组合测试用例生成的向量累加优化算法

为解决所有参数两两组合覆盖并且部分参数三三组合覆盖的特殊组合测试问题,提出将组合测试问题转换为向量累加优化问题的处理方法,利用向量累加优化问题解的映射得到组合测试问题的解.针对向量累加优化问题,构造剔除法、添加法和正交法3种具体算法.数值实验结果表明,组合测试用例生成的向量累加优化算法的两两组合和三三组合的测试用例优化能力较强,能够有效解决各种混合组合要求的特殊问题.     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

蚁群优化算法在求解随机组合优化问题中的应用综述*

不确定条件下的优化问题更贴近真实世界环境,因而日益受到广泛关注。综述了蚁群优化在求解一组不确定条件下的组合优化问题,即随机组合优化问题方面的应用。首先介绍了不确定条件下组合优化问题的概念分类模型,给出了随机组合优化问题的一般定义;然后指出了其与求解传统确定性组合优化问题的不同之处,即目标函数的计算存在不确定性,并详细论述了目前解决方法的进展;最后分析了该领域值得重点关注的几个研究方向,并对其未来发展进行了展望。     

DNA计算与背包问题

该文通过对背包问题这一典型的NP完全问题的DNA计算研究,针对属于组合优化一类的ZKP问题给出了一种DNA计算方法,该算法解决了组合优化一类DNA计算的加权赋值问题,并根据DNA计算的特点给出了一般加权赋值型组合优化问题的DNA计算模式。     

基于深度强化学习的组合优化研究进展

组合优化问题广泛存在于国防、交通、工业、生活等各个领域, 几十年来, 传统运筹优化方法是解决组合优化问题的主要手段, 但随着实际应用中问题规模的不断扩大、求解实时性的要求越来越高, 传统运筹优化算法面临着很大的计算压力, 很难实现组合优化问题的在线求解. 近年来随着深度学习技术的迅猛发展, 深度强化学习在围棋、机器人等领域的瞩目成果显示了其强大的学习能力与序贯决策能力. 鉴于此, 近年来涌现出了多个利用深度强化学习方法解决组合优化问题的新方法, 具有求解速度快、模型泛化能力强的优势, 为组合优化问题的求解提供了一种全新的思路. 因此本文总结回顾近些年利用深度强化学习方法解决组合优化问题的相关理论方法与应用研究, 对其基本原理、相关方法、应用研究进行总结和综述, 并指出未来该方向亟待解决的若干问题.     

混沌优化算法及其在组合优化问题中的应用

混沌优化方法(COA)是针对数值优化问题提出的，在解决数值优化问题上具有一定的普遍性，能够很快地搜索到全局最优解，而利用COA解决组合优化问题存在一定的难度，该文提出了混沌优化算法解决组合优化问题的方法，该方法先产生组合优化问题的初始解，再利用混沌变量产生新解或对原解进行混沌扰动，产生新解，然后在解空间中进行最优搜索。将该方法应用到2个典型的组合优化问题(TSP问题，0/1背包问题)的求解中，仿真实验表明了该方法的有效性。     

基于QPSO算法的单阶段投资组合优化

投资组合优化问题是NP难解问题,通常的方法很难较好地接近全局最优.在经典微粒群算法(PSO)的基础上,研究了基于量子行为的微粒群算法(QPSO)的单阶段投资组合优化方法,具体介绍了依据目标函数如何利用QPSO算法去寻找最优投资组合.在具体应用中,为了提高算法的收敛性和稳定性对算法进行了改进.利用真实历史数据进行验证,结果表明在解决单阶段投资组合优化问题时,基于QPSO算法的投资组合优化的性能比PSO算法更加优越,且QPSO算法在投资组合优化领域具有很大的实际应用价值.     

玻璃排版优化中遗传算法的应用

研究了应用遗传算法求解非线性多目标组合优化问题———玻璃排版优化问题 ,详细讲解了如何设计求解该优化系统中三个典型组合优化子问题的遗传算法 ,并对三个子问题的求解关系进行了分析 ,总结出遗传算法的不同构造方法对系统优化结果的影响。     

以TSP为代表的组合优化问题研究现状与展望

旅行商问题(TSP)是运筹学的著名命题,也是目前研究最为广泛的组合优化问题之一.对TSP的研究成果将对求解NP类问题产生重要影响.首先给出组合优化问题和TSP问题的基本概念.然后综述了以TSP为代表的组合优化问题的研究历史和现状,并着重对传统方法和启发式现代智能优化算法做了比较.最后对智能优化算法中的研究热点以及在TSP问题上的应用做了展望,预测了未来技术难点,并对今后可进一步研究的问题做了探讨.     

BPEL服务组合优化架构

针对当前服务组合存在的问题,提出了一个基于BPEL的服务组合优化框架。框架主要包括分布式UDDI服务注册中心,BPEL设计器,服务组合解析模块,服务组合优化模块等。从平台框架的提出设计到平台的实现贯彻了SOA的设计思想,优化服务组合,提高运行效率。     

基于单亲遗传算法的RoboCup动态角色分配

RoboCup的机器人动态角色分配问题是一个典型的组合优化问题。解决这一问题的传统方法是贪心法,但贪心法易陷入局部最优解。提出用针对组合优化问题而构造的序号编码单亲遗传算法解决RoboCup的机器人动态角色分配问题。单亲遗传算法借鉴了传统遗传算法“优胜劣汰”的自然选择机制,但只通过单个体繁殖后代,在解决组合优化问题和复杂工程优化问题方面具有明显的优越性。试验结果显示这种方法的在解决RoboCup机器人动态角色分配问题时的有效性。     

数据集成系统中的服务组合方法

利用服务本体语义相似度来表示计算服务之间的关联度,并以关联度为权值基于图论的方法构建服务组合图,然后通过服务组合图转化为组合优化树的方法将服务组合问题转化为树的深度搜索问题,针对该搜索问题提出了一个有效的优化搜索方法,实现了服务动态组合.仿真实验结果表明,与已有方法相比,该方法可以自动地根据服务请求实现服务的动态组合,同时保证了服务组合的效率和质量.     

基于微粒群算法的单阶段投资组合优化

投资组合优化问题是NP难解问题,通常方法很难达到全局最优,文章对微粒群算法在投资组合优化中的具体应用进行了研究,在具体应用过程中为了提高算法的收敛性和稳定性对算法进行了改进,通过多次具体的真实历史数据的验证和试验结果分析。结果表明在解决单阶段投资组合优化问题中,微粒群算法是一种高效的、可靠的优化算法,具有一定的实用价值。     

受扰奇异摄动时滞组合大系统的近似最优控制

研究一类受扰奇异摄动时滞组合大系统的近似最优控制问题．基于奇异摄动的快慢分解理论．将原组合大系统的最优控制问题分解为组合线性快优化子问题和降阶的受扰时滞组合慢优化子问题．通过采用前馈补偿方法抑制外部扰动，采用参数摄动法求解组合慢优化子问题，得到了系统的前馈反馈组合（FFCC）控制律．通过引入降维扰动观测器解决了FFCC律的物理可实现问题．仿真算例验证了所提出方法的有效性．     

基于遗传算法的复杂型腔类零件刀具优化

针对复杂型腔数控加工的刀具组合优选问题,提出了一种基于遗传算法的复杂型腔类零件刀具优化方法.首先通过偏置环算法构建可行的型腔加工刀具集;其次为解决型腔类零件每个特征与整体最优刀具组合的差异性问题,建立以加工效率和刀具成本为优化目标的复杂型腔零件刀具组合优化模型,并通过有向图和改进的遗传算法对多刀具组合优化模型进行求解;最终,以某复杂型腔零件数控加工刀具组合优选为例进行实验,验证了方法的可行性.     

通过类搜索算法实现组合测试数据集的全局优化

测试数据集的生成是软件组合测试的一个关键问题.为了提高测试数据的生成质量,提出了一种通过类搜索过程驱动的全局优化机制.在这个方法中,一个二进制编码机制被用于将组合测试数据生成问题转换为一个二进制基因序列的优化问题.同时,为了有效求解此问题,设计了一种新颖的全局优化算法—类搜索算法.此文主要论述了优化问题转换机制的可行性和有效性,并介绍了类搜索算法的计算机制.通过大量的仿真实验显示所提出的方法是可行的,且针对小规模组合测试问题,它是一种更为高效的组合测试数据集生成方法.     

基于改进北极熊算法的制造云服务组合优化

为了提高云制造环境下制造服务组合优化的效率,提出了一种基于改进北极熊算法的制造云服务组合优化方法。该方法对制造服务进行实数编码,并以服务功能和服务质量为评价指标,使用改进的北极熊算法对制造云服务组合优化问题进行求解,得到最优的服务组合方案。同时通过引入动态视野,对算法的局部搜索进行调整,并与遗传算法中的变异策略相结合,以提高求解多目标问题的效率,同时降低因初始参数影响而导致算法陷入局部最优的可能。算例分析表明,改进的北极熊算法在求解制造云服务组合优化问题上比原始北极熊算法、标准遗传算法、改进的灰狼优化算法和改进的粒子群优化算法具有更高的效率。     

蚁群算法在TSP问题中的应用

TSP问题(旅行商问题)是组合优化问题中最经典的NP问题之一,蚁群算法是基于群体的一种仿生算法,为求解复杂的组合优化问题提供了一种新思路,本文讨论了如何用基本的蚁群算法来求解TSP问题。     

基于QoS的多目标服务组合算法

服务组合优化问题是当前服务计算领域的研究热点之一。针对现有优化技术将多个约束条件转化为单一优化目标难以处理多目标问题的不足,提出了一种基于多目标优化的粒子群算法,将多约束服务组合选取问题转化成为一种带约束的多目标优化问题,利用粒子群算法的智能优化原理,通过同时优化多个服务质量参数,产生一组最优非劣解集。实验结果表明了算法在处理多目标优化问题的有效性。     

基于旅行商问题的粒子群优化算法

旅行商问题(Traveling Salesman Problem,TSP)是一类离散的、NP(Non-deterministic Polynomial)完全的组合优化问题,有着广泛的应用背景和许多的求解方法。该文介绍了用粒子群优化算法求解旅行商问题,并与模拟退火算法和遗传算法相比较,通过实验结果说明了粒子群优化算法在解决大规模组合优化问题上的有效性和可行性。