基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

不确定关联大系统的分散鲁棒控制

本文考虑了一类不确定关联大系统的分散鲁棒控制问题，提出了一种采用局部状态反馈的局部最优，全局次优的分散鲁棒控制器设计方法，并用一个数值例子及仿真结果验证了这种方法。     

基于语义聚类的遗传规划算法比较

针对遗传规划算法容易陷入局部最优解与局部搜索过慢的问题,提出一种基于语义聚类的遗传规划算法(genetic programming algorithm based on semantic clustering, SCGP),比较不同聚类算法对SCGP表现的影响。同时提出一种基于子种群规模的自适应适应度函数,提高局部搜索能力。在多个基准问题上对比标准遗传规划、几何语义遗传规划、K均值聚类遗传规划与SCGP,实验结果表明,SCGP算法在拟合能力和泛化能力上都有较大改善。在诸多聚类方法中,层次聚类嵌入的SCGP算法在基准问题上的泛化能力最优,与标准遗传规划、几何语义遗传规划、K均值聚类遗传规划相比,分别提高了32.36%、61.29%、20.53%。     

基于遗传分枝定界算法的F1ow—shop调度问题

F1ow—shop调度问题属于NP难题，传统的方法很难求出精确最优解，提出了一种遗传分枝定界算法，即在遗传算法中引入分枝定界算法保持对优化解有贡献的工件部分顺序，求解3机F1ow—shop调度问题，该算法与常用的遗传局部算法和遗传动态规划算法类似，用随机方法测试例子，与目前著名的Taillard的禁忌搜索算法和Reeves的遗传算法两种改进算法进行比较，大量的数据实验证实了遗传分枝定界算法的有效性。     

一种新的动态权重更新相关反馈方法*

提出了正负相关图像所占比例与特征值的标准方差相结合来调整对应权值的方法.为了避免相关反馈的权值调整陷入局部最优状态,引入一个干扰因子,使权值跳出局部最优区域.结果表明了该方法的优越性.     

自适应蚁群算法在多目标跟踪中的应用

在多目标状态跟踪估计方法的研究中,多目标数据关联容易陷入局部最优状态以及跟踪精度不高的缺点,提出一种改进蚁群算法的数据关联方法.改进方法为:在传统蚁群算法的基础上,引入标识判定系数来调节信息素浓度的增量,避免某条路径上信息素浓度增长过快,从而陷入局部极值的情况,同时对挥发因子进行自适应控制,保持搜索的平衡性和全局性,避免搜索落入局部最优从而陷入停滞状态.仿真结果表明,改进的蚁群算法在多目标跟踪中,既可有效地避免搜索落入局部最优的弊端,又明显地提高了跟踪精度.     

虚拟企业伙伴选择的遗传粒子群混合算法

针对标准粒子群优化算法易陷入局部最优的缺点,提出了一种遗传粒子群混合算法。通过对算法中惰性粒子和局部最优粒子分别进行交叉变异,以及消除粒子速度对寻优的干扰,从而避免了粒子种群单一化和局部最优的问题。将该算法应用于虚拟企业伙伴选择实验,结果表明在进化代数和最优值方面是令人满意的。     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

状态定义粒子群算法在非线性方程组中的应用

提出了一种新颖的状态定义粒子群优化算法。该算法针对粒子群算法容易陷入局部最优和搜索精度不高的缺点,结合爬山算法和粒子群算法的特点,根据粒子状态的实时更新采用不同的搜索方法,在迭代过程中搜索到尽可能多的局部最优解,从而使算法可以更容易地跳出局部最优,更高效地搜索到全局最优解。对测试函数和非线性方程组求解问题进行实例仿真,仿真结果验证了算法的有效性,具有一定的实际应用价值。     

自适应最优保存的模拟退火遗传调度算法研究及其应用

该文对调度算法做了简单的介绍。在结合已有的模拟退火算法和遗传算法的基础上,改进了现有的遗传调度算法,自适应地保存最优个体,并对其进行模拟退火。与简单最优保存遗传调度算法进行了比较,结果表明新的算法比原有算法搜索能力更强,在跳出局部最优方面也有改进,有效地解决了原有遗传调度算法的早熟现象。     

基于VB的遗传算法软件实现及其应用

遗传算法是一种模拟达尔文理论的自然进化机制的搜索和优化方法，它在搜索优化问题的全局或附近的最优解上具有良好的优势条件，因此它在很多诸如组合优化，图像处理和故障诊断等的领域都得到了应用，本文对遗传算法基本的数学基础理论，主要特点，算法实现的VB编程和实际应用进行了描述。     

求解二层规划的混合微粒群算法

对于二层规划问题有许多经典的求解方法,如极点搜索法、分支定界法和罚函数法等。文中给出了基于微粒群算法的二层规划的一种新的求解方法。提出了分别先用单纯形法和内部映射牛顿法的子空间置信域法求解下层规划,然后用微粒群算法求解上层规划的求解方法,这两种混合微粒群算法分别用于求解线性二层规划和非线性二层规划。并结合实例的对比分析,说明了这两种混合微粒群算法求解二层规划的可行性和有效性。     

一种新的改进遗传算法及其应用

研究并提出了一种基于模式的改进遗传算法,该算法加强了好的模式对群体的影响,在收敛速度和防止陷入局部最优解取得了平衡.在一个经典测试函数的仿真实验中,与基本遗传算法(SGA)和自适应遗传算法(AGA)相比,该改进遗传算法表现了良好的效果.     

Formally Analyzed Dynamic Synthesis of Hardware

Historically, compilers have operated by applying a fixed set of optimizations in a predetermined order. We call such an ordered list of optimizations a compilation sequence. This paper describes a prototype system that uses biased random search to discover a program-specific compilation sequence that minimizes an explicit, external objective function. The result is a compiler framework that adapts its behavior to the application being compiled, to the pool of available transformations, to the objective function, and to the target machine.This paper describes experiments that attempt to characterize the space that the adaptive compiler must search. The preliminary results suggest that optimal solutions are rare and that local minima are frequent. If this holds true, biased random searches, such as a genetic algorithm, should find good solutions more quickly than simpler strategies, such as hill climbing.     

基于遗传算法与粒子群算法的支持向量机参数选择

支持向量机(SVM)参数的选择是评价SVM性能的一个很重要的因素。SVM在解决小样本、非线性等问题中起到的效果是很好的。但是,该方法的缺点是在解决大样本数据集时消耗时间长,且易陷入局部最优解。为了降低SVM在这方面的不足,本文提出了遗传算法和粒子群算法相结合(PSOGA)对参数进行优化求解,并将该算法建立的模型应用到实验中。仿真结果说明该方法避免了陷入局部解,提高了收敛速度并缩短了优化时间,是一个很有效的方法。     

多元多峰值目标函数在MATLAB中的优化

采用MATLAB的遗传算法,利用强大的数学计算能力和遗传工具箱,在全局搜索空间内寻找极值点,能够有效地对多元多峰值函数进行优化,避免了利用传统优化方法在多元多峰值函数优化过程中陷入局部极值点的优化误区。同时简要介绍了遗传算法的特点、流程和优化工具箱,通过实际编程优化,说明基于MATLAB的遗传算法是一种具有良好的全局寻优的优化工具。     

BLISS/S: a new method for two-level structural optimization

The paper describes a two-level method for structural optimization for a minimum weight under the local strength and displacement constraints. The method divides the optimization task into separate optimizations of the individual substructures (in the extreme, the individual components) coordinated by the assembled structure optimization. The substructure optimizations use local cross-sections as design variables and satisfy the highly nonlinear local constraints of strength and buckling. The design variables in the assembled structure optimization govern the structure overall shape and handle the displacement constraints. The assembled structure objective function is the objective in each of the above optimizations. The substructure optimizations are linked to the assembled structure optimization by the sensitivity derivatives. The method was derived from a previously reported two-level optimization method for engineering systems, e.g. aerospace vehicles, that comprise interacting modules to be optimized independently, coordination provided by a system-level optimization. This scheme was adapted to structural optimization by treating each substructure as a module in a system, and using the standard finite element analysis as the system analysis. A numerical example, a hub structure framework, is provided to show the new method agreement with a standard, no-decomposition optimization. The new method advantage lies primarily in the autonomy of the individual substructure optimization that enables concurrency of execution to compress the overall task elapsed time. The advantage increases with the magnitude of that task. Received December 5, 1999?Revised mansucript received April 26, 2000     

Parallelizing Operational Weather Forecast Models for Portable and Fast Execution

This paper describes a high-level library (The Nearest Neighbor Tool, NNT) that has been used to parallelize operational weather prediction models. NNT is part of the Scalable Modeling System (SMS), developed at the Forecast Systems Laboratory (FSL). Programs written in NNT rely on SMS's run-time system and port between a wide range of computing platforms, performing well in multiprocessor systems. We show, using examples from operational weather models, how large Fortran 77 codes can be parallelized using NNT. We compare the ease of programmability of NNT and High Performance Fortran (HPF). We also discuss optimizations like data movement overlap (in interprocessor communication and I/O operations), and the minimization of data exchanges through the use of redundant computations. We show that although HPF provides a simpler programming interface, NNT allows for program optimizations that increase performance considerably and still keeps a simple user interface. These optimizations have proven essential to run weather prediction models in real time, and HPF compilers should incorporate them in order to meet operational demands. Throughout the paper, we present performance results of weather models running on a network of workstations, the Intel Paragon, and the SGI Challenge. Finally, we study the cost of programming global address space architectures with NNT's local address space paradigm.     

解Job-shop调度问题的自适应遗传方法

研究Ｊｏｂ－ｓｈｏｐ调度问题。首先分析遗传算法的参数值优化问题，然后结合遗传算法和调度的特性，构造解Ｊｏｂ－ｓｈｏｐ调度问题的自适应遗传方法，最后针对几个典型调度问题提出解决方案。仿真实验表明了此法用于复杂调度问题的优越性。