的提升提供具体的量化依据。
  • 鉴于不完善的束管监测技术可能影响监测结果,...结果表明:改进的双巷束管监测技术切实可行,提升了有效监测时间和数据准确率;推算出014N-11综放工作面氧化自燃带的最大宽度为37.7 m,工作面最小极限推进速度为3.25 m/d。
  • 目前美图技术团队针对大数据集群做了系列的优化,通过对计算引擎进行改造而达到算力的提升,通过对集群的不断优化提升稳定性的同时规范集群使用。在大数据集群优化的实践中,我们也总结了一些实践经验,也期待和大家...
  • 如何优化MySQL千万级大表,我写了6000字的解读

    万次阅读 多人点赞 2019-10-21 20:03:03
    千万级大表如何优化,这是一个很有技术含量的问题,通常我们的直觉思维都会跳转到拆分或者数据分区,在此我想做一些补充和梳理,想和大家做一些这方面的经验总结,也欢迎大家提出建议。 从一开始脑海里开始也是...
  • 安卓性能优化全面总结

    千次阅读 2021-10-27 17:17:38
    【安卓性能优化总结】 【八年工作经验精华积累】 目录 最全的性能优化点总结: 零、 启动优化 1、项目背景 2、 检测启动时间 3、打印启动时间 4、优化理念: 5、启动时透明页优化: 6、MultiDex优化 7、多进程时,...
  • 我们是如何改进YOLOv3进行红外小目标检测的?

    千次阅读 多人点赞 2020-09-12 00:00:00
    点击上方“3D视觉工坊”,选择“星标”干货第一时间送达【导语】本文将介绍BBuf、小武和笔者一起在过年期间完成的一个目标检测项目,将描述我们模型改进的思路、实验思路、结果汇总和经验性总结...
  • 多元宇宙算法MVO及其改进复现

    千次阅读 2022-01-20 09:39:06
    群智能技术是一种基于群体迭代搜索的随机式优化方法,因其潜在的并行性、分布式搜索和全 局搜索能力较强等特点,成为近年来的研究热点。不同学者针对上述群体仿生优化方法,在算子改 进、算子融合、搜索技术、隔离...
  • 关于研发效能提升的思考

    万次阅读 多人点赞 2019-11-26 17:30:05
    研发效能提升是最近比较热门的一个话题,本人根据这几年的工作心得,做了一些思考总结,由于个人深度有限,暂且抛转引入。 三要素 任何生产力的提升都离不开这三个因素:人、流程和工具,少了其中任何一个因素...
  • 从上图中可以看到,2022年的路线规划主要有6个方面,包括:基础开发体验的提升、性能与可靠性、构建工具、Spring Boot端到端的支持、用户体验、云原生开发。 其中,值得我们注意的是,路线图中提到了大量的关于...
  • 深度学习(Deep Learning)因其计算复杂度或参数冗余,在一些场景和设备上限制了相应的模型部署,需要借助模型压缩、优化加速、异构计算等方法突破瓶颈。 模型压缩算法能够有效降低参数冗余,从而减少存储占用、...
  • Python开发-Django性能和优化

    千次阅读 热门讨论 2021-11-29 14:45:48
    这些技术是针对那些想要提升已经充分优化的 Django 网站性能的高级用户。 然而,它们并不是解决性能问题的灵丹妙药,它们也不太可能给那些还没有正确完成更基本的事情的网站带来比边际收益更好的收益。 值得重复的...
  • Android 性能优化资源汇总 2020 版

    千次阅读 2020-05-06 00:36:09
    近期做 Android 性能优化,整理了部分性能优化的开发资源,先发布出来,后续会在这个 git仓库 更新,感兴趣的网友可以关注下。 以下是初稿: 网站博客 以组织或人为单位的教程资源: Android 官方教程,关于性能...
  • DolphinScheduler-1.3.2 有超过 30 名贡献者参与开发,性能较 1.2 版本有 2 ~ 3 倍的提升,相对 1.2 版本,1.3.x 增加了诸如 K8s支持、多目录管理等重要的新特性和新的任务类型。1.3.x 重要的改动如下.
  • Python性能优化

    千次阅读 2014-09-12 20:30:25
    python 作为脚本的一个不足之处,那就是执行效率和性能不够理想,特别是在 performance 较差的机器上,因此有必要进行一定的代码优化来提高...当你的程序运行地很慢的时候,你就会想去提升它的运行速度,但是你又不
  • **改进的遗传算法综述**

    千次阅读 2019-06-13 16:19:48
    改进的遗传算法综述 摘要: 自从1975年Holland系统地提出基本遗传算法的完整结构和理论以来,众多学者一直致力于推动遗传算法的发展,在细粒度上,对编码方式,控制参数的确定,初始种群的生成方式,选择方式和交叉...
  • 该补丁仅适用于友价商城源码,正版用户请登录后台直接在线升级 以下是本次补丁的修复内容: 手机端: 1、改版商品详情页面效果,更简单直接 2、资讯首页增加搜索功能 3、新增一套手机端模板...9、更多细节优化完善
  • 可能是文件还不够大的缘故,无论如何可见这个设计思路是正确的,剩下的就都是需要优化改进的地方了。 文件格式校验v3.5 input标签自带accept可以限制上传的文件格式,但是只能和input配合使用,类似拖拽上传区域就...
  • 轻量级过程改进之绩效管理

    千次阅读 2014-11-12 09:23:40
    但难度再大首先还是要理一下思路,尤其作为轻量级过程改进的一环,绩效管理的目的并不是说能够达到很完善的程度,而是先做到60分,然后通过团队整体能力的提升再进一步改进绩效。本文主要阐述在项目绩效管理过程中...
  • Hadoop YARN:调度性能优化实践

    千次阅读 2019-08-05 10:23:55
    假设调度能力依然保持不变,每分钟调度5万个任务,按照5000台节点的规模计算,如果不做任何优化改进,那么集群资源使用率为:50000/(100*5000) = 10%,剩余的90%的机器资源无法被利用起来。 这个问题解决后,集群...
  • 代码分析器优化和速度提升。代码载入、编辑和显示代码提示时无明显卡顿或停滞。 语法错误检查改进: 在换行、保存文件时自动检查语法错误 改用波浪线标记错误,更加美观 用户编辑界面增强和改进: 支持打开、编辑和...
  • 代码分析器优化和速度提升。代码载入、编辑和显示代码提示时无明显卡顿或停滞。 语法错误检查改进: 在换行、保存文件时自动检查语法错误 改用波浪线标记错误,更加美观 用户编辑界面增强和改进: 支持打开、编辑和...
  • 前端性能优化方法总结

    万次阅读 多人点赞 2018-06-29 10:51:49
    前端优化是复杂的,针对方方面面的资源都有不同的方式。那么,前端优化的目的是什么 ? 1. 从用户角度而言,优化能够让页面加载得更快、对用户的操作响应得更及时,能够给用户提供更为友好的体验。 2. 从服务商角度...
  • Hadoop的优化与发展

    千次阅读 2018-05-20 15:05:06
    针对Hadoop的改进提升: Hadoop的优化与发展主要体现在两个方面: 一方面是Hadoop自身两大核心组件MapReduce和HDFS的架构设计改进。 另一方面是Hadoop生态系统其它组件的不断丰富,加入了Pig、Tez、Spark...
  • 很多论文给出了他们建议的网络结构,其中包括非常多的细节,比如用什么卷积,用几层,怎么降采样,学习率多少,优化器用什么,这些都是比较直观的参数,其实这些在论文中给出参数并不见得是最好的,所以关注这些的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 32,510
精华内容 13,004
关键字:

优化 完善 提升 改进