模型的威力基于模型快速梳理源码

① grpc-源码-网络模型

golang 的grpc库是 https://github.com/grpc/grpc-go

grpc server端和服务端网络协议是在tcp基础上的 http2协议，http2协议负责grpc基础的数据传输、连接管理、流控等， 具体的业务层service 定义是基于 protobuf的

整个的网络过程和关键点如下图

说明：

TCP KeepAlive则是为了探测/保鲜（心跳检测，连接错误检测）：用于探测对端的状态及网络情况(有可能客户端崩溃、强制关闭了应用、主机不可达等等)，也有保鲜功能。比如如防止nat超时。TCP keepalive则是通过发送发送侦测包实现。在Linux中通过net.ipv4.tcp_keepalive_intvl，net.ipv4.tcp_keepalive_probes，net.ipv4.tcp_keepalive_time配置。比如gnet 网络框架中的实现 https://github.com/panjf2000/gnet/blob/master/netpoll/netpoll_unix.go

② 网络工程铜缆布线系统测试模型有哪几种

网络工程中，铜缆布线系统测试可以通过不同的模型来完成。常见的测试模型包括基于二进制代码测试（BBT）、基于模型测试（BMT）和基于黑箱测试（BBT）。

• 基于二进制代码测试（BBT）：这种模型的测试主要是通过对软件的二进制代码进行测试，旨在发现代码中的缺陷和错误。这种模型的优点在于可以快速实现，但缺点是可能会漏掉一些难以检测的错误。

• 基于模型测试（BMT）：这种模型的测试主要是通过对软件的模型进行测试，旨在检验软件的功能和性能。这种模型的优点在于可以更好地检测软件的缺陷和错误，但缺点是需要更多的人力和时间来实现。

• 基于黑箱测试（BBT）：这种模型的测试主要是通过对软件的接口和输出进行测试，旨在检验软件的功能和性能。这种模型的优点在于可以更好地检测软件的缺陷和错误，但缺点是可能会漏掉一些难以检测的

③ 软件开发的一般流程是什么_

1、概要设计

首先，开发者需要对软件系统进行概要设计，即系统设计。概要设计需要对软件系统的设计进行考虑，包括系统的基本处理流程、系统的组织结构、模块划分、功能分配、接口设计、运行设计、数据结构设计和出错处理设计等，为软件的详细设计提供基础。

2、详细设计

在概要设计的基础上，开发者需要进行软件系统的详细设计。在详细设计中，描述实现具体模块所涉及到的主要算法、数据结构、类的层次结构及调用关系，需要说明软件系统各个层次中的每一个程序(每个模块或子程序)的设计考虑，以便进行编码和测试。

3、编码

在软件编码阶段，开发者根据《软件系统详细设计报告》中对数据结构、算法分析和模块实现等方面的设计要求，开始具体的编写程序工作，分别实现各模块的功能，从而实现对目标系统的功能、性能、接口、界面等方面的要求。

4、测试

测试编写好的系统。交给用户使用，用户使用后一个一个的确认每个功能。总之，测试同样是项目研发中一个相当重要的步骤，对于一个大型软件，3个月到1年的外部测试都是正常的，因为永远都会有不可预料的问题存在。

完成测试后，完成验收并完成最后的一些帮助文档，整体项目才算告一段落，当然日后少不了升级，修补等等工作，只要不是想通过一锤子买卖骗钱，就要不停的跟踪软件的运营状况并持续修补升级，直到这个软件被彻底淘汰为止。

5、软件交付

在软件测试证明软件达到要求后，软件开发者应向用户提交开发的目标安装程序、数据库的数据字典、《用户安装手册》、《用户使用指南》、需求报告、设计报告、测试报告等双方合同约定的产物。

(3)模型的威力基于模型快速梳理源码扩展阅读：

开发平台：

软件开发平台源于繁琐的实践开发过程中。开发人员在实践中将常用的函数、类、抽象、接口等进行总结、封装，成为了可以重复使用的“中间件”，而随着“中间件”的成熟和通用，功能更强大、更能满足企业级客户需求的——软件开发平台应运而生。

平台是一段时间内科研成果的汇聚，也是阶段性平台期的标志，为行业进入新的研发领域提供了基础。由于平台对企业核心竞争力的提升非常明显，目前国内的管理软件市场，软件开发平台的应用已经成为一种趋势。

由于开发环境、开发人员、功能定位、行业背景等的不同，不同品牌的平台存在较大差别。

④ N-Shot Learning：用最少的数据训练最多的模型

作 者 | Heet Sankesara

翻 译 | 天字一号（郑州大学）、邺调（江苏 科技 大学）

审 校 | 唐里、Pita

如果将AI比作电力的话，那么数据就是创造电力的煤。

不幸的是，正如我们看到可用煤是消耗品一样，许多 AI 应用程序可供访问的数据很少或根本就没有数据。

新技术已经弥补了物质资源的不足；同样需要新的技术来允许在数据很少时，保证程序的正常运行。这是正在成为一个非常受欢迎的领域，核心问题：N-shot Learning

1. N-Shot Learning

你可能会问，什么是shot？好问题，shot只用一个样本来训练，在N-shot学习中，我们有N个训练的样本。术语“小样本学习”中的“小”通常在0-5之间，也就是说，训练一个没有样本的模型被称为 zero-shot ，一个样本就是 one-shot 学习，以此类推。

1-1 为什么需要N-Shot？

我们在 ImageNet 中的分类错误率已经小于 4% 了，为什么我们需要这个？

首先，ImageNet 的数据集包含了许多用于机器学习的示例，但在医学影像、药物发现和许多其他 AI 可能至关重要的领域中并不总是如此。典型的深度学习架构依赖于大量数据训练才能获得足够可靠的结果。例如，ImageNet 需要对数百张热狗图像进行训练，然后才能判断一幅新图像准确判断是否为热狗。一些数据集，就像7月4日庆祝活动后的冰箱缺乏热狗一样，是非常缺乏图像的。

机器学习有许多案例数据是都非常稀缺，这就是N-Shot技术的用武之地。我们需要训练一个包含数百万甚至数十亿个参数（全部随机初始化）的深度学习模型，但可用于训练的图像不超过 5 个图像。简单地说，我们的模型必须使用非常有限的热狗图像进行训练。

要处理像这个这样复杂的问题，我们首先需要清楚N-Shot的定义。

对我来说，最有趣的子领域是Zero-shot learning，该领域的目标是不需要一张训练图像，就能够对未知类别进行分类。

没有任何数据可以利用的话怎么进行训练和学习呢？

想一下这种情况，你能对一个没有见过的物体进行分类吗？

夜空中的仙后座（图源：https:// www .star-registration .com /constellation/cassiopeia）

是的，如果你对这个物体的外表、属性和功能有充足的信息的话，你是可以实现的。想一想，当你还是一个孩子的时候，是怎么理解这个世界的。在了解了火星的颜色和晚上的位置后，你可以在夜空中找到火星。或者你可以通过了解仙后座在天空中"基本上是一个畸形的'W'"这个信息中识别仙后座。

根据今年NLP的趋势，Zero-shot learning 将变得更加有效（https://blog.floydhub .com /ten-trends-in-deep-learning-nlp/#9-zero-shot-learning-will-become-more-effective）。

计算机利用图像的元数据执行相同的任务。元数据只不过是与图像关联的功能。以下是该领域的几篇论文，这些论文取得了优异的成绩。

在one-shot learning中，我们每个类别只有一个示例。现在的任务是使用一个影像进行训练，最终完成将测试影像划分为各个类。为了实现这一目标，目前已经出现了很多不同的架构，例如Siamese Neural Networks（https:// www .cs.cmu.e/~rsalakhu/papers/oneshot1.pdf），它带来了重大进步，并达到了卓越的结果。然后紧接着是matching networks（https://ar xi v.org/pdf/1606.04080.pdf），这也帮助我们在这一领域实现了巨大的飞跃。

小样本学习只是one-shot learning 的灵活应用。在小样本学习中，我们有多个训练示例（通常为两到五个图像，尽管上述one-shot learning中的大多数模型也可用于小样本学习）。

在2019年计算机视觉和模式识别会议上，介绍了 Meta-Transfer Learning for Few-Shot Learning（https://ar xi v.org/pdf/ 181 2.02391v3.pdf）。这一模式为今后的研究开创了先例;它给出了最先进的结果，并为更复杂的元迁移学习方法铺平了道路。

这些元学习和强化学习算法中有许多都是与典型的深度学习算法相结合，并产生了显着的结果。原型网络是最流行的深度学习算法之一，并经常用于小样本学习 。

在本文中，我们将使用原型网络完成小样本学习，并了解其工作原理。

2. 原型网络背后的思想

上图为原型网络函数的示意图。编码器将图像进行编码映射到嵌入空间（黑圈）中的矢量中，支持图像用于定义原型（星形）。利用原型和编码查询图像之间的距离进行分类。图源：https:// www .semanticscholar.org/paper/Gaussian-Prototypical-Networks-for-Few-Shot-on-Fort//figure/1

与典型的深度学习体系结构不同，原型网络不直接对图像进行分类，而是通过在度量空间（https://en.wikipedia.org/wiki/Metric_space）中寻找图像之间的映射关系。

对于任何需要复习数学的人来说，度量空间都涉及"距离"的概念。它没有一个可区分的"起源"点。相反，在度量空间中，我们只计算一个点与另一个点的距离。因此，这里缺少了矢量空间中加法和标量乘法（因为与矢量不同，点仅表示坐标，添加两个坐标或缩放坐标毫无意义！）请查看此链接，详细了解矢量空间和度量空间之间的差异：https://math.stackexchange .com /questions/1 149 40/what-is-the-difference-between-metric-spaces-and-vector-spaces。

现在，我们已经学习了这一背景，我们可以开始了解原型网络是怎样不直接对图像进行分类，而是通过在度量空间中寻找图像之间的映射关系。如上图所示，同一类的图像经过编码器的映射之后，彼此之间的距离非常接近，而不同类的图像之间具有较长的距离。这意味着，每当给出新示例时，网络只需检查与新示例的图像最近的集合，并将该示例图像分到其相应的类。原型网络中将图像映射到度量空间的基础模型可以被称为"Image2Vector"模型，这是一种基于卷积神经网络 （CNN） 的体系结构。

现在，对于那些对 CNN 不了解的人，您可以在此处阅读更多内容：

简单地说，他们的目标是训练分类器。然后，该分类器可以对在训练期间不可用的新类进行概括，并且只需要每个新类的少量示例。因此，训练集包含一组类的图像，而我们的测试集包含另一组类的图像，这与前一组完全不相关。在该模型中，示例被随机分为支持集和查询集。

很少有镜头原型ck被计算为每个类的嵌入式支持示例的平均值。编码器映射新图像（x）并将其分类到最接近的类，如上图中的c2（图源：https://ar xi v.org/pdf/ 1703 .05 175 .pdf）。

在少镜头学习的情况下，训练迭代被称为一个片段。一个小插曲不过是我们训练网络一次，计算损失并反向传播错误的一个步骤。在每一集中，我们从训练集中随机选择NC类。对于每一类，我们随机抽取ns图像。这些图像属于支持集，学习模型称为ns-shot模型。另一个随机采样的nq图像属于查询集。这里nc、ns和nq只是模型中的超参数，其中nc是每次迭代的类数，ns是每个类的支持示例数，nq是每个类的查询示例数。

之后，我们通过“image2vector”模型从支持集图像中检索d维点。该模型利用图像在度量空间中的对应点对图像进行编码。对于每个类，我们现在有多个点，但是我们需要将它们表示为每个类的一个点。因此，我们计算每个类的几何中心，即点的平均值。之后，我们还需要对查询图像进行分类。

为此，我们首先需要将查询集中的每个图像编码为一个点。然后，计算每个质心到每个查询点的距离。最后，预测每个查询图像位于最靠近它的类中。一般来说，模型就是这样工作的。

但现在的问题是，这个“image2vector”模型的架构是什么？

论文汇总 Image2Vector 向量的结构

对于所有实际应用中，一般都会使用 4-5 CNN 模块。如上图所示，每个模块由一个 CNN 层组成，然后是批处理规范化，然后是 ReLu 激活函数，最后通向最大池层。在所有模块之后，剩余的输出将被展平并返回。这是本文中使用的网络结构（https://ar xi v.org/pdf/ 1703 .05 175 v2.pdf），您可以使用任何任何你喜欢的体系结构。有必要知道，虽然我们称之为"Image2Vector"模型，但它实际上将图像转换为度量空间中的 64 维的点。要更好地了解差异，请查看 math stack exchange（https://math.stackexchange .com /questions/ 64 5672/what-is-the-difference-between-a-point-and-a-vector）。

负log概率的原理，图源：https://ljvmiranda921.github.io/notebook/2017/08/13/softmax-and-the-negative-log-likelihood/#nll

现在，已经知道了模型是如何工作的，您可能更想知道我们将如何计算损失函数。我们需要一个足够强大的损失函数，以便我们的模型能够快速高效地学习。原型网络使用log-softmax损失，这只不过是对 softmax 损失取了对数。当模型无法预测正确的类时，log-softmax 的效果会严重惩罚模型，而这正是我们需要的。要了解有关损失函数的更多情况，请访问此处。这里是关于 softmax 和 log-softmax 的很好的讨论。

Omniglot数据集中的部分示例（图源：https://github .com /brendenlake/omniglot）

该网络在 Omniglot 数据集（https://github .com /brendenlake/omniglot）上进行了训练。Omniglot 数据集是专门为开发更类似于人类学习的算法而设计。它包含 50个不同的字母表，共计1623 个不同的手写字符。为了增加类的数量，所有图像分别旋转 90、 180 和 270 度，每次旋转后的图像都当做一个新类。因此，类的总数达到 了 64 92（1，623 + 4）类别。我们将 4200 个类别的图像作为训练数据，其余部分则用于测试。对于每个集合，我们根据 64 个随机选择的类中的每个示例对模型进行了训练。我们训练了模型 1 小时，获得了约 88% 的准确率。官方文件声称，经过几个小时的训练和调整一些参数，准确率达到99.7%。

是时候亲自动手实践了！

您可以通过访问以下链接轻松运行代码：

代码地址： https://github .com /Hsankesara/Prototypical-Networks

运行地址： https://floydhub .com /run?template=https://github .com /Hsankesara/Prototypical-Networks

让我们深入学习一下代码！（向左←滑动可查看完整代码）

以上的代码是 Image2Vector CNN结构的一个实现。它的输入图像的维度为28*28*3，返回特征向量的长度为 64 。

上面的代码片段是原型网中单个结构的实现。如果你有任何疑问，只需在评论中询问或在这里创建一个问题，非常欢迎您的参与和评论。

网络概述。图源：https://youtu.be/wcKL05DomBU

代码的结构与解释算法的格式相同。我们为原型网络函数提供以下输入：输入图像数据、输入标签、每次迭代的类数（即 Nc ）、每个类的支持示例数（即 Ns ）和每个类的查询示例数（即 Nq ）。函数返回 Queryx ，它是从每个查询点到每个平均点的距离矩阵， Queryy 是包含与 Queryx 对应的标签的向量。 Queryy 存储 Queryx 的图像实际所属的类。在上面的图像中，我们可以看到，使用3个类，即 Nc ＝3，并且对于每个类，总共有5个示例用于训练，即 Ns ＝5。上面的s表示包含这15个（ Ns * Nc ）图像的支持集， X 表示查询集。注意，支持集和查询集都通过 f ，它只不过是我们的“image2vector”函数。它在度量空间中映射所有图像。让我们一步一步地把整个过程分解。

首先，我们从输入数据中随机选择 Nc 类。对于每个类，我们使用random_sample_cls函数从图像中随机选择一个支持集和一个查询集。在上图中，s是支持集，x是查询集。现在我们选择了类（ C1 、C2 和 C3 ），我们通过“image2vector”模型传递所有支持集示例，并使用get_centroid函数计算每个类的质心。在附近的图像中也可以观察到这一点。每个质心代表一个类，将用于对查询进行分类。

网络中的质心计算。图源：https://youtu.be/wcKL05DomBU

在计算每个类的质心之后，我们现在必须预测其中一个类的查询图像。为此，我们需要与每个查询对应的实际标签，这些标签是使用get_query_y函数获得的。 Queryy 是分类数据，该函数将该分类文本数据转换为一个热向量，该热向量在列点对应的图像实际所属的行标签中仅为“1”，在列中为“0”。

之后，我们需要对应于每个 Queryx 图像的点来对其进行分类。我们使用“image2vector”模型得到这些点，现在我们需要对它们进行分类。为此，我们计算 Queryx 中每个点到每个类中心的距离。这给出了一个矩阵，其中索引 ij 表示与第 i 个查询图像对应的点到第 j 类中心的距离。我们使用get_query_x函数构造矩阵并将矩阵保存在 Queryx 变量中。在附近的图像中也可以看到同样的情况。对于查询集中的每个示例，将计算它与 C1、C2 和 C3 之间的距离。在这种情况下， X 最接近 C2 ，因此我们可以说 X 被预测属于 C2 类。

以编程方式，我们可以使用一个简单的ARMmin函数来做同样的事情，即找出图像被预测的类。然后使用预测类和实际类计算损失并反向传播错误。

如果你想使用经过训练的模型，或者只需要重新训练自己，这里是我的实现。您可以使用它作为API，并使用几行代码来训练模型。你可以在这里找到这个网络。

3. 资源列表

这里有些资源可以帮你更全面的了解本文内容：

4. 局限性

尽管原型网络的结果不错，但它们仍然有局限性。首先是缺乏泛化，它在Omniglot数据集上表现很好，因为其中的所有图像都是一个字符的图像，因此共享一些相似的特征。然而，如果我们试图用这个模型来分类不同品种的猫，它不会给我们准确的结果。猫和字符图像几乎没有共同的特征，可以用来将图像映射到相应度量空间的共同特征的数量可以忽略不计。

原型网络的另一个限制是只使用均值来确定中心，而忽略了支持集中的方差，这在图像有噪声的情况下阻碍了模型的分类能力。利用高斯原网络（https://ar xi v.org/abs/ 1708 .02 73 5）类中的方差，利用高斯公式对嵌入点进行建模，克服了这一局限性。

5. 结论

小概率学习是近年来研究的热点之一。有许多使用原型网络的新方法，比如这种元学习方法，效果很好。研究人员也在 探索 强化学习，这也有很大的潜力。这个模型最好的地方在于它简单易懂，并且能给出令人难以置信的结果。

via https://blog.floydhub .com /n-shot-learning/

本文由雷锋字幕组成员翻译，雷锋字幕组是由AI爱好者组成的字幕翻译团队；团队成员有大数据专家、算法工程师、图像处理工程师、产品经理、产品运营、IT咨询人、在校师生；志愿者们来自IBM、AVL、Adobe、阿里、网络等知名企业，北大、清华、港大、中科院、南卡罗莱纳大学、早稻田大学等海内外高校研究所。了解字幕组 请加 微信 ~

⑤ 如果想优化ai模型部署,哪些源码值得一读

想优化ai模型部署，以下3个源码值得一读。
1、普通应用程序或网络应用场景中的源码值得一读。
2、Paddle模型源码。
3、AI模型的快速端云部署源码。

⑥ 基于模型测试01

一、概述

    MBT中文名称为基于模型的测试,基于模型的测试属于软件测试领域的一种测试方法。

二、背景

      软件测试是一款软件产品质量的最后一道防线，是产品线上前必不可少的、最重要的一环。每一款高质量的软件产品背后，都蕴含了大量的测试工作。而且测试工作很可能是软件开发过程中最昂贵、劳动最密集的工作。在设计测试用例的过程中，或多或少的存在着问题，使得软件测试结果不那么理想。下面引入新的测试方法，基本模型的测试，是自动化测试的一个分支，它将测试用例的设计依托于被测系统的模型，并基于该模型自动生成测试用例的技术。从质量保证的角度来看，我们可以制定测试的内容，但是无法保证测试会覆盖所有可能的组合，而MBT则允许软件开发和测试人员，只关注建立系统的正确性及模型的规范性，再通过专门的MBT工具根据不同的测试用例设计策略从系统模型生成可靠的测试用例。

    与传统测试相比，优点：

         （1）测试用例的维护更轻松：维护好模型，无需关注测试用例的细节

         （2）软件缺陷发现的更早：在构建被测系统模型的过程中，需要对被测系统有比较全面的理解，那么在早期建模过程中就可以发现被测系统中的一些问题，不需要等到执行大量用例时才发现；

         （3）测试自动化的水平更高：建模后，MBT可以自动生成测试用例，不需要人工编写测试文档；

         （4）测试覆盖率变得更高，使得彻底的测试（即：穷尽测试）成为可能：传统测试设计的过程中依赖人工，MBT生成测试路径时会避免人工设计测试用例时的思维局限性，生成更丰富的测试路径用例，但是是否需要执行“彻底”的测试由漏测对业务的影响决定。MBT只是从技术上提供了穷尽测试可能性。

         （5）基于模型间接维护测试用例的方式更高效：传统维护时需要依赖人工，需要耗费大量的人力和时间成本，重新测试设计。使用MBT只需要维护好测试模型即可，生成测试用例的工作可以由MBT工具自动完成；

     缺点，即未广泛推广的原因：

         （1）学习成本较高：要求开发人员、测试人员都精通建模，和工具的选型；

         （2）使用MBT的初期投资较大：已有的MBT工具不一定适合自己产品，定制的话需要考虑扩展性，和处理复杂逻辑，也就是要花费大量时间和精力；

         （3）用例爆炸

   总结下，测试方法多种多样，MBT和传统测试相比，各有优劣。如果一个应用的任何组件都可以通过模型来模拟、通过驱动程序来驱动，并可以通过测试结果来比较的话，那么这个应用是MBT的最佳候选者。

   2.1  通用流程

 2.2  Model design （模型设计）

  模型设计，目的是用来为构造测试用例而进行的被测系统描述

（1）模型关注点：

     （2） MBT模型分类：

2.3  Tests selection （ 测试需求选择）

             指导测试用例生成器（ test generation）如何生成用例

2.4   Tests  paths generation（测试用例生成）

           按模型及测试需求选择来生成测试用例。GraphWalker就是完成这部分工作的一个开源的java工具。

2.5   Tests execution（执行测试）

           执行测试，并比较预期

2.6  FSM举例：海拍客mallpc 登录相关功能建模，如下

一个箭头，代表一次测试动作；

一个节点，代表一次测试验证；

2.7 常见工具 ：BPM-X、fMBT、GraphWalker

三 、GraphWalker简介

 

 GraphWalker就是一个基于测试模型的用例生成工具，主要支持于FSM, EFSM模型。它以有向图的形式读取模型，生成测试路径，适合于多状态以及基于事件驱动的状态转换的系统。

四、使用GraphWalker建模

有向图中，顶点（或节点）表示一些期望的状态，并且边（弧，箭头，过渡）表示为了实现期望的状态需要做的任何动作；

 4.1 建模工具：yEd

4.2 建模规则1

      4.3 建模规则2

    4.4 建模keywords

4.5 支持多模型：

     GraphWalker可以在一个会话中使用几个模型。这意味着在生成路径时，GraphWalker可以选择跳出一个模型到另一个模型。当将不同的功能分为多个模型时，这是非常方便的。

     

多模型offilne运行举例：

java -jar graphwalker-cli-4.0.0-SNAPSHOT.jar -d all offline -m Model_A.graphml random(edge_coverage(100)) -m Model_B.graphml random(edge_coverage(100)) -m Model_C.graphml random(edge_coverage(100)) -m Model_D.graphml random(edge_coverage(100)) –o

当路径生成到达模型A中的顶点v_B时，它必须考虑关键字SHARED：B ..这将告诉GraphWalker使用相同的名称搜索所有其他模型的同一个关键字：B.在我们的例子中，只有一个，它在模型B中。

现在GraphWalker决定是跳出模型A，进入模型B中的顶点v_B，还是留在模型A中。这个决定是基于随机的。

多模型特性：

五、路径生成器和结束条件

六、GraphWalker工作方式

以作为第三方库为例： 使用GraphWalker第三方库实现模型自动化测试

七、GraphWalker命令行：此处省略

八、Restful或WebSocket服务的区别：此处省略

九、Web Socket API接口：此处省略

十、REST API接口：此处省略

十一、GraphWalker源码：

GraphWalker工具核心：graphwalker-core

参考资料：官网 http://graphwalker.github.io/

备注：

FSM ：有限状态机 Finite State Machine

EFSM：扩展有限状态机

⑦ SUMO 中的车辆动力学模型

SUMO 中车辆动力学模型包括两方面

longitudinal model ： 纵向动力学模型，描述车辆加速和减速

lateral model ：横向动力学模型，描述车辆换道

在 longitudinal model 方面，由于 SUMO 主要用于研究车辆的外部行为、多车交互和交通流，对于单个车辆建模精度要求不高，可以近似看作质点，采用比较简单的 car-following model (跟车模型) 来描述车辆速度和位置变化规律。car-following model 中包含两种情况：无前车和有前车。

在 lateral model 方面，SUMO 采用 lane changing model ( 参考文献 ）。简单地说就是以决策树的方式设定诸多换道条件，只要满足某些条件，就进行相应的换道操作。
默认的 lane changing model 是瞬间换道，即在一个 simulation step 中完成换道，直观地看就是车辆在两个车道之间瞬移。
更加精细的模型包括：

具体设置可以参考 https://sumo.dlr.de/wiki/Simulation/SublaneModel#Sublane-Model

本文主要介绍 car-following model.

要了解 SUMO 中默认使用的改进 Krauss model，需要先了解一下原始的 Krauss model 的建模思想。

Krauss model 来自文献:

假设 为 leader 与 follower 车间距，其中 ​ 为车身长度。

如果要求车辆不相撞，需要满足

其中

为了计算 ​ ， 需要给出速度与刹车距离的函数表达式 ​和 。下边用 ​ 函数在 ​ 处的 Taylor 展开近似替代 ​ 函数，忽略高阶项得到

下边的问题就是如何计算导数 ​ .

假设刹车时加速度为 ​，则有

其中的积分项对应了刹车加速度为 情况下的刹车距离。

一般我们在计算距离时习惯将积分区间设定为时间，而被积函数为速度。这里是将积分区间设定为速度的变化区间，对时间进行积分。这样积分之后得到关于速度的函数，以便后续的操作。

将 式带入 式中得

上述表达式右边 ​ 含有​ ，所以需要再整理一下，得到 ​ 的显式表达为

其中原本的 ​ 也替换为了最大刹车加速度 ​.

上述式子就是 SUMO 中 original Krauss model 的安全跟车速度表达式，部分 程序源码 如下：

这里 式右边就是安全跟车速度，记做 ​ 。但是，这一速度还不是最终车辆采用的跟车速度。与无前车情况类似，我们也要保证跟车速度不能超过允许的最大速度，因此要取安全速度和允许最大速度中的较小值，即

其中 ​ 为最大加速度， ​ 为仿真更新步长。

另外，可以引入随机因子，表示车辆并不一定按照上述安全跟车速度行驶，可以取更小的值，即

其中 ​ 为外部设定的 imperfection parameter，表征了偏离 ​ 的程度。

总结算法步骤：

尽管 SUMO 中包含了上述原始 Krauss model，但是没有作为默认 car-following model，而是做了较大改动。改进模型与原始的 Krauss 模型的出发点是相同的：在保证不碰撞的前提下，车速尽量的快。但在计算安全速度方面，与原始 Krauss 完全不同。

改进的 Krauss model 依然基于上述公式 ，但并没有采用泰勒展开方式近似表达刹车距离函数 ，而是直接数值计算。步骤与源码实现如下：

上式中 为前车速度减到 0 需要的时间。

在 SUMO 源码中通过 brakeGapEuler 函数 实现上述计算过程。

这里需要注意的是，SUMO 默认采用 Euler 数值积分方式 ，在计算位置时公式如下：

即 时刻的位置等于 时刻的位置加上 时刻的速度造成的位置变化。

明白了这种积分方式才能更好的理解源码中的计算公式。

得到安全跟车速度之后，其余部分与原始的 Krauss model 类似的，要与允许的最大速度比较，并且考虑随机因素。具体在 followSpeed 函数 和 dawdle2 函数 中实现。

⑧ 国内低代码平台哪家强

随着“低代码”成为如今市场上的热词，打着“低代码”平台的相关产品越来越多。

然而点进去一看很多产品其实并不是真正实际上的低代码，有的是零代码，有的还得依靠专业开发语言才能开发，对于很多企业而言这技术门槛就相对较高。

那么问题来了，究竟国内低代码平台哪一家才是最正宗的呢？

建议参考一下百数低代码开发平台

一、什么是低代码开发平台？

“低代码开发平台”是一款快速搭建系统的平台，在平台上客户可以通过少量代码快速构建自己企业所需的OA系统、采购系统、仓储系统等等，适用于任何的办公场景与业务场景。

二、低代码开发平台拥有哪些优势

1、拥有零代码平台的所有功能。

2、这款低代码开发平台采用的是Python脚本的开发语言，对于企业而言降低了开发门槛。只要稍微懂点Python语言的就能自主在平台上进行开发相关的系统和应用。

3、降低了企业在系统这一块的开发成本。以往很多企业在系统这一块都是找第三方外包商进行定制，因此在时间还是金钱花销都是非常大的。而通过低代码进行搭建，一方面可以省掉不少的人工费，另一方面开发系统的时间也比传统开发的时间要缩短到三分之一，提高了企业的效率。

4、加快了系统的更新迭代速度。

随着企业发展，变化肯定是不可避免的，那么百数低代码平台拥有着最完善的二次开发体系，在功能扩展性能完全满足企业的业务发展的需要，不需要再另外借助其他系统。除此之外，百数的低代码平台还支持个性化计算与管理。至于平台的更新时间也不需要跟着官方走，掌握权在自己手里。

三、百数低代码平台对企业的价值

1. 经济方面：降低了成本

2. 操作方面：托拉拽式搭建，简单方便

3. 使用方面：友好、更加人性化

4. 管理方面：高效率

5. 开放方面：降低了难度，节省时间

四、低代码平台发展前景

随着钉钉在发布会把“低代码”这个词着重提出来，这个词的热度在未来一段时间毫无疑问是相当高的，低代码相关的产品肯定也会层出不穷。百数低代码平台作为在行业内奋斗几年的产品，接下来依旧会更加努力，持续优化功能，用最简单的方式为广大政企赋能，继续降低成本、提高质量。

相信未来有很多企业与个人创业者都会用低代码平台实现办公管理与业务管理，只需动动手就能实现系统搭建的方法，简直不要太简单啊！

⑨ 软件过程模型的过程模型

它有时也称为传统生存周期模型或瀑布模型。它提出了软件开发的系统化的、顺序的方法。其流程从系统开始，随后是需求分析、设计、编码、测试、支持。这种模型是最早也是应用最广泛的软件过程模型(虽然这种模型会引起“堵赛状态”)。
缺点：
1、实际的项目大部分情况难以按照该模型给出的顺序进行，而且这种模型的迭代是间接的，这很容易由微小的变化而造成大的混乱。
2、 经常情况下客户难以表达真正的需求，而这种模型却要求如此，这种模型是不欢迎具有二义性问题存在的。
3、 客户要等到开发周期的晚期才能看到程序运行的测试版本，而在这时发现大的错误时，可能引起客户的惊慌，而后果也可能是灾难性的。
4、采用这种线性模型，会经常在过程的开始和结束时碰到等待其他成员完成其所依赖的任务才能进行下去，有可能花在等待的时间比开发的时间要长。我们称之为“堵赛状态”。
优点：
1、它提供了一个模板，这个模板使得分析、设计、编码、测试和支持的方法可以在该摸板下有一个共同的指导。
2、虽然有不少缺陷但比在软件开发中随意的状态要好得多。 从需求收集开始，开发者和客户在一起定义软件的总体目标，标识已知的需求并且规划出需要进一步定义的区域。然后是“快速设计”，它集中于软件中那些对客户可见的部分的表示，这将导致原型的创建，并由客户评估并进一步精化待开发软件的需求。逐步调整原型使其满足客户的需求，这个过程是迭代的。其流程从听取客户意见开始、随后是建造/修改原型、客户测试运行原型、然后回头往复循环直到客户对原型满意为止。由于这种模型可以让客户快速的感受到实际的系统（虽然这个系统不带有任何质量的保证），所以客户和开发者都比较喜欢这种过程模型（对于那些仅仅用来演示软件功能的公司而言或从来不考虑软件质量和不害怕长期维护的公司而言）。
缺点：
1、没有考虑软件的整体质量和长期的可维护性。
2、大部分情况是不合适的操作算法被采用目的为了演示功能，不合适的开发工具被采用仅仅为了它的方便，还有不合适的操作系统被选择等等。
3、由于达不到质量要求产品可能被抛弃，而采用新的模型重新设计。
优点：
1、如果客户和开发者达成一致协议：原型被建造仅为了定义需求，之后就被抛弃或者部分抛弃， 那么这种模型很合适了。
2、迷惑客户抢占市场，这是一个首选的模型。 这是一个增量型的软件开发过程模型，强调极短的开发周期，它是线性模型的一个“高速”变种，通过使用构件的建造方法赢得了快速开发。如果需求理解的好而且约束了项目的范围，利用这种模型可以很快的创建出功能完善的“信息系统”。其流程从业务建模开始，随后是数据建模、过程建模、应用生成、测试及反复。RAD过程强调的是复用，复用已有的或开发可复用的构件。实际上RAD采用第四代技术。
缺点：
1、只能用于信息系统。
2、对于较大的项目需要足够的人力资源去建造足够的RAD组。
3、开发者和客户必须在很短的时间完成一系列的需求分析， 任何一方配合不当都会导致RAD项目失败。
4、这种模型对模块化要求比较高，如果有哪一功能不能被模块化，那么建造RAD所需要的构件就会有问题。
5、技术风险很高的情况下不适合这种模型。
优点：
1、开发速度快，质量有保证。
2、对信息系统特别有效。 这种模型融合了线性顺序模型的基本成份和原型实现模型的迭代特征。增量模型采用随着日程时间的进展而交错的线性序列。每一个线性序列产生软件的一个可发布的“增量”。当使用增量模型时，第一个增量往往是核心的产品，也就是说第一个增量实现了基本的需求，但很多补充的特征还没有发布。客户对每一个增量的使用和评估，都做为下一个增量发布的新特征和功能。这个过程在每一个增量发布后不断从复，直到产生了最终的完善产品。增量模型强调每一个增量均发布一个可操作的产品。
缺点：
1、至始至终开发者和客户纠缠在一起，直到完全版本出来。
优点：
1、人员分配灵活，刚开始不用投入大量人力资源，当核心产品很受欢迎时，可增加人力实现下一个增量。
2、当配备的人员不能在设定的期限内完成产品时，它提供了一种先推出核心产品的途径，这样就可以先发布部分功能给客户，对客户起到镇静剂的作用。
3、具有一定的市场。 这是一个演化软件过程模型，它将原型实现的迭代特征和线性顺序模型中控制的和系统化的方面结合起来。使得软件的增量版本的快速开发成为可能。在螺旋模型中，软件开发是一系列的增量发布。在每一个迭代中，被开发系统的更加完善的版本逐步产生。螺旋模型被划分为若干框架活动，也称为任务区域。典型地，有3到6个任务区域：
1、客户交流：建立开发者和客户之间有效通信所需要的任务。
2、计划：定义资源、进度、及其它相关项目信息所需要的任务。
3、风险分析：评估技术的及管理的风险所需要的任务。
4、工程：建立应用的一个或多个表示说需要的任务。
5、构造及发布：构造、测试、安装和提供用户支持所需要的任务。
6、客户评估：基于对在工程阶段产生的或在安装阶段实现的软件表示的评估，获得客户反馈所需要的任务。
这是一个相对较新的模型，它的功效还需要经历若干年的使用方能确定下来。
缺点：
1、需要相当的风险分析评估的专门技术，且成功依赖于这种技术。
2、很明显一个大的没有被发现的风险问题，将会导致问题的发生，可能导致演化的方法失去控制。
3、这种模型相对比较新，应用不广泛，其功效需要进一步的验证。
优点：
1、对于大型系统及软件的开发，这种模型是一个很好的方法。开发者和客户能够较好地对待和理解每一个演化级别上的风险。 螺旋模型提出了强调客户交流的一个框架活动。该活动的目标是从客户处诱导项目需求。在理想情况下，开发者简单地询问客户需要什么,而客户提供足够的细节进行下去。不幸的是这种情形很少发生。在现实中，客户和开发者进入一个谈判过程，客户被要求在成本和应市之间的约束下平衡功能、性能、和其它产品或系统特征。最好的谈判追求“双赢”结果，也就是说通过谈判客户获得大部份系统的功能，而开发者则获得现实的和可达到的预算和时限。对客户的交流定义了下面的活动：
1、系统或子系统的关键“风险承担者”的标识。
2、风险承担者的“赢条件”的确定。
3、风险承担者的赢条件谈判，以将它们协调为一组满足各方考虑的双赢条件。
缺点：
1、需要额外的谈判技巧。
优点：
1、客户和开发者达到一种平衡。 这种模型关注于多个任务的并发执行，表示为一系列的主要技术活动、任务及它们的相关状态。并发过程模型是由客户要求、管理决策、评审结果驱动的。该模型不是将软件工程活动限定为一个顺序的事件序列，而是定义了一个活动网络。网络上的每一个活动均可于其它活动同时发生。这种模型可以提供一个项目的当前状态的准确视图。
缺点：暂时无
优点：
1、可用于所有类型的软件开发，而对于客户/服务器结构更加有效。
2、可以随时查阅到开发的状态。 面向对象的技术为软件工程的基于构件的过程模型提供了技术框架。面向对象模型强调了类的创建、类的封装了的数据、操纵该数据的算法。一般来讲经过合适的设计和实现，面向对象的类可以在不同的应用及基于计算机的系统的体系结构中复用。基于构件的开发模型融合了螺旋模型的许多特征，它本质上是演化形的，要求软件创建的迭代方法。然而基于构件的开发模型是利用预先包装好的软件构件（有时成为类）来构造应用。
开发活动从候选类的标识开始，这一步是通过检查将被应用系统操纵的数据及用于实现该操纵的算法来完成的。相关的数据和算法被封装成一个类。
缺点：
1、过分依赖于构件，构件库的质量影响着产品质量。
优点：
1、构件可复用。提高了开发效率。
2、采用了面向对象的技术。 形式化方法模型包含了一组活动，他们导致了计算机软件的数学规约。形式化方法使得软件工程师们能够通过应用一个严格的数学符号体系来规约、开发、和验证基于计算机的系统。 这种方法的一个变种，称为净室软件工程，已经被一些组织所采用。在开发中使用形式化方法时，它们提供了一种机制，能够消除使用其它软件过程模型难以克服的很多问题。二义性、不完整性、不一致性能被更容易地发现和纠正，而不是通过专门的评审，是通过对应用的数学分析。 形式化方法提供了可以产生无缺陷软件的承诺。
缺点：
1、开发费用昂贵（对开发人员需要多方面的培训），而且需要的时间较长。
2、不能将这种模型作为对客户通信的机制，因为客户对这些数学语言一无所知。
3、还不流行。
优点：
1、形式化规约可直接作为程序验证的基础，可以尽早的发现和纠正错误（包括那些其它情况下不能发现的错误）。
2、开发出来的软件具有很高的安全性和健壮性，特别适合安全部门或者软件错误会造成经济损失的开发者。
3、具有开发无缺陷软件的承诺。 一系列的软件工具的使用，是第四代技术的特点。这些工具有一个共同的特点：能够使软件工程师们在较高级别上规约软件的某些特征，然后根据开发者的规约自动生成源代码。我们知道，软件在越高的级别上被规约，就越能被快速的建造出程序。软件工程的
4GT模型集中于规约软件的能力：使用特殊的语言形式或一种采用客户可以理解的术语描述待解决问题的图形符号体系。和其它模型一样，4GT也是从需求收集这一步开始的，要将一个4GT实现变成最终产品，开发者还必须进行彻底的测试、开发有意义的文档，并且同样要完成其它模型中同样要求的所有集成活动。总而言之，4GT已经成为软件工程的一个重要方法。特别是和基于构件的开发模型结合起来时，4GT模型可能成为当前软件开发的主流模型！
缺点：
1、用工具生成的源代码可能是“低效”的。
2、生成的大型软件的可维护性还令人怀疑。
3、在某些情况下可能需要更多的时间。
优点：
1、缩短了软件开发时间，提高了建造软件的效率。
2、对很多不同的应用领域提供了一种可行性途径和解决方案