阿嬷情书 ·业务序列图-202606更新《软件方法》第4章

DDD领域驱动设计批评文集

做强化自测题获得“软件方法建模师”称号

《软件方法》各章合集


4.1 建模步骤A-4 组织的现状流程

4.1.2 业务序列图

有了业务工人和业务实体,我们可以认为,组织的用例(业务用例)是由组织内的业务工人和业务实体协作完成的。协作的流程如果用UML序列图来表示,就是业务序列图。

图4-7展示了一张业务序列图:

图片

图4-7 业务序列图主要元素

4.1.2.1 消息的含义

序列图最重要的要点是消息的含义。A指向B的消息,代表“A请求B做某事”,或者“A调用B做某事的服务”,“做某事”是B的一个责任。

图4-7中,指向财务主管的消息“审批报销单”映射了财务主管的“审批报销单”责任。注意,消息箭头已经有请求的意思,消息名称中不用画蛇添足加上“请求”二字。

当然,如果“请求*****”本身就是该对象的责任,那么消息名称里有“请求*****”是正常的。这样的现象常出现在很多扮演中介(或网关、代理、门面)角色的系统中。如图4-8,AI大模型统一路由的责任确实就只是“请求大模型*****”,并不做后面的具体事情。

图片

图4-8 消息(责任)里有“请求*****”的例子

在序列图中,数据流仅仅作为消息的输入或输出参数存在,例如图4-7中的“报销单”。

如果不了解这一点,就容易把消息的方向当成数据流动的方向,不但消息名称没写对,还会出现成对的消息,如图4-9所示。

图片

图4-9 错把消息当成数据流

4.1.2.2 生命线头部的实例是系统

业务序列图表达组织内各个系统之间的交互。出现在业务序列图生命线头部的实例,其合适的颗粒大小就是系统,包括人脑系统(业务工人)和非人系统(业务实体),比系统大或者比系统小都是不合适的。

★参考第2章的图2-7,生命线头部的文本,冒号左侧对应“系统”实例的“名称”属性值(可留空),冒号右侧的文本(例如图4-7的“财务主管”、“SCS”)对应“系统规格”的“名称”属性值。

如果建模人员不把“颗粒大小是系统”这一点时刻记在心中,打哪指哪,抽象级别随着兴之所至而跳跃,就会让业务序列图混入不该有的内容。

(1)错例:生命线上出现系统的部件

图4-10的业务序列图中,CRM系统的一个部件“客户表”露了出来,但目前的抽象级别并不关心CRM系统中是不是使用关系数据库保存数据以及数据库中是不是有一个表叫“客户”。

图片

图4-10 系统的部件露出来了

出现这样的问题,原因往往还是前文所说的建模人员的“灵机一动”。因为缺乏严谨的方法学指导,突然想到什么,就视作珍宝,害怕忘记了,于是迫不及待地堆砌在图中。

这样的错误往往表现为“随意”,建模人员能“灵机一动”想到的,就拼命炫耀,“灵感”没顾及的,选择性忽略。

图4-10中,如果真的要考虑系统部件这个抽象级别,“分配销售专员”操作也会影响一些表,怎么不画出来?“销售支持”也有部件,当他使用“CRM系统”记录资料时,他的大脑负责指挥,他的心脏提供能量,他的手指负责录入。大脑、心脏、手指怎么没画出来?

(2)错例:生命线上出现组织

图4-11中,只有“担保公司”一个业务工人,没有其他业务工人或业务实体。

图片

图4-11 把“担保公司”整个放进序列图

这种情况很有可能是把整个要研究的组织(在这里是“担保公司”)当作一个业务工人给搬上来了,之前画的业务用例图有可能如图4-12:

图片

图4-12 “担保公司”的用例图

和图4-12相比,图4-11添加了用例的交互步骤,但这是不够的,因为它没有剖析出担保公司内部各个人脑系统和非人系统之间的协作。

当然,图4-11作为一个中间产物存在是可以的。如果建模人员暂时不了解组织内部有哪些人脑系统和非人系统以及各自承担什么责任,也可以如图4-11先把整个组织囫囵当成一个系统画出来,先理清和外部组织的交互,然后在调研过程中进一步细化组织内部。

(3)错例:生命线上出现非智能的信息载体

如图4-13,建模人员把“申请单”的实例放到了生命线上。这样的事情在“申请单”为纸质时更容易发生,因为此时申请单的信息放在建模人员看得见摸得着的介质上。这可能也是Jacobson的书以及RUP把类似这些当成业务实体的原因。

图片

图4-13 无智能的申请单被错误当成了业务实体

申请单只是信息项,最多能作为消息参数传递,如图4-14所示。

图片

图4-14 申请单只能作为消息参数

可能有的读者纳闷:我怎么记得看过这样的书,里面的序列图生命线上出现订单、申请单对象?

这可以发生在分析工作流。如果在分析工作流用面向对象方法学去构思目标系统的内部结构和行为,就会得到订单、申请单等假想的对象。然后,我们尽可能把逻辑封装在这些对象对应的类中,这样看起来对象就有了生命,能承担责任。

如果市民使用某个非人信息系统来填申请单,该系统的分析序列图可能会如图4-15。在“市民→提交申请”用例中,系统会创建“申请单”对象,在“科员→审批申请”用例中,“申请单”对象可能会收到“审批”的消息。

图片

图4-15 分析序列图生命线上可以有申请单对象

如果在分析工作流不采用面向对象方法学来构思系统的内部,那就没有订单、申请单这些类了,但不影响业务建模工作流使用面向对象方法学的产出结果。

4.1.2.3 应该出现哪些系统

在工作或生活的流程中,我们所使用的非人系统,远远比我们意识到的多。

我们以上面的图4-10为例。“运营部”请求“销售支持”处理客户资料时,有可能是通过即时通讯软件(例如微信)联系的,而使用即时通讯软件时,可能要用到第三方输入法(例如搜狗输入法);同理,“销售支持”使用“CRM系统”记录客户资料时,除了“CRM系统”之外,可能要用到浏览器、第三方输入法。

★以上只考虑了应用级别的系统,还未考虑数据库管理系统、操作系统等基础设施。

那么,可不可以考虑把图4-10的序列图画成图4-16这样?

图片

图4-16 把更多的非人信息系统放入序列图

一般不会像图4-16这样画,理由当然不能仅仅说“直觉”。考虑的出发点应该是领域。

此处建模的是销售部的分派客户流程,从“销售-客户”领域的视角来看,可以判断“搜狗输入法”、“微信”和“销售-客户”领域没有特定关系。

一方面,如果其他领域的另一个组织也使用“搜狗输入法”和“微信”。当建模人员建模该组织的流程时,如果把“搜狗输入法”和“微信”放入序列图,应该可以观察到它们所参与的流程片段和图4-16并无区别。

另一方面,“运营部”使用邮件、QQ、微信、钉钉还是飞书给“销售支持”发资料,从“销售-客户”这个领域的视角看,没有区别。

因此,一开始可以不考虑“搜狗输入法”和“微信”等系统。

(严格来说,“搜狗输入法”和“微信”是系统规格。为了兼容读者的阅读习惯,在不影响方法学模型严谨性时,本书的叙述也采用“系统”的说法。)

如果只把和“销售-客户”领域特定相关的系统放入序列图,经过观察找不到能满足愿景的改进方案,或者得到的改进方案难以实现,这时可以考虑把另一个相对更“基础”的领域的系统加进来(例如“通信”领域的“微信”),观察是否可以在这个领域寻找改进点。如果还不行,还可以再加入更更“基础”的领域的系统(例如“搜狗输入法”)。

这样的情况虽然稀少,但也不是不会发生。

还是以图4-10为例,如果愿景是“减少客户的平均等待时间”,经过仔细观察发现,导致时间拖长的罪魁祸首是:

有部分运营人员、销售支持和销售专员普通话说得不好,拼音输入也用得不好,喜欢用潮汕话沟通,导致各个环节都出现信息传递错误以及需要反复确认,最终导致时间拖长。偏偏这些人还是公司老板的亲戚,不能替换。

此时,在流程中引入潮汕话即时翻译机或潮汕话智能输入法,也许就可以满足愿景。

(★此处以潮汕话为例,是跟风最近的热门电影《给阿嬷的情书》。读者也可以自行替换为粤语、吴语等其他方言或壮语、藏语等少数民族语言)

这个时候,改进所发生的领域已经和“销售-客户”没有特定关系。

发生这样的情况,可能意味着之前所定位的目标组织是错误的,需要重做第2章的建模。

当然,即使该组织有可能不是目标组织,不妨碍开发组织在有相应能力的情况下顺便帮它做改进,或者在没有相应能力的情况下为它推荐更合适的其他开发组织。

这里务必要谨慎,不要轻易以为自己发现了一片蓝海“潮汕话翻译机或潮汕话输入法”。

当初建模人员思考开发组织的能力时,如果没有列出这些能力,可能意味着建模人员当时认为开发组织的这些能力并没有竞争优势,那就不是什么蓝海了。

就像一位内分泌科医生,遇到一位心慌、手抖、出汗、体重下降的患者。医生一开始以为患者是甲亢,打算把他纳入自己写论文的病例。进一步检查,却不支持甲亢,症状主要与长期焦虑有关。这个病例就不再是内分泌科医生擅长解决的典型病例,内分泌科医生可能会推荐患者去看心理医生。

4.1.2.4 关于时间

在业务流程中,可能会有一些行为由时间信号引发。例如,每天早上6:30,打工人张三手机里的闹钟App响铃;每天早上7:30,张三出门去上班。 

为了把业务流程统一表达成系统之间的协作,我们把“时间”想象成一个特殊的系统,一个上帝造好放在宇宙中的大钟。它向宇宙中的各种人脑系统、非人信息系统发送时间信号。这些系统收到时间信号后,如果满足条件,会做该做的事情。

像上面说的闹钟响和张三出门,可以建模成图4-17:

图片

图4-17 时间引发的行为

注意,这只是建模时的想象,宇宙中并不存在这样一个大钟。闹钟App收到的时间信号实际上来自手机主板上的一个时钟电路;张三收到的时间信号实际上来自他肉眼观察手机时钟或其他钟表得到的信息。

这样的表达也意味着:闹钟App和张三内部存在响应时间信号的逻辑。可以分出一个单独的部件来接收时间信号,再由它调用其他部件。这个单独的部件就是“定时器”或“时间接口”。

时间是外系统,定时器是其他系统中用来和时间系统交互(交互是单向的)的一个部件,二者不能混为一谈。世界上只有一个时间系统,但可以有很多个定时器。例如图4-17中,闹钟App内部和职员大脑内部可能各自有一个定时器部件。

有的书和文章,在识别系统用例时说“执行者是定时器”,这样的说法混淆了时间和定时器。

如果使用面向对象的方法学来分析某个有定时行为的系统,系统里的定时器部件就是一个边界类,如图4-18所示。

图片

图4-18 时间外系统和定时器边界类

★也可以不需要单独的“定时器”部件,把该部件承担的责任合并到更大的部件中。

★从现代物理学的发展,我们知道并不存在绝对的、统一的 “时间”,每个物体都有自己的时钟。不过,对于绝大多数的软件开发来说,简单、朴素的时间设定已经够用了。

4.1.2.5 合适的责任
(待续)
内容概要:本文档围绕“经济学期刊论文复现:数字化转型能否促进企业的高质量发展”这一核心命题,系统整合了MATLAB与Python编程实现的大量科研案例,聚焦于数字化转型对企业全要素生产率(TFP)及高质量发展影响的实证研究。文档不仅复现了高水平经济学期刊论文中的计量经济模型,如基于中国上市公司数据的数字化转型与生产率关系分析,还深度融合了工程领域的建模技术,涵盖微电网优化、负荷预测、风电光伏不确定性建模、电力系统故障仿真等。同时,提供了智能优化算法(如遗传算法、粒子群优化)、机器学习(LSTM、CNN-BiGRU-Attention)、信号处理、路径规划等多学科交叉的技术资源,构建了一个从理论推导到代码实现的完整科研支持体系,旨在帮助研究者系统掌握论文复现与实证分析的核心方法。; 适合人群:具备一定MATLAB或Python编程基础,从事经济学、管理学、能源系统、智能制造及相关交叉学科研究的研究生、科研人员及高校教师。; 使用场景及目标:①复现经济学顶刊中关于数字化转型与企业高质量发展的实证模型;②学习如何量化数字化转型并构建其对企业绩效的影响评估框架;③掌握基于真实数据的计量经济建模、场景生成与优化调度仿真技术,全面提升科研论文写作与实证研究能力。; 阅读建议:建议读者结合文中提供的代码与数据资源,重点研读“论文复现”与“创新未发表”模块,按照技术路径循序渐进地实现模型复现与拓展。推荐关注“荔枝科研社”公众号及百度网盘链接获取完整资料,系统性地开展学习与科研实践。
下载代码方式:https://pan.quark.cn/s/9de6a9d0b3d8 依据所提供的文件内容,能够推导出此段程序的核心任务在于对一个任意的三位数进行拆解,并且分别呈现该数值的百位、十位及个位部分。随后,我们将对该知识点进行进一步的深入研究。 ### 一、程序功能说明 #### 1. 接收任意一个三位数输入 程序起始阶段运用`scanf`函数来获取用户输入的一个整数。为确保输入内容确实为一个三位数,在实际应用场景中通常需要嵌入验证机制来保障输入的有效性。然而,在本示例情形下,该环节被简化处理,预设用户总会准确输入一个三位数。 #### 2. 实施数字的拆分并提取各位置数值 程序借助一系列数学计算来对三位数进行拆分,将其转化为百位、十位和个位三个独立的构成部分。具体而言,通过除法和取模运算完成了这一过程。 #### 3. 展示各位置上的数值 程序运用`printf`函数来输出原始数值以及各个位上的数值。需要留意的是,代码中的输出部分似乎存在一些混淆,存在语法上的错误,例如多余的`printf`语句和乱码字符等问题。 ### 二、核心代码分析 #### 1. 数字拆分逻辑 ```c a[0] = n / 1000; // 提取千位数,但鉴于题目要求是三位数,此处应为百位数 a[1] = n % 1000 / 100; // 提取百位数 a[2] = n % 1000 % 100 / 10; // 提取十位数 a[3] = n % 1000 % 100 % 10; // 提取个位数 ``` 这段代码通过一连串的除法和取模运算,成功地将输入的数字n拆分为百位、十位和个位三个独立的构成部分,...
内容概要:本文提出了一种基于CNN-BiGRU-Attention混合神经网络模型的风电功率预测方法,采用多变量输入实现单步预测,并通过Matlab进行代码实现与验证。该模型融合卷积神经网络(CNN)以提取输入数据的局部时空特征,利用双向门控循环单元(BiGRU)充分捕捉风速、温度、湿度等多源气象与运行变量的时间序列前后依赖关系,并引入注意力机制(Attention)动态加权关键时间步的特征信息,有效提升模型对风电功率波动性和不确定性的建模能力,显著增强了预测的准确性与鲁棒性。; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事新能源发电预测、电力系统调度、智能电网优化等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于实际风电场功率预测系统,为电网调度、电力市场交易与可再生能源消纳提供高精度数据支撑;②作为深度学习在能源时序预测领域的典型案例,用于科研项目开发、学术论文复现与技术创新;③深入理解多变量时间序列预测中特征融合、序列建模与注意力权重分配的协同机制,掌握先进神经网络架构的设计与优化方法。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点剖析数据预处理流程、模型网络结构搭建、训练参数调优及注意力权重可视化等关键环节,鼓励尝试替换不同特征输入、调整网络深度或引入其他优化算法(如贝叶斯优化、粒子群优化等)以进一步提升模型性能。
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