带特征指标约束描述的设计模式分类挖掘

为解决设计模式挖掘正确率较低的问题, 提出一种带特征指标约束描述的设计模式分类挖掘方法。归纳了47种特征指标, 给出了设计模式约束定义, 对设计模式特征进行了描述, 以Adapter模式、Command模式、Factory Method模式为例, 分结构型、行为型与创建型3类挖掘设计模式, 设计了3个基准系统与4个经典系统的设计模式挖掘试验。试验结果表明, 本研究方法对基准系统的Adapter模式、Command模式、Factory Method模式挖掘正确率为96.13%、91.67%、72.23%, 对经典系统挖掘正确率分别为84.3%、81.26%、73.17%, 与传统方法比较, 本研究方法取得了较好的效果。     

GEP算法解码结构复用研究

适应度评价大体可以分成解码和计算适应度值两个部分, 是进化计算中运算量最大、重复率最高的过程之一。为了有效利用已有计算结果的角度避免大量重复建树和遍历运算, 改进了GEP解码算法基本流程以降低GEP的运算量, 达到了提升运算效率的目的。采用仿真的方式对引入复用机制的GEP和传统GEP算法进行了对比实验, 从解码次数、解码所用时间等两个方面进行对照, 发现引入复用机制的GEP算法在解码次数上比传统GEP有多个数量级的优势, 在解码所需时间上也有较大的改进。     

NL:松弛时序逻辑自然推理系统

由于时序逻辑的特性所在,经典逻辑的某些规则不能直接用于时序自然推理,虽然N系统给出了一个解决办法——把所有规则或推理分为两类:垂直型和水平型,但这种二维模式又为推理带来了某些困难。本文提出了N_L松弛时序逻辑自然推理系统,它为以上两类推理提供了统一视角,我们可以证明:N_L与N等价;有N的证明则必有长度不超过它的N_L证明。     

并行程序验证的调度策略

针对形式化程序验证中的并行调度问题,提出了基于依赖集的算法。通过引入依赖图和依赖集概念,以形式化方式描述程序语句间的依赖关系,然后给出了从语法分析树构造依赖图和依赖集的算法;最后在此基础上设计了并行调度算法并应用于计算机辅助程序验证系统。实验结果表明,该方法具有较高的并行效率。     

基于依赖分析的并行化验证策略

提高验证过程的并行性是提高程序验证效率的重要手段之一。为此,提出一种基于控制结构依赖分析的方法来组织程序的并行验证,在验证过程中,并行验证完的控制结构直接触发支持控制结构,无须等待其他操作,从而可以提高程序验证的并行性。此外,还给出提取控制结构依赖图算法和验证过程调度算法,并用实验证明其正确性和高效性。     

基于免疫-蚁群算法的度约束最小生成树算法

针对度约束最小生成树问题,借鉴人体免疫系统的适应能力和蚁群算法的全局寻优能力,提出了一种基于免疫-蚁群算法的求解方法.该算法采用Prüfer数对树进行编码及度的改进,利用免疫算法和蚁群算法的融合提高算法的执行速度和进化效率.实验结果表明,用该算法解决度约束最小生成树问题是有效的.     

多表达式程序设计的新型评估方法

多表达式程序设计(MEP)是应用十分广泛的自动程序设计方法。从MEP的染色体表示规则及种群演化方式来看,每个染色体中的任何基因都有可能多次被当前或其它后续种群中的其他基因引用,从而造成重复计算,耗费大量时空资源。由此提出并实现了一种新型评估方法,该新型评估方法在不改变传统MEP的染色体表示规则和种群演化方式的情况下,能够准确有效地识别演化过程中所有被重复引用的基因,从而避免了大量重复计算,显著提高了演化效率。     

设计模式变体的描述与验证*

为解决标准设计模式演化后难以检测的问题,引入设计模式变体思想,以Bridge模式为例,给出了八种常用的变体实现,并以人工形式挖掘了四种开源系统中Bridge模式变体的基准数,接着在Apache Ant1.6.2与JHotDraw5.1开源系统中通过六种主流设计模式检测工具进行了变体检测实验。试验结果表明,FCA-CBR方法简单有效,对2种开源系统中Bridge模式变体检测的精确率达到60%与48.1%,与先前方法相比有了较大的提高。     

基于图形硬件的双调排序算法优化

介绍一种新的并行排序算法,该算法以双调归并排序为基础,运用图形硬件的并行体系结构和二叉排序树数据结构的优点,用部分并行代替所有阶段的顺序执行,对双调排序算法进行优化.对该算法进行分析,在理论上n个序列在P个流处理器上的排序,最优的时间复杂度为O((nlogn)/p).实验测试结果表明,优化后的算法比其它基于图形硬件的双调归并排序算法所用时间短.     

基于异联想记忆Hopfield网络的强化学习

针对自主机器人的动态避障问题,借鉴异联想记忆Hopfield神经网络对样本模式的记忆能力和强化学习解决问题的突出能力提出了一种新的融合学习方法即异联想记忆神经网络--强化学习方法.通过在强化学习中引入记忆来增强学习方法的能力,可以使自主机器人快速和适应的学习,从而实现机器人的动态避障.仿真结果表明了该避障方法的有效性.