基于改进遗传算法的测试用例生成

在软件测试中,测试用例生成是软件测试中的关键技术问题,对于软件测试的自动化有着重要影响。为了提高测试用例生成的效率,文中提出了一种用于测试用例生成的改进算法。该算法引入了自适应算子和禁忌搜索思想,将自适应遗传算法和禁忌搜索有机结合,充分发挥遗传算法的全局搜索和禁忌搜索算法局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和有效性方面,均优于自适应遗传算法。     

基于贪心遗传算法求解0-1背包问题

在解决0-1背包问题中,将贪心算法和遗传算法相结合,提出了贪心遗传算法。通过算法构造出更优的新算子,与原有算子相比,既加快了算法的收敛速度,又克服了传统方法容易陷入局部最优的特点,提高了搜索效率。通过计算机仿真试验结果表明,贪心遗传算法相比普通的遗传算法具有更好的近似解,充分证明了贪心遗传算法来求解背包问题的有效性和实用性。     

求解0-1背包问题的基于双禁忌对象的TS算法

0-1背包问题是一个典型的组合优化问题.针对这个问题,给出了一种基于双禁忌对象的禁忌搜索求解算法.该算法首先以解向量的分量为解对象进行禁忌搜索,当这个搜索过程完成后,然后以当前最优解为初始解对象再进行禁忌搜索.实验结果表明该算法可有效地解决0-1背包问题.     

一种基于禁忌搜索的全局最优化模糊聚类算法

模糊C均值（FCM）算法是一种基于贪心思想的迭代算法,算法沿迭代序列收敛到一个极小值,但存在搜索能力弱、易陷入局部最优的缺点.本文提出了一种基于禁忌搜索的模糊聚类算法,该算法在一个解的邻域内使用禁忌搜索,并采用了基于FCM局部收敛性质的长期表禁忌策略,保证在不断移动搜索起点的同时避免重复搜索;其次使用混沌优化思想与动态步长策略来提升算法的全局搜索能力,以达到获取全局最优解的目的.实验结果表明,改进算法极大地提高了聚类准确率,并具有良好的稳定性,与群智算法和遗传算法的优化相比也具有一定的优势.     

一类0-1背包问题的启发式网络策略模型与算法

针对遗传算法(GA)易陷入局部最优解、搜索精度低等缺点,提出了网络启发式策略的遗传算法(NSHGA),并将其成功地应用于0-1背包问题的求解。该算法采用网络节点关联策略,使算法具有良好的全局寻优能力。同时引入网络节点矩阵优化,利用其精细的局部遍历搜索性能,使算法具有较高地搜索精度。实例仿真结果表明,NSHGA算法可有效避免基本GA算法的早熟收敛,且具有寻优能力强、搜索精度高等特点。此外,与基本遗传算法仿真相比,可明显提高0-1背包问题求解的精度。     

改进遗传算法在MF-TDMA资源规划中的研究

针对遗传算法(GA)在MF-TDMA资源规划中易出现陷入局部最优和搜索效率低的问题提出一种改进的遗传算法.通过改进精英保留策略以及交叉和变异概率对的选择方法降低了陷入局部最优的概率,并且基于模式定理和积木块假设提出的分块搜索提高了搜索效率.仿真结果表明改进遗传算法结合自适应罚函数和适应度函数在 MF-TDMA 资源规划中相对于简单遗传算法、自适应遗传算法和分层遗传算法全局搜索能力更强和搜索效率更高.     

改进混合蛙跳算法求解旅行商问题

以旅行商问题(TSP)为例,引入调整序思想设计了局部搜索策略,同时在全局信息交换过程中加入变异操作,提出一种改进混合蛙跳算法求解TSP问题.实验结果表明,与遗传算法和粒子群优化算法相比较,改进混合蛙跳算法在求解TSP问题上具有更好的搜索性能和顽健性.     

基于遗传算法的MF-HF天调调谐算法

介绍了对分搜索算法、Hooke&Jeeves算法和Powell算法等基于直接搜索的MF-HF天调调谐算法,指出了其容易陷入局部最优解的问题。提出基于遗传算法的天调调谐算法,对算法的基本流程进行了介绍。结合近似计算和邻域搜索的思想,对调谐算法进行了改进,减少变量个数,缩小算法搜索空间。通过对4m鞭状天线进行调谐仿真,验证了遗传算法作为调谐算法的有效性,同时改进后的算法在调谐速度和匹配精度上获得了明显的改善。     

求解二次分配问题的改进禁忌搜索算法

针对二次分配问题,提出了一种改进禁忌搜索算法ITS。ITS基于"集中和分散"策略,由局部搜索和精英重组两个步骤经过多次迭代完成。局部搜索采用RTS(Robust Tabu Search)。在精英重组步骤,对局部优化解中的优良个体采用MPX交叉操作,得到新的可行解。在QAPLIB典型实例上的实验结果表明,与RTS相比,改进后的禁忌搜索算法具有更优的性能。     

基于改进混合遗传算法的云资源调度算法

在云计算中,系统规模和虚拟机迁移数量都是十分庞大的,需要高效的调度策略对其进行优化。将云计算的任务分配抽象为背包求解问题,可通过遗传算法进行求解。传统的遗传算法具有局部搜索能力差以及早熟现象的缺点,本文采用遗传和贪婪相结合的混合遗传算法。针对混合遗传算法在资源利用率与能源消耗的收敛速度较慢问题,本文通过改进适应度函数,改变了适应度函数在不同染色体间的差异度,从而提高了染色体在选择算子中的择优性能。仿真结果表明,该方法能够有效提高混合遗传算法在云计算资源优化中的收敛速度。     

基于0-1背包问题的两种算法

0-1背包问题是组合优化领域里的一个典型问题,是属于易于描述却难于解决的NP难题,有效解决0-1背包问题具有重要意义。首先给出了0-1背包问题的描述,然后详细介绍了回溯法和分支限界法的算法思想和搜索策略,并对两种算法进行了比较和分析。     

基于改进模拟退火的遗传算法求解0-1背包问题

引入改进的模拟退火思想来改进遗传算法.本算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在优化性能、优化效率和可靠性方面具有明显的优越性.运用本算法求解不同种群规模的0-1背包问题,数值试验结果表明,算法既具有较快的收敛速度,又能够收敛到最优解,优于遗传算法和模拟退火算法.     

飞行器参数辨识的一种演化计算方法

将混合遗传算法应用于飞行器气动参数辨识。该方法结合了遗传算法的全局寻优能力和极大似然法的局部寻优能力,使得混合遗传算法不受极大似然法初值选取的影响,同时也解决了遗传算法收敛速度慢和收敛精度较低的问题。在混合遗传算法寻优过程中,仅对最优个体和变异后的个体执行局部寻优操作,从而使得混合遗传算法的计算量维持在一个适当的水平。最后,一个飞行器纵向模型气动参数的辨识仿真表明：混合遗传算法的收敛性和精度都远高于没有采用局部寻优策略的遗传算法。     

一种解决组合优化问题的量子遗传算法QGA

本文在量子变异的基础上,提出了一种解决组合优化问题的量子遗传算法QGA,它融合了遗传量子算法GQA和经典遗传算法的优点,只用一个个体就可在很短的时间内搜索到最优解,并针对一个典型的组合优化问题——0/1背包问题进行了对比实验,实验结果表明本文所提出的量子遗传算法QGA优于传统遗传算法和遗传量子算法GQA.     

Binary monkey algorithm for approximate packing non-congruent circles in a rectangular container

A Packing problem consists in the best arrangement of several objects inside a bounded area named as the container. This arrangement must fulfill with technological constraints, for example, objects should not be overlapping. Some packing models for circular objects are typically formulated as non-convex optimization problems; where the continuous variables are the coordinates of the objects, so they are limited to not finding optimal solutions. Due to the combinatorial nature in the arrangement of such objects, heuristic methods are being used extensively which combine methods of global search and methods of local exhaustive search of local minima or their approximations. In this paper, we will address the packing problem for non-congruent (different size) circles with the binary version of the monkey algorithm which incorporates a cooperation process and a greedy strategy. We use a rectangular grid for covering the container. Every node in the grid represent potential positions for a circle. In this sense, binary monkey algorithm for the knapsack problem, can be used to solve de 0–1 approximate packing problem for non-congruet circles. The binary monkey problem uses two additional processes of the original monkey algorithm, these two processes are a greedy process and a cooperation processes.

     

基于核的MMKP问题算法研究

多维多选择背包问题（MMKP）是0-1背包问题的延伸,背包核已经被用来设计解决背包问题的高效算法。目的是研究如何获得一种背包核,并以此高效处理多维多选择背包问题。首先给出了一种方法确定MMKP的核．然后阐述了利用核精确解决MMKP问题的B＆B算法,列出了具体的算法步骤。在分析了算法的存储复杂度后,将算法在各种实例上的运行效果与目前解决MMKP问题的常用算法的运行效果进行了比较,发现本文的算法性能优于以往任何算法。