基于正交试验设计的区域分解遗传算法

论文根据区域分解的特点,将正交试验设计应用于区域分解遗传算法中,提出了一种基于正交设计的遗传算法。该算法利用正交试验设计来进行区域组合,通过较少的区域组合达到全局搜索的目的,解决区域分解遗传算法由于区域组合所带来的工作量大的问题,从而达到提高区域分解遗传算法的效率,改善算法的性能的目的。文中最后通过数值仿真计算,验证了算法的实用性。     

一种新的正交多目标最优化遗传算法

文章首先构造了一个新的适应值函数,它以标准化后的目标函数的加权极大值作为个体的适应值,通过独特选取多组权重向量和正交试验方法,保持了种群的多样性,使得搜索方向在目标空间中均匀指向有效界面。该算法的显著特性是不管有效界面是否凸,都能找到足够多均匀分布的有效解。数值实验也表明了该算法非常有效。     

基于正交试验的免疫遗传算法在调度问题中的应用

提出了优先权值编码与三个体交叉算子相结合的免疫遗传算法．该编码方法不仅满足车间作业调度问题(Job shop Scheduling Problem, JSP)中工序优先约束的要求,而且可以有效避免非可行解的产生．三个体交叉的交叉算子在保证后代群体多样性的前提下,在很大程度上继承了父代的优良特性．基于正交试验的免疫算子丰富了抗体群的多样性,从而大大提高了算法克服局部收敛的能力．在算法参数的选取上,采用正交试验法来确定参数值,加快了收敛速度．对车间作业调度的几个典型问题进行了仿真,并与其它算法进行了比较．实验结果表明了该算法的有效性,仿真结果令人满意．     

一种基于选择的遗传算法

鉴于标准遗传算法比较容易产生早熟现象和模式欺骗而收敛于局部最优解,论文对标准遗传算法的遗传操作进行了改进,提出了基于选择的遗传算法(GA_S)。在该算法中,首次提出了基因选择算子、广义精英算子、引进选择算子、基于精英集的成长期变异等概念,并对其进行了比较详细的描述。之后,使用7个经典测试函数对其进行了大量实验。实验表明算法对早熟和模式欺骗具有较强的突破能力。     

基于正交法的软件测试用例设计

测试所花费的工作量经常比其他任何软件工程活动都多。若测试是无计划地进行,既浪费时间,又浪费不必要的劳动。因此,为测试软件建立系统化的测试策略是合情合理的。该文提出基于正交试验设计法的软件测试用例生成技术,并详细阐述运用正交表设计测试用例的方法,并通过一个应用实例来说明其在软件测试中的应用。     

基于正交试验法的测试用例设计

介绍了软件测试中正交表测试用例设计方法,该方法用较少的测试用例就可以对软件进行较全面、有代表性的测试,并能够对测试结果进行直观分析,找影响该结果的主次要因素。     

一种求解复杂函数最优解的遗传算法

遗传算法提出至今，已在众多领域获得广泛应用，文中结合正交设计及模拟退火等，对遗传算法中的技术重新加以设计。     

遗传算法函数寻优性能影响因素分析——基于正交试验的方法

遗传算法在函数寻优领域得到了广泛应用,选取合适的参数对提高遗传算法寻优性能至关重要。以四个经典函数为例,基于正交试验原理分析了遗传算法五个参数对其寻优时间和迭代次数的影响。结果表明：对寻优搜索时间影响最大的参数为变异概率,其次为种群大小,交叉算子的选择、交叉概率和编码长度影响相对较小;对寻优迭代次数影响较大的三个参数为变异概率、种群大小和编码长度,而交叉概率和交叉算子的选择影响相对较小。分析了使遗传算法性能最优时参数组合的原则。     

多点正交交叉的遗传算法

利用正交实验法的全局均衡思想,提出了一种采用多点正交交换的遗传算法。算法通过正交表安排遗传算法的交换运算,并在所产生的多个子代中选择适应度大的进入下一次进化,这样既加快了算法的收敛速度又保证了种群的多样性。实验证明,该算法不但可以有效地克服标准遗传算法的缺陷,而且计算速度、精度和算法稳定性也得到了显著提高。     

适用于大样本体系的实验设计方法

实验设计,尤其是混合水平实验设计,已经在科研领域和制造业中得到了广泛使用.虽然很多学者已经提出了许多实验设计理论以及实验设计用表,但是对于含有混合水平的大样本体系的实验设计方法仍然是相当困难的.本文根据Yong Guo提出的实验设计方法,并依据正交设计理论和遗传算法,把此方法改进为适用于大样本体系的实验设计方法.为了配合遗传算法,而改进了交叉与变异操作:为了从复杂体系的全实验设计中高效地获取某一次实验设计,引进了数学方法中的求余运算.最后,当把此实验设计方法应用于一个真实的、多因子多水平的体系时,获得了比较满意的实验方案.因此,对于大样本体系,此实验设计方法所得到的实验方案是可以被接受的.     

求解全局优化问题的混合自适应正交遗传算法

提出了一种基于正交实验设计的混合自适应正交遗传算法(hybrid self-adaptive orthogonal genetic algorithm,简称HSOGA)以求解全局优化问题,此算法利用正交实验设计方法设计交叉算子,并提出一种自适应正交交叉算子.该自适应正交交叉算子根据父代个体的相似度自适应地调整正交表的因素个数和对父代个体进行因素分割的位置,生成具有代表性的子代个体,以更好地搜索空间.此外,新算法利用自适应正交交叉算子生成均匀分布的初始种群,以保证初始群体的多样性.同时引入了局部搜索策略以提高算法局部搜索能力和收敛速度.通过14个高维的Benchmark函数验证了算法的通用性和有效性.     

遗传正交试验算法及其应用

遗传算法是一种能够在较大的参数空间中搜索到问题最优解的方法,在解决非线性问题时具有全局收敛性,但收敛性能差。论文提出一种结合遗传与正交试验两种算法优点的新混合遗传算法,应用表明该算法收敛能力强、寻优能力强及能产生大量次优解,是一种值得信赖的算法。     

基于HGA的最小旅行时间多旅行商问题研究

为了解决最小化旅行时间的多旅行商一类问题,提出了一种递阶遗传算法和矩阵解码方法。该算法根据问题的特点,采用一种递阶编码方案,此编码与多旅行商问题一一对应。用递阶遗传算法优化多旅行商问题不需设计专门的遗传算子,操作简单,并且解码方法适于求解距离矩阵对称和距离矩阵非对称的多旅行商问题。计算结果表明,递阶遗传算法是有效的,能适用于优化最小化完成时间的多旅行商问题。     

多目标设备经费分配的混合遗传优化方法

为了探索新的经费分配方法和管理模式,建立了一种新的多目标非线性规划优化模型,提出了一种先进的基于正交试验的新型混合遗传算法来求解该问题。对求解过程中的选择算子、交叉算子和变异算子等进行正交试验,得到的种群个体明显优于基本遗传算法的个体。仿真结果表明,该算法收敛寻优能力强,并能产生很多次优解,是一种高效的方法。     

HMOFA:一种混合型多目标萤火虫算法

现实中不断涌现出数目众多且日益复杂的多目标优化问题,迫切需要发展新型多目标优化算法以应对挑战.将基本萤火虫算法拓展至多目标优化领域,提出一种混合型多目标萤火虫算法HMOFA（hybrid multi-objective firefly algorithm）.该算法提出使用混合水平正交实验设计和连续决策空间量化的方法生成接近于用户指定规模且均匀分布于搜索空间的初始种群,为后续的进化提供良好的起始点;利用外部档案中的精英解个体引导萤火虫移动,促使算法较快收敛;运用3点最短路径方法维持外部档案的多样性.HMOFA算法与另外5种代表性多目标进化算法一同在17个基准多目标测试题上进行性能比较,实验结果表明,HMOFA算法在收敛性、多样性和鲁棒性方面总体上具有较显著的性能优势.     

一种基于分解和协同的高维多目标进化算法

现实中大量存在的高维多目标优化问题对以往高效的多目标进化算法提出了严峻的挑战.通过将分解策略和协同策略相结合提出一种高维多目标进化算法MaOEA/DCE.该算法利用混合水平正交实验方法在聚合系数空间产生一组均匀分布的权重向量以改善初始种群的分布性;其次,算法将差分进化算子和自适应SBX算子进行协同进化,以产生高质量的子代个体,并改善算法的收敛性.该算法与另外5种高性能的多目标进化算法在基准测试函数集DTLZ{1,2,4,5}上进行对比实验,利用改进的反转世代距离指标IGD+评估各算法的性能.实验结果表明,Ma OEA/DCE算法与其他对比算法相比,在总体上具有较为显著的收敛性和分布性优势.