基于遗传算法的PCB互连测试矢量生成研究与实现

对运用遗传算法来生成PCB和MCM互连测试矢量集这一过程进行了研究，并对编码策略、目标函数等问题进行了讨论，提出了故障模拟方案，得出一种高效混合并行遗传算法，最后还通过实验验证了该方法比一般算法更有效。     

基于改进遗传算法的测试用例生成研究与仿真

提出一种基于改进遗传算法的测试用例自动生成工具,改进的遗传算法通过路径构建方法构建目标路径矩阵集合以及实际路径矩阵,通过对比目标路径矩阵与实际路径矩阵差异设计适应度函数,通过归一化处理得到适应度值,最后根据适应度值调节遗传算子,得到问题的最优解集合进而得到全部测试数据。工具通过可视化界面操作实现待测程序的自动插桩、自动生成覆盖全部路径的测试用例并代入程序进行测试,最后反馈生成测试结果。改进的算法能够提高算法收敛速度,降低早熟程度,在覆盖率及准确度相同的情况下,工具生成用例可以减少测试数据生成时间,达到节省测试成本、提高测试效率的效果。     

基于改进遗传算法的软件测试用例自动生成

快速、高效地生成测试用例是软件测试的关键。遗传算法通过模拟生物进化中的自然选择和交配变异寻找问题的全局最优解,传统遗传算法容易导致早熟收敛。针对这一缺陷,提出一种改进的遗传算法,并将该算法应用于测试用例生成中。实验结果表明,该算法生成测试用例比传统遗传算法效果更好,是一种行之有效的方法。     

基于DNA计算的遗传算法解决最小生成树问题

给出了最小生成树问题（MST）的一个基于混合DNA计算的遗传算法模型。在该模型中,为了对最小生成树的解进行编码和解码,通过引入DNA计算,提出了一种最小生成树问题的改进遗传算法编码方案,该方案吸收了DNA计算和遗传算法的优点,具有固定的长度。为了搜索需要的最佳编码,引入遗传算法搜索技术,并给出了自适应的交叉算子和变异算子。最后,根据最小生成树问题的特点,通过实例仿真验证了所提出的基于DNA计算的遗传算法的有效性     

基于ILP和GA的时间感知测试用例优先排序混合算法（英文）

针对基于时间感知的测试用例优先排序问题,提出了整数线性规划与遗传算法相结合的混合求解算法.首先,基于整数线性规划,选择待测程序实体的覆盖量最大且满足时间约束的测试用例集;然后,根据程序实体覆盖矩阵对个体进行编码,以程序实体覆盖速率作为适应度函数,利用遗传算法对测试用例集进行排序.选择5个经典的基准开源项目进行实验,以分支和方法作为程序实体,时间约束分别为25%和75%.实验结果表明,混合算法收敛速度快、稳定性好,优于传统整数线性规划方法.该算法有助于尽早发现软件缺陷,降低回归测试成本.     

基于混合遗传算法在测试用例生成中的研究

采用智能优化算法求解测试用例生成问题是软件测试自动化领域的研究热点。针对标准遗传算法在测试用例生成中的不足,提出基于混合遗传算法的生成方法。该算法结合分支覆盖和路径覆盖两个指标对适应度函数进行优化设计,以加快数据的优化过程。通过调节因子对自适应的交叉和变异算子进行改进,并引入模拟退火机制,提高算法的局部搜索能力。实验表明,该算法在测试用例生成中的求解质量和运行效率均优于标准遗传算法。     

改进全自适应遗传算法的加速度计新标定方法

针对当前使用的加速度计标定方法复杂、转台设备使用成本高、应用效果不佳等问题,设计了一种简捷快速标定测试及提高惯性测量单元精度的改进型自适应遗传算法的新型标定方法。在传统遗传算法的基础上提出了全自适应遗传算法,通过对多个算子的迭代收敛确定全自适应遗传算法(TAGA)的最优。同时,针对算法的标定效果进行了实验验证,并与经典牛顿法进行了对比。实验结果表明相对于经典牛顿法,该设计算法的模值标准差减小了27.9%,模值误差波动范围0.41 mg, TAGA算法的标定效果优于经典牛顿法,从而验证了该方法的有效性,能适用于实际的导航中。     

基于改进遗传算法的拆卸序列优化研究

针对复杂机械装配关键系统的拆卸序列优化问题,建立了拆卸序列规划模型,提出了一种改进的双种群遗传算法。通过拆卸混合图的表达拆卸序列信息,在改进的遗传算法中利用优先约束矩阵生成TOP序列种群,以拆卸时间最少为优化目标对拆卸序列进行优化。某企业生产的装载机变速箱的再制造拆卸序列优化,进一步验证了该算法的有效性和可行性。     

浏览器兼容性自动化测试方法研究

浏览器是 Web 应用程序的客户端软件,针对浏览器兼容性测试的手工效率低,工作量大的问题, 提出了一种并行的自动化测试方法,并将图像匹配技术结合到该自动化测试系统中,解决了脚本编写过程中界面检查点无法设置的问题。对该方法中的自动化测试框架组成结构和测试脚本编写进行了研究,并对如何生成测试结果及输出的测试报告内容进行了说明。为验证方法的有效性针对三款不同的浏览器在Web程序上进行了自动和手动测试时间对比,实验结果表明使用所提出的方法可以使测试速度提升大约3倍。     

体能测试时间安排中的数学模型研究

给出了一种节省测试时间的最佳分组方案,并在此基础上建立了测试过程的理论模型,将体能测试的最优安排问题归结为基于0-1整数规划和遗传算法的优化问题.借助Matlab中的遗传算法工具箱,成功获取了优化结果.     

基于.NET的题库管理与智能组卷系统设计与实现

组卷算法是题库系统的核心。通过对传统的组卷方法如随机抽取法、回溯试探法、遗传算法等进行分析,进而提出一种改进的随机组卷算法,并在此基础上,采用ASP.NET、SQL数据库等技术,实现了题库管理、自动组卷、系统管理等主要功能。实践表明,整个组卷系统界面友好、功能清晰、组卷效率高,具有一定的实用价值。     

基于改进遗传算法的自动组卷算法研究

在在线考试自动组卷中,为了避免简单遗传算法收敛速度慢及早熟收敛的问题,提出了基于实数编码、分段交叉、有条件生成初始种群的改进遗传算法。实践表明,改进的遗传算法能更好地解决自动组卷问题,具有较好的实用性。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

基于遗传算法求解TSP问题的算法设计

TSP是一个典型的组合优化问题,并且是一个NP难题,其可能的路径总数与城市数目n是成指数型增长的,所以一般很难精确地求出其最优解,因而寻找出有效的近似求解算法就具有重要的意义.现提出一种求解TSP问题比较有效的遗传算法,从其数学模型、遗传算子、评估函数、种群多样性等方面对算法进行了分析,结果表明提出的算法在求解TSP问题上是有效的.     

基于GA与SA的社区检测优化算法研究

社区结构是网络最重要的属性之一,近年来社区检测受到极大关注,出现了很多社区发现算法。模块度是衡量社区划分好坏的重要指标,但是其分辨率却有一定局限性。将模块度中加入一个可调参数,根据社区结构调整参数更适合于需求不同的社区检测。随着网络规模的扩大,社区发现算法既要有较高的准确性,又要有很低的时间复杂性。提出一种发现算法GASA,该算法将遗传变异与模拟退火相结合,既有遗传算法的全局搜索能力,又有模拟退火算法的局部搜索能力。该算法用于社区检测优势明显,检测到的社区更接近真实社区。     

遗传算法求解旅行商问题的一个新方法

提出了利用遗传算法求解TSP问题的一个新方法,该方法采用二进制编码,并巧妙地设计了一种解码算法,不仅可以使得种群进化,而且扩大了搜索的空间。实验表明,比起传统的遗传算法,新方法的性能有显著改善。     

改进蛙跳算法的小波神经网络短时交通流预测

为改进小波神经网络模型对短时交通流的预测效果,提出一种基于改进混合蛙跳算法的短时交通流预测模型用以优化小波神经网络。该算法使用交叉分组法对子群进行划分,再利用具有自适应因子的局部搜索策略平衡混合蛙跳算法局部与全局搜索能力,最后把得到的最优解用于优化小波神经网络模型初始值,并对短时交通流进行预测。实验结果表明,该方法对短时交通流预测精确度达到97.43%,比传统方法提高1.016 1%,均方根误差比传统方法降低了5.587 9%,具有较高的应用价值。     

基于混合遗传算法的关系型数据库多连接查询优化

该文分析了关系型数据库的查询优化问题，针对多连接查询提出将遗传算法和爬山法结合，从而构造了关系型数据库多连接查询优化问题的混合遗传算法，并进行了实验计算。结果表明，用混合遗传算法解决多连接查询优化问题，可以发挥遗传算法和爬山法的不同优势，从而得到较满意的查询优化性能。     

基于自适应遗传算法的抽题组卷策略

为克服经典遗传算法求解智能组卷时存在的盲目搜索、收敛速度慢和个体易“早熟“等缺点,文章提出了基于动态自适应技术遗传算法。利用求解问题的特征改进经典遗传算法的多个关键部分,采用动态自适应技术,提高算法的寻优速度。实验结果表明,采用改进式的自适应遗传算法实现的组卷策略具有收敛速度快、搜索精度高、鲁棒性强等特点,具有很好的性能与实用性。     

基于目标增量的最小化总完工时间无等待流水调度智能算法

针对NP-完全的无等待流水作业调度问题,改变传统求解调度序列目标函数的模式,分析并证明启发式算法基本算子的目标增量性质,通过目标函数变化量判断新解的优劣,大大降低算法所需计算时间．提出将变化邻域搜索（VNS）作为一种局部搜索机制混合入遗传算法的智能算法IGA求解所考虑的问题,根据问题特点构造ISG算法产生初始种群中的一个个体,设计基于期望值的个体选择机制和进化过程交叉算子ILCS．采用110个经典Benchmark实例,将所提出的IGA算法与传统遗传算法以及求解该问题目前最好的2种算法进行比较,实验结果表明IGA算法在略有耗时的情况下,性能上明显优于其他3种算法、