软件设计师软考题目解析01 --每日五题

简介: 本文解析了五个软件设计师软考题目,包括模块内聚度的排序、递归调用的正确返回机制、流水线执行指令的特点、显示器垂直分辨率的定义以及CISC和RISC指令集的对比,最后作者分享了自己对Java市场的看法和个人职业规划。

想说的话:要准备软考了。0.0,其实我是不想考的,但是吧,由于本人已经学完所有知识了,只是被学校的课程给锁在那里了,不然早找工作去了。寻思着反正也无聊,就考个证玩玩。

本人github地址:nanshaws (cover) (github.com)

各位想学习的,可以在上面联系我。

题一

内聚表示模块内部各部件之间的联系程度,()是系统内聚度从高到低的排序。

A 通信内聚、瞬时内聚、过程内聚、逻辑内聚

B 功能内聚、瞬时内聚、顺序内聚、逻辑内聚

C 功能内聚、顺序内聚、瞬时内聚、逻辑内聚

D 功能内聚、瞬时内聚、过程内聚、逻辑内聚

解析

内聚度从高到低的排序通常是:

  1. 功能内聚(Functional Cohesion):模块内的组成部分全部为完成单一且相关的功能服务,这是最高等级的内聚。
  2. 顺序内聚(Sequential Cohesion):模块内的组成部分必须按照特定的顺序执行,因为它们共享数据并且处理过程密切相关。
  3. 通信内聚(Communicational Cohesion):模块内的组成部分所共享的数据非常多,以至于它们彼此频繁地交换信息。
  4. 过程内聚(Procedural Cohesion):模块内的组成部分涉及到不同的任务,但这些任务是相关的过程或步骤。
  5. 瞬时内聚(Temporal Cohesion):模块内的组成部分因为同时(或在同一时间间隔)运行而放在一起,它们之间可能没有逻辑上的联系。
  6. 逻辑内聚(Logical Cohesion):模块内的组成部分在逻辑上做类似的事情,但每一项任务都是独立的,仅仅是由于处理方式相似而被组合在一起。

根据以上解释,系统内聚度从高到低的正确排序是:

C 功能内聚、顺序内聚、瞬时内聚、逻辑内聚

因此,最终答案选C。

忘记了,这是高级系统分析师的题目。搞错了,下面才是软件设计师的题目。😜

题二

在程序的执行过程中,系统用()实现递归调用函数的正确返回。

A 队列

B 优先队列

C 栈

D 散列表

答案:C 栈,解析:一个函数被调用完,会将返回地址信息压入栈中,通过这个地址信息,将执行命令的指针偏移到那个地址中。然后再执行另外一个函数的时候,再依次操作。(学过汇编的都应该知道的)😁

题三

下列关于流水线方式执行指令的叙述中,不正确的是()

A 流水线方式可以提高单条指令的执行速度

B 流水线方式下可同时执行多条指令

C 流水线方式提高了各部件的利用率

D 流水线方式提高了系统的吞吐率

答案:A ,解析:干过流水线的人都知道,流水线方式是不可能提高每个人的执行速度的。每个人的执行速度是由每个人决定,比如说你花个一万雇用我,我会干的飞起,但是,你要是用4千雇用我的话,那可能速度就会变的很慢。什么,你没干过流水线?那应该看到过流水线工作吧!假如没看过,去上面,github上联系我,我带你看看。😉

题四

()是表示显示器在纵向(列)上具有的像素点数目指标。

A 显示分辨率

B 水平分辨率

C 垂直分辨率

D 显示深度

答案: C ,解析:从名字上就应该知道,纵向是垂直的,横向是水平的,这道题猜都能猜对,至于其他选项,我不打算回答,有事打我呀,反正你打不着。😎

题五

以下关于CISC(Complex Instruction Set Computer ,复杂指令集计算机)和RISC(Reduced Instruction Set Computer,精简指令集计算机)的概述中,错误的是()

A 在CISC中,其复杂指令都采用硬布线逻辑来执行

B 采用CISC技术的CPU,其芯片设计复杂度更高

C 在RISC中,更适合采用硬布线逻辑执行指令

D 采用RISC技术,指令系统中的指令种类和寻址方式更少

答案:A,在CISC中,其复杂指令都采用硬布线逻辑来执行。简单的来说,CISC用少的机器语言指令完成计算任务,因此其能一条指令干所有的事,比如说,一条指令执行吃饭,睡觉,聊天,因此其指令系统很复杂、RISC中数量较少、更为简单的指令集,就是分开,用三条命令执行吃饭,睡觉,聊天

而硬布线逻辑是一种利用电子电路的组合逻辑来实现计算机指令集的方法

在CISC(Complex Instruction Set Computer)架构中,尽管指令集较为复杂,但并不意味着所有指令都通过硬布线逻辑来实现。实际上,由于CISC的指令系统设计越来越复杂,为了保持兼容性,通常不会删除旧的指令。因此,采用微程序控制的方式更为常见,它允许更容易地对指令进行修改和增加。

好了,后面的大家想看就看下去吧

CISC(Complex Instruction Set Computer)的设计旨在用尽可能少的机器语言指令完成计算任务,这使得它的指令系统较为丰富和复杂。CISC中的指令可能包含多个操作,因此一条指令可以完成多件事情。这样的设计使得CISC能够直接执行一些复杂的指令,但并不一定全部通过硬布线逻辑来实现。

RISC(Reduced Instruction Set Computer)则采取了不同的策略,它拥有数量较少、更为简单的指令集。这些指令大多数通过硬件直接执行,只有很少一部分通过软件以组合的方式完成。由于RISC的指令简单且长度固定,它更易于进行流水线操作并优化编译器。

总体来说,CISC的指令集中包含了许多复杂指令,它们的实现不全都依赖于硬布线逻辑,而RISC的简化指令集更适合使用硬布线逻辑来快速执行指令。此外,RISC的设计使得芯片设计复杂度更低,而CISC的芯片设计复杂度更高。RISC技术在指令系统中的指令种类和寻址方式也更少。

心得总结(发泄情绪)

这节大家应该了解了java市场已经很卷了。😜,而我已经全会了,但是被学校锁在这里,就很烦,随着时间的流逝,不知道我大四的时候,还能不能找到工作,实在不行转安卓和.net或者游戏行业也是可以的,正好我会点c#和kotlin,和libgdx and unity

目录
相关文章
|
23天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
16天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。
|
20天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2574 22
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
18天前
|
人工智能 IDE 程序员
期盼已久!通义灵码 AI 程序员开启邀测,全流程开发仅用几分钟
在云栖大会上,阿里云云原生应用平台负责人丁宇宣布,「通义灵码」完成全面升级,并正式发布 AI 程序员。
|
3天前
|
JSON 自然语言处理 数据管理
阿里云百炼产品月刊【2024年9月】
阿里云百炼产品月刊【2024年9月】,涵盖本月产品和功能发布、活动,应用实践等内容,帮助您快速了解阿里云百炼产品的最新动态。
阿里云百炼产品月刊【2024年9月】
|
2天前
|
存储 人工智能 搜索推荐
数据治理,是时候打破刻板印象了
瓴羊智能数据建设与治理产品Datapin全面升级,可演进扩展的数据架构体系为企业数据治理预留发展空间,推出敏捷版用以解决企业数据量不大但需构建数据的场景问题,基于大模型打造的DataAgent更是为企业用好数据资产提供了便利。
159 2
|
20天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1575 16
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
22天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
965 14
|
3天前
|
Linux 虚拟化 开发者
一键将CentOs的yum源更换为国内阿里yum源
一键将CentOs的yum源更换为国内阿里yum源
206 2
|
17天前
|
人工智能 开发框架 Java
重磅发布!AI 驱动的 Java 开发框架:Spring AI Alibaba
随着生成式 AI 的快速发展,基于 AI 开发框架构建 AI 应用的诉求迅速增长,涌现出了包括 LangChain、LlamaIndex 等开发框架,但大部分框架只提供了 Python 语言的实现。但这些开发框架对于国内习惯了 Spring 开发范式的 Java 开发者而言,并非十分友好和丝滑。因此,我们基于 Spring AI 发布并快速演进 Spring AI Alibaba,通过提供一种方便的 API 抽象,帮助 Java 开发者简化 AI 应用的开发。同时,提供了完整的开源配套,包括可观测、网关、消息队列、配置中心等。
727 10