教学课程资源库 更多>>

关键词： UML   工作流   建模   Rose工具  

摘要： 常规软件产品在需求分析阶段往往采用文字上的需求说明书,这样不同的人员理解起来也各不相同,而UML弥补了这一不足,它采用的是可视化图形且易于理解的建模方式,使得开发人员对于需求的理解趋于一致。选择使用UML可视化的建模语言来进行工作流业务流程的建模,与UML所要表达的动态视图的动态特性相吻合。通过UML的9个视图的分析和研究,给出了具体建模的过程,最后使用Rose工具完成建模实例。从而验证了使用UML对工作流建模的合理性。

关键词： 地质灾害   信息系统   UML  

摘要： 本文采用理论分析与实践相结合的方法，先从理论上研究基于UML的地质灾害信息系统开发的关键技术，在此基础上，将系统的设计文档与UML的特点紧密结合起来，利用UML可以对软件系统进行面向对象的描述和建模，它可以描述从需求分析、系统设计、编码和测试等软件开发全过程。精心规划设计步骤，保证设计出来的系统简单、实用。

关键词： 多智能体   围捕算法   层次结构  

摘要： 针对空地多智能体围捕问题,提出一种层次化的体系结构与任务实现方法。通过系统模态设计实现任务调度与分配,利用改进型人工势场法的路径规划和碰撞预测算法实现追捕者的自主导航,使用基于人工视觉的辅助定位方式完成惯性器件的修正。系统试验表明,该系统可稳定完成围捕任务。

关键词： 结构化设计   道路桥梁设计   具体应用  

摘要： 在道路桥梁设计规划中,不仅仅要充分考虑道路桥梁的使用性能及安全,还要考虑现有国民经济建设发展现状及资金的使用情况,结合实际需要设计合理的道路桥梁结构。传统道路桥梁设计主要采用定值法进行设计结构,从某种角度而言,这种设计结构受不确定因素影响比较多,难以适应社会发展的需要,对此下面主要针对如何优化道路桥梁设计进行详细的分析与总结,在传统设计方法上提出更好的合理化意见,以便进一步优化道路桥梁设计结构,促进其发展。

关键词： 形式化方法   氢氧化铝焙烧炉   联锁设计  

摘要： 介绍形式化方法的基础知识,及其在氢氧化铝焙烧炉风机系统联锁逻辑设计中的应用。

关键词： 软件可靠性方法   面向领域的教学   形式化方法   研究生课程改革  

摘要： "软件可靠性方法"课程是南京航空航天大学培养面向航空应用领域的计算机系统及软件专业人才的一门研究生特色课程。本文首先对软件可靠性方法中有关软件安全性以及形式化方法方面的理论概念、背景以及学科内容发展变化的情况进行了简要描述,并概要介绍了课程的内容;然后,针对传统研究生教学过程中存在的问题提出了面向领域的案例教学方式,并结合南京航空航天大学近年来推行的国际化教学以及科创活动,给出了我们在课程教学中所进行的教学理念、教学内容、教学方法以及考核方式等各个方面的改革内容;最后说明了取得的成果,并指出了进一步需要改进的方面和可能采取的方法。

关键词： 软件工程   应用型人才   项目案例   实践教学  

摘要： 结合国家对软件人才的需求,针对软件工程专业实践教学现状,分析了三本院校软件工程实践教学的问题,针对应用型人才培养的目标,该文从课程教学计划的制订、实例教学、实验教学、社会实践教学几个环节进行了研究,提出了相关的实践教学理论及改革措施。

关键词： 道路桥梁设计   结构化设计   应用  

摘要： 在我国现阶段的社会发展中,面对交通问题最大的关键应该是道路桥梁建设与设计,道路桥梁对于交通运输的影响是至关重要的。在进行道路桥梁的结构化设计当中,我们要考虑一个问题,那就是如何更好的将道路桥梁自身的特点更好的结合实际,然后设计初步方案,这样是可以保障设计方案的安全性、适用性、经济性,同时还可以确保实现道路桥梁工程的使用价值,确保促进经济效益。本文将对道路桥梁设计中结构化设计的应用进行探析。

关键词： Design   Documentation   Languages   Experimentation   Measurement   Use case modeling   analysis model   UML   class diagram   sequence diagram   activity diagram   transformation   traceability   automation  

摘要： The transition from an informal requirements specification in natural language to a structured, precise specification is an important challenge in practice. It is particularly so for object-oriented methods, defined in the context of the OMG's Model Driven Architecture (MDA), where a key step is to transition from a use case model to an analysis model. However, providing automated support for this transition is challenging, mostly because, in practice, requirements are expressed in natural language and are much less structured than other kinds of development artifacts. Such an automated transformation would enable at least the generation of an initial, likely incomplete, analysis model and enable automated traceability from requirements to code, through various intermediate models. In this article, we propose a method and a tool called aToucan, building on existing work, to automatically generate a UML analysis model comprising class, sequence and activity diagrams from a use case model and to automatically establish traceability links between model elements of the use case model and the generated analysis model. Note that our goal is to save effort through automated support, not to replace human abstraction and decision making. Seven (six) case studies were performed to compare class (sequence) diagrams generated by aToucan to the ones created by experts, Masters students, and trained, fourth-year undergraduate students. Results show that aToucan performs well regarding consistency (e.g., 88% class diagram consistency) and completeness (e.g., 80% class completeness) when comparing generated class diagrams with reference class diagrams created by experts and Masters students. Similarly, sequence diagrams automatically generated by aToucan are highly consistent with the ones devised by experts and are also rather complete, for instance, 91% and 97% message consistency and completeness, respectively. Further, statistical tests show that aTo

关键词： material design   machine learning   microstructure descriptors   informatics  

摘要： In designing microstructural materials systems, one of the key research questions is how to represent the microstructural design space quantitatively using a descriptor set that is sufficient yet small enough to be tractable. Existing approaches describe complex microstructures either using a small set of descriptors that lack sufficient level of details, or using generic high order microstructure functions of infinite dimensionality without explicit physical meanings. We propose a new machine learning-based method for identifying the key microstructure descriptors from vast candidates as potential microstructural design variables. With a large number of candidate microstructure descriptors collected from literature covering a wide range of microstructural material systems, a four-step machine learning-based method is developed to eliminate redundant microstructure descriptors via image analyses, to identify key microstructure descriptors based on structure-property data, and to determine the microstructure design variables. The training criteria of the supervised learning process include both microstructure correlation functions and material properties. The proposed methodology effectively reduces the infinite dimension of the microstructure design space to a small set of descriptors without a significant information loss. The benefits are demonstrated by an example of polymer nanocomposites optimization. We compare designs using key microstructure descriptors versus using empirically chosen microstructure descriptors as a demonstration of the proposed method.