基于遗传算法的网络资源配置优化

随着新一代网络的结构复杂化和应用多样化,如何进一步提高实时业务的服务质量,是急需解决的重要问题之一,而合理配置和优化网络资源是解决该问题的有效方法。针对多业务网络,提出一种以网络资源均衡度为目标、QoS为约束的优化模型;应用改进的遗传算法实现带宽和节点缓冲区资源的优化配置,以实现网络流量分布均衡,从而提高网络性能。通过分析遗传算法种群适应度的变化趋势,给出一种基于种群稳定性系数阈值的迭代终止方法,以提高算法收敛效率。通过实验验证了以上方法的有效性。     

基于遗传算法的业务过程资源配置优化

应用遗传算法对业务过程资源配置进行优化,解决企业为业务过程分配资源的合理性问题以及业务过程在有限资源条件下对资源的有效利用问题.在算法中采用活动执行方案矩阵表示活动持续时间和资源配置之间的关系,解决配置参数量化描述问题;应用自然数编码和改进的遗传算子克服传统算法在处理业务过程资源配置参数离散分布方面的局限性;通过分层优化的方式避免对无效配置方案的分析,有效解决参数之间的约束问题.仿真实验结果表明方法求解有效,能够为决策者提供满意的资源配置方案.     

基于遗传算法的软件工程资源配置优化模型

综合软件过程中人力、物力资源的合理安排与统筹规划,提出一种基于遗传算法的活动规划与资源配置模型.在遗传算法中采用执行矩阵作为染色体,矩阵编码的染色体涵盖了活动规划与资源配置两部分内容,克服了传统的二进制字符串编码在描述复杂方案问题时存在局限性.仿真实验结果表明:基于遗传算法的软件工程资源配置模型使软件开发过程中的资源得到了合理的分配,为软件过程的管理与控制提供了科学的方案与依据,提高了软件开发的效率,保证了软件开发的质量.     

基于遗传算法的IP核测试调度优化

测试调度能够很好的减少测试时间和降低测试成本.通过调度,SOC中尽可能多的IP核可以进行并行测试,然而过度的并行测试会引起功耗过高,对SOC产生不利影响.为了改善这个问题,考虑峰值功耗因素的限制,提出一种基于遗传算法的IP核测试调度优化方案,寻求最短测试时间.通过对ISCAS标准电路组成的SOC进行仿真实验,验证了该方...     

基于遗传算法的业务流程测试

随着软件在各个领域的广泛应用,人们对软件可靠性的要求不断提高。作为保障软件可靠性最重要的手段,软件测试所受到的关注也日益增加。在传统的黑盒功能性测试当中,单个模块的功能测试得到了很好的解决。然而在大型软件的集成测试时,由于软件所涉及的业务流程较多,模块较多,如何在黑盒功能性测试当中尽可能地完全覆盖所有的业务流程以及所对应的功能模块,常常需要软件测试人员人工定义。文中通过对遗传算法的研究,提出在集成测试时借助于遗传算法来产生测试用例,最大程度地覆盖所有的业务流程以及应用模块关联。将此前集成测试时,需要测试人员人工定义的大量业务流程以及模块关联转变为自动化产生,极大地提高了软件测试的自动化水平,提高了软件测试的效率。     

基于遗传算法的复杂电子装备测试性优化分配

遗传算法作为一种通用方法,已经在很多领域得到应用,但在测试性工程中应用相对较少;鉴于测试性分配的原则和一般模型,文章利用"并行工程"的思想,系统地给出了采用遗传算法进行复杂电子装备测试性优化分配的全过程;基于遗传算法的测试性优化分配方法可以把测试性和可靠性、维修性等紧密衔接起来,解决了电子装备"并行设计"中测试性分配存在的问题,弥补了传统方法的缺陷;通过将该算法与传统的测试性分配方法进行比较,充分证明了遗传算法在测试性分配工作中具有很高的实用价值;采用该方法可以大大提高测试性分配的成功率、节约装备的诊断和测试费用.     

基于改进蚁群算法的TT&C资源配置方法

研究了航天测控网资源配置问题,它是在航天器一地面站有限的时间窗口内对航天器的测控任务进行合理的配置,给每个任务分配一个开始执行时间,在给定的调度时间下,使得任务完成的目标值最大.将引入了杂交算子的蚁群算法来求解该问题,合理地构造了与问题相适应的杂交算子和杂交段.具体的仿真实例表明,在相同的约束条件下该算法总是能最大化地完成任务,并且求得的目标值也有很大的改进.     

基于混沌和遗传算法的优化测试生成算法

基于组合电路测试生成的Hopfield神经网络模型,讨论分析了利用混沌神经网络的全局搜索能力进行测试生成的有效算法和基于遗传算法的自适应测试生成.基于混沌神经网络的算法利用混沌所表现出的遍历性与内随机性进行全局搜索;而遗传算法不同于传统的方法,它不需要故障传播、回退等过程,并具有并行计算的能力.计算机仿真结果表明了这两种测试生成算法的可行性与高效性.     

基于混沌和遗传算法的优化测试生成算法

基于组合电路测试生成的Hopfield神经网络模型,讨论分析了利用混沌神经网络的全局搜索能力进行测试生成的有效算法和基于遗传算法的自适应测试生成。基于混沌神经网络的算法利用混沌所表现出的遍历性与内随机性进行全局搜索;而遗传算法不同于传统的方法,它不需要故障传播、回退等过程,并具有并行计算的能力。计算机仿真结果表明了这两种测试生成算法的可行性与高效性。     

基于遗传算法改进的交通干线信号优化研究

针对城市交通拥挤、道路通行能力低等问题,通过建立城市交通干线系统信号配时模型,设计了一种基于遗传算法改进的混合式优化算法.算法对遗传算法中适应度函数、交叉算子和变异箅子等进行了一些改进,并将混沌优化思想融入改进后的遗传算法中.用混合式优化算法对城市交通干线系统信号进行配时,有效地协调了各路口的信号灯,使交通干线系统的交通量得到了明显改善.仿真结果表明此算法具有较快的收敛速度和进化效率,能有效实现全局优化.     

基于改进GA-PSO的可重构测试资源匹配方法

为提高测点信号与可重构测试资源匹配效率,建立了基于STD标准的测点信号与可重构测试资源的数学描述模型.针对可重构测试资源的特点,结合工程实际提出了基于Sigmoid函数的匹配函数,以资源可靠性、配置文件大小及配置时间因子作为罚函数,利用匹配函数构造出遗传算法的适应度函数.为解决遗传算法搜索速度较慢的问题,改进了遗传算法的选择算子和交叉算子,将粒子群算法应用到遗传算法中,解决了遗传算法在算法后期迭代效率低下的问题,最后通过实例验证了算法的有效性.     

改进遗传算法智能组卷的研究与应用

组卷问题是一个多目标的约束优化问题,是在线考试系统的重要组成部分。通过对智能组卷建立数学模型,提出了一种基于改进遗传算法来进行智能组卷的方法,实验结果表明,改进的算法在智能组卷的运行速度方面,具有较好的实用性。     

基于改进遗传算法智能组卷的研究

通过建立智能组卷数学模型,研究了改进遗传算法在智能组卷算法中的应用,提出了一种基于改进遗传算法来进行智能组卷的方法,实验结果表明,改进的算法在智能组卷的运行速度方面,具有较好的实用性。     

基于改进的遗传算法系统测试选择问题研究

信息处理系统故障模式具有多样性,为了得到系统的全局优化测试集,降低测试代价,在遗传算法思想的基础上,采取限制每一个基因编码都不相同机制来生成初始化种群、个体失效保护机制进行交叉操作、最优个体保护机制实现变异操作等措施对遗传算法进行了改进,并通过编写C++程序,得到了信息处理系统的全局优化测试集,减少了系统的测试项,从而使测试代价明显降低。经过计算系统的故障检测率和故障隔离率等测试性指标验证了改进遗传算法的正确性。该研究对大型复杂装备系统测试优化选择问题的研究具有重要的指导意义。     

基于改进的遗传算法的智能组卷算法研究

随着人工智能技术在高校信息化过程的不断推广,智能在线考试模式已成为高校教学改革的一种新手段。目前现有的在线考试系统由于一些现实约束,还存在很多不足。文中针对现有的考试系统存在智能组卷后的试卷难度不均衡、题库试题难度系数确定不合理的现象,提出一种基于改进的遗传算法自动组卷策略。利用伯努利大数定律和机器自适应学习方式,确定题库中试题合理的难度系数。在试题的难度系数确定后,试卷的难度系数就是参入组卷的试题的平均难度系数,组卷中,只需指定试卷的平均难度系数和各类题型的数量即可。     

改进遗传算法的公交线网优化研究

公交是一种主要的城市公共交通工具,针对现有城市公交线网设计时普遍存在缺乏层次性规划的问题,提出了改进遗传算法的公交线网优化方法。首先对当前城市公交线网优化的研究现状进行分析,然后设计相应的城市公交线网优化数学模型,采用改进遗传算法对城市公交线网优化数学模型进行求解,并通过引入动态惩罚系数确定适应度,以调整收敛速度;通过自适应机制确定交叉概率和变异概率,以调整搜索空间。最后采用具体算例对本文方法的性能进行分析。结果表明,这个方法不仅可以找到更优的城市公交线网优化方案,而且求解的效率得到了明显提升。     

基于改进遗传算法的PID参数优化研究

针对基本遗传算法收敛速度慢和寻优能力不足的问题,提出了一种基于实数编码的改进遗传算法.新算法中,初始种群由空间距离控制使其能够均匀分布于解空间;交叉操作采用等分组的方法,时每组内每两个个体均进行交叉,并择优选择,以扩大搜索空间:变异步长随进化代数自适应调整.将改进后的遗传算法运用于PID控制器参数优化中,通过仿真实验表明,新算法整定效果明显优于基本遗传算法,不仅解决了基本遗传算法存在的缺陷,而且提高了收敛速度与寻优精度.     

基于遗传算法的测试用例自动生成及其改进方法

遗传算法是一种通用的自适应搜索算法。它给测试用例自动生成问题带来了新的解决思路。但是传统的遗传算法应用于测试用例自动生成,重组、突变的随机性容易使种群中多样性遭到破坏,使得算法搜索空间减小,从而导致算法错误地收敛到局部最优值。而且盲目的随机重组和突变又使得搜索的效率非常低。本文介绍一种改进方法,引进突变控制策略和优化解控制策略,可有效提高遗传算法的搜索能力和获取最优解的性能。     

基于改进型遗传算法的打浆优化

针对造纸生产线上打浆过程中的打浆优化问题,以基于神经网络的软测量模型辨识为基础,结合改进的遗传算法,解决了标准遗传算法中种群过早收敛和促使种群跳出局部极值点,实现了打浆全局最优控制.仿真结果验证了该算法的可行性与有效性,实践表明这种优化控制方法使打浆能耗明显降低,达到了节能的优化目的.     

基于改进遗传算法的测试数据自动生成的研究

测试数据自动生成是软件测试的基础,也是测试自动化技术实现的关键环节。为了提高测试自动化的效率,在 结合 测试数据自动生成模型的基础上,提出一种 传统遗传算法的改进算法。该算法使用了自适应交叉算子和变异算子,并引入模拟退火机制对其进行改进。同时,该算法还对适应度函数进行了合理的设计,以加速数据的优化过程。通过三角形程序、折半查找和冒泡排序程序,与基本遗传算法、自适应遗传算法进行了比较与分析,并且对改进算法做了性能分析。实验结果表明了该算法的实用性以及在测试数据生成中的可行性和高效性。