时滞测试能量函数的局限性分析和改进模型

针对时滞试能量函数，分析了它在无冒险强健测试矢量生成时存在局限性和表达式较复杂的不足。在此基础上建立了无冒险条件下的时滞试能量函数，从而完善了Chakradhar提出的时滞测试能量和相应的测试生成算法。     

基于改进模式提取变异算子的遗传算法

在经典遗传算法的基础上，提出了一种基于改进模式提取（Algorithm of pattern extraction,Alopex)，种群个体的连续进化方向作为当前代个体的变异方向，并利用自适应来调整变异步长，通过控制参数来控制变异方向的概率从而跳过局部最优值。对几种典型函数的测试结果表明，基于该变异算子的遗传算法能较好地避免收敛到局部最优，收敛性能优于经典遗传算法。     

基于改进自适应遗传算法的小径短绳自动打捆机步进电机PID控制

为提高小径短绳自动打捆机步进电机的控制精度,在分析经典遗传算法和经典自适应遗传算法的基础上,引入进化代数和个体适应值排名来指导自适应交叉率和自适应变异率,设计了一个基于改进自适应遗传算法的PID控制器,以削弱进化过程中优良参数的退化现象。MATLAB仿真结果表明,改进的自适应遗传PID提高了收敛精度,并具有更快的收敛速度。针对步进电机的实际测试结果表明,与经典遗传算法相比,改进的自适应遗传PID调整时间更短、超调量更低。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性，难以稳定地收敛到最优解的问题，从种群多样性和适应度均值变化的角度，分析了进化停滞或退化的原因．以种群适应度均值和多样性作为概率调整依据，提出了一种新的基于种群代沟信息的自适应遗传算法．利用相邻两代群体间的适应度差异和多样性差异信息，设计了遗传概率的自适应调整策略，使算法维持较好的多样性，有效避免了早熟．并证明了算法收敛性．仿真结果表明该算法能够使种群保持良好的可进化性和收敛性．     

自适应遗传算法求解运动员最佳配对问题

采用引入了收敛因子和进程因子的自适应遗传算法求解运动员最佳配对问题，并在保持群体多样性和全局收敛性的情况下与回溯法进行对比.结果表明，自适应遗传算法能有效提高收敛速度，对较大规模的配对问题也能快速求解.     

整流机组效率优化中遗传算法的研究与应用

针对多台大功率整流机组并列运行效率优化的需要，采用浮点数编码遗传算法，并进行适当的改进：采用不同群体配合不同惩罚系数的方法处理约束条件；采用最优个体保留方法进行选择；采用线性交叉和自适应变异；通过基于控制参数自适应调整的策略克服早熟收敛。采用现场数据进行验证，结果表明，该方法收敛于全局最优解，收敛速度满足需要，过程比传统的工程方法简单，计算结果优于工程方法。     

增益自适应神经元控制及其在纸张定量控制中的应用

针对不确定时滞系统,提出了一种新的神经元控制方法。采用遗传算法对神经元增益在线自适应调整,而遗传算法使用了递增式算法,在每个时间间隔内都有一个稳定的增益值输出,并递增地向最优方向发展。克服了遗传算法收敛慢和每个采样周期输出的随机性。并对造纸过程中的纸张定量控制系统进行了仿真实验研究,仿真结果表明了该方法的有效性。     

基于代沟信息的自适应遗传算法

针对现有自适应遗传算法无法兼顾群体特性 ,难以稳定地收敛到最优解的问题 ,从种群多样性和适应度均值变化的角度 ,分析了进化停滞或退化的原因 .以种群适应度均值和多样性作为概率调整依据 ,提出了一种新的基于种群代沟信息的自适应遗传算法 .利用相邻两代群体间的适应度差异和多样性差异信息 ,设计了遗传概率的自适应调整策略 ,使算法维持较好的多样性 ,有效避免了早熟 .并证明了算法收敛性 .仿真结果表明该算法能够使种群保持良好的可进化性和收敛性 .     

一种新的基于小生境的自适应遗传算法

针对遗传算法在全局优化问题中容易出现早熟和收敛速度慢的问题,根据群体适应值的分布特点,启发性地提出了一种新的基于小生境的自适应遗传算法(ANGA).采用一种新的适应值计算方法,引入了一个自适应的常数Cmin,根据群体中各个个体的适应值分布情况加以启发,通过自适应调整Cmin,以适时改变群体适应值的分布,优化了各个个体被选择的概率.同时采用了小生境技术,并对交叉和变异位置引入了自适应的非均匀选择机制.采用3个典型的全局优化测试函数进行了验证,仿真试验表明该方法能够明显地改善全局寻优能力,并大大加快了收敛速度.     

基于自适应正交局部搜索算子的混合遗传算法

基于遗传算法的动态特性和正交设计的思想,提出了能根据当前进化的种群状态自适应调整局部搜索空间大小的正交局部搜索算子。对结合了自适应正交局部搜索算子的混合遗传算法进行了经典的多峰值测试函数的性能测试,结果表明,混合算法在获得的解的准确性和收敛速度上均优于标准遗传算法。     

遗传算法在智能组卷系统中的应用研究

为更好地解决遗传算法在智能组卷过程中出现的早收敛问题,以及组卷质量和组卷速度呈负相关的问题,提出一种基于分段整数编码、多点交叉的遗传算法.通过大量实验,有针对性地对该算法中的编码结构、选择算子、交叉算子和变异算子进行优化设计;对相关控制参数进行合理调整,实验结果表明,该算法不仅有效地提高了组卷质量和组卷速度,而且具有很好的收敛性.     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

基于粒子群算法的数字电路测试生成

在已有的数字电路测试生成算法基础上，通过对一种结构简单且容易实现的算法——粒子群算法的研究，提出了一种基于模拟的测试矢量生成的新方法，即应用粒子群算法来进行数字电路的测试生成．对一些组合电路进行了仿真，并将其与基于遗传算法的测试生成方法进行比较，实验结果表明该方法比基于遗传算法的测试生成更为有效．     

基于小生境遗传算法的自动组卷

通过对当前自动组卷方法的分析,将小生境技术引入到遗传算法自动组卷中,以期望解决遗传算法组卷的早熟问题,提出一种基于小生境遗传算法的组卷方法.该方法采用功能段结构的整数编码方式,可以克服常规采用二进制编码搜索空间过大和编码长度过长的缺点,提高求解速度和精度,同时减少迭代次数加快算法收敛.在组卷模型中以题型、题量和分值为基础,在形成初始种群和进化的过程中始终保持题型、题量和分值不变,从而简化优化目标.试验结果显示,该方法能有效限制种群中相似个体的过多复制,从而维持群体的多样性,抑制出现早熟现象,改进遗传算法在自动组卷中应用的效率,其运行时间更短,误差更小.     

CTCS-3级列控系统车载设备测试序列的优化

如何将测试案例组合成为最有效和最优化的测试序列,是车载设备测试的一个关键问题.将优化测试序列生成问题演化为邮递员问题,通过利用遗传算法解决邮递员问题的优势,将遗传算法应用于优化测试序列的生成.根据车载模式转换图构造测试子序列图,然后应用遗传算法求解得到优化测试序列.分析实验结果表明,此方法使得测试效率得到了大幅度提高,是一种优化测试序列生成问题的可行方法.     

基于遗传算法的组合测试用例生成研究

对遗传算法的种群规模、选择策略、迭代策略等环节进行了研究,设计实现了一种实用的基于遗传算法的组合测试用例生成算法,具有用例生成速度快、用例集最小化的特点.     

基于免疫算法的电子渠道软件测试用例生成

提出了一种基于免疫遗传算法的电子渠道软件测试用例生成模型,并介绍了免疫遗传算法的基本思想.通过将免疫遗传算法与传统遗传算法和随机算法在电子渠道软件测试用例生成中的比较,说明了免疫遗传算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性.     

多变量解耦鲁棒控制的遗传优化方法

提出一种基于遗传算法的鲁棒准优势化算法。该算法将鲁棒对角优势和遗传算法相结合,综合考虑各摄动系统的关联性,搜寻最优的鲁棒解耦控制器。用该算法对一参数不确定性工业对象进行了鲁棒系统设计,结果表明该设计方法比多模型加权准优势化算法具有更好的鲁棒稳定性和鲁棒性能,因而更适于实际工程应用。     

一种基于遗传算法的自动组卷算法

对传统遗传算法进行改进,提出了一种基于遗传算法的分段十进制编码,采用分段的单点交叉操作,对于个体而言,实现的是多点交叉操作,最后提出了相应的组卷算法.