最优保留遗传算法及其收敛性分析

最优保留ＧＡ（ＥＧＡ）是目前ＧＡ收敛性研究中比较典型的一类。在已有研究成果的基础上给出了ＥＧＡ更一般的规范化定义，指明了ＥＧＡ全局收敛的本质及其两种实现方式，并分别对它们进行了收敛性分析。最后提出一种变形的全局收敛的ＥＧＡ。  

基于Markov延迟特性的闭环网络控制系统研究

针对控制网络中固有的随机传输延迟 ,提出了一种新颖的控制模式 ,实现了对存在多步随机传输延迟的网络控制系统的数学建模 .基于该模型 ,利用Markov链理论 ,得到了满足给定性能指标的随机最优控制律 ,同时给出了求取相应的Markov链状态转移矩阵的方法 .文末通过实验研究 ,验证了所提理论的正确性和有效性  

An Introduction to MCMC for Machine Learning

This purpose of this introductory paper is threefold. First, it introduces the Monte Carlo method with emphasis on probabilistic machine learning. Second, it reviews the main building blocks of modern Markov chain Monte Carlo simulation, thereby providing and introduction to the remaining papers of this special issue. Lastly, it discusses new interesting research horizons.  

基于模型的软件测试综述

随着面向对象软件开发技术的广泛应用和软件测试自动化的要求，特别是基于UML的软件开发技术的逐渐普及，基于模型的软件测试逐渐得到了软件开发人员和软件测试人员的认可和接受。针对被测试软件的不同特征和不同测试目的，已经提出了多种测试模型。本文详细阐述了基于模型的软件测试研究现状和应用现状，并对测试中使用的不同模型进行了比较，着重介绍了状态机模型、UML模型和马尔可夫链模型。最后提出了未来的研究方向。  

Reinforcement Learning with Replacing Eligibility Traces

The eligibility trace is one of the basic mechanisms used in reinforcement learning to handle delayed reward. In this paper we introduce a new kind of eligibility trace, the replacing trace, analyze it theoretically, and show that it results in faster, more reliable learning than the conventional trace. Both kinds of trace assign credit to prior events according to how recently they occurred, but only the conventional trace gives greater credit to repeated events. Our analysis is for conventional and replace-trace versions of the offline TD(1) algorithm applied to undiscounted absorbing Markov chains. First, we show that these methods converge under repeated presentations of the training set to the same predictions as two well known Monte Carlo methods. We then analyze the relative efficiency of the two Monte Carlo methods. We show that the method corresponding to conventional TD is biased, whereas the method corresponding to replace-trace TD is unbiased. In addition, we show that the method corresponding to replacing traces is closely related to the maximum likelihood solution for these tasks, and that its mean squared error is always lower in the long run. Computational results confirm these analyses and show that they are applicable more generally. In particular, we show that replacing traces significantly improve performance and reduce parameter sensitivity on the "Mountain-Car" task, a full reinforcement-learning problem with a continuous state space, when using a feature-based function approximator.  

多Markov链用户浏览预测模型

建立有效的用户浏览预测模型，对用户的浏览做出准确的预测，是开发各种浏览导航工具的关键．传统的Markoxr链模型是一种简单而有效的预测模型，但它存在预测准确率低，存储复杂度高等缺点．通过对该模型的扩展，该文提出并建立了一种基于用户分类的新模型——多Markov链模型．实验表明，该模型能更准确地描述用户在Web上的浏览特征，在预测准确率和存储复杂度方面都显著地优于传统的Markov链模型．  

一种协调勘探和开采的遗传算法：收敛性及性能分析

提出了一种新的遗传算法结构。在该结构中，每一代的新种群由保留种 群、繁殖种群的随机种群三部分组成，而它们的相对数量则由不同的参数进行控制，这体现了该算法在运行过程中对搜索空间勘探和开采操作的协调和权衡。通过把该算法建模为齐次的有限Markov链，该文证明了该算法具有全局收敛性。对试验数据的分析表明，该算法能够有效协调算法对问题解空间的勘探和开采操作，因而在处理复杂问题时表现出较高的性能。  

优良模式自学习遗传算法

遗传算法是应用比较广泛的一种随机优化算法.文中针对遗传算法在应用过程中出 现的收敛慢等问题提出一种优良模式自学习遗传算法,并且在理论上对算法的收敛性进行分 析.最后,通过多峰函数优化问题的仿真结果证明证了算法的实用性和有效性.  

基于UML的软件Markov链使用模型构造研究

软件统计测试要求基于软件使用模型产生测试例对软件系统进行测试,并根据测试结果评价软件可靠性,是高可靠软件测试的重要组成部分.由于统一建模语言(unified modeling language,简称UML)已经成为事实上的面向对象标准建模语言,因此,从软件UML模型构造软件使用模型就成为面向对象软件统计测试的关键.为此,定义了加入统计测试约束的UML用例图、序列图以及用例执行顺序关系,为基于UML的软件统计测试提供了一个形式化描述基础.在此基础上,给出一个从软件UML模型构造软件Markov链使用模型的算法,并给出了自动化支持工具UMGen的类图结构,基于一个卫星控制系统,说明了所提出方法的有效性.  

基于扩展串的等价遗传算法的收敛性

本文基于扩展串的概念，独立地提出了一种与标准遗传算法的优化问题等价的遗传算法，从理论上探讨了遗传算法的收敛条件与收敛速度等问题，给出了等价遗传算法平均收敛速度的解析表达式。