基于多目标微粒群优化的异质数据特征选择

环境和测量仪器精度的影响,使得采样数据的不同特征具有不同的质量.对这类异质数据进行特征选择,需要同时考虑特征子集确定分类器的准确度和可靠性,从而增加了特征选择的难度.本文研究异质数据的特征选择问题,提出一种基于多目标微粒群优化的特征选择方法.该方法首先以特征选择的概率为决策变量,将具有离散变量的特征选择问题,转化为连续变量多目标优化问题;然后,采用微粒群优化求解时,基于高斯采样,产生微粒的全局引导者,以提高Pareto解集的分布性;最后,依据储备集中元素更新的速度,确定需要扰动的微粒,以帮助微粒群跳出局部最优.将所提方法应用于多个典型数据集分类问题,实验结果表明了所提方法的有效性.     

基于精英集选择进化个体的交互式遗传算法

大种群交互式遗传算法中,评价个体数目的增多加重了用户疲劳,限制了该方法的应用.本文提出一种基于精英集的进化个体选择方法,首先,基于用户评价较高的个体形成精英集;然后,选择与精英集相似的个体类别,在无需用户评价和适应值估计的情况下,直接用于遗传操作;最后,根据种群的进化阶段和个体对精英集的贡献,更新精英集.将其应用于窗帘进化设计系统中,并与已有典型方法比较.结果表明,该方法在提高种群搜索性能的同时,能够有效减轻用户疲劳.     

高维多目标优化问题融入决策者偏好的集合进化优化方法

高维多目标优化问题普遍存在且非常重要,但是,已有的解决方法却很少.本文提出一种有效解决该问题的融入决策者偏好的集合进化优化方法,该方法首先基于决策者给出的每个目标的偏好区域,将原优化问题的目标函数转化为期望函数;然后,以原优化问题的多个解形成的集合为新的决策变量,以超体积和决策者期望满足度为新的目标函数,将优化问题转化为2目标优化问题;最后,采用多目标集合进化优化方法求解,得到满足决策者偏好且收敛性和分布性均衡的Pareto优化解集.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果验证了所提方法的优越性.     

基于语句重要度的变异测试对象选择方法

本文基于语句重要度,提出一种新的变异测试对象选择方法,以减少变异体的数量.首先,给出反映变异测试对象重要性的3个因素;然后,基于这些因素的重要性,建立评价所选测试对象重要性的指标;最后,基于这些指标的值,选出重要度高的语句作为变异测试对象.将所提方法应用于8个基准和工业程序的变异测试,实验结果表明,所提方法在维持很高变异测试充分度的同时,显著提高了变异测试的效率.     

非随机替代个体选择的代理模型评价策略

 代理模型评价策略是解决交互式遗传算法中人疲劳这一瓶颈问题的主要手段.每代中代理模型评价个体选择不同,将导致不同的算法性能,甚至算法不收敛.针对该问题,提出基于样本聚类的非随机替代个体选择策略.给出广义近似距离、类近似距离和中心近似距离三种判断个体所属类的距离度量.面向服装进化设计系统实例,仿真结果表明非随机选择比随机选择在统计意义上具有更好的稳定性,可以有效避免个体选择不良误导进化过程.     

基于搜索空间自动缩减的路径覆盖测试数据进化生成

 提出一种基于搜索空间自动缩减的路径覆盖测试数据进化生成方法,首先,确定目标路径与输入变量之间的关系,将可分目标路径分离出与部分分量相关的子路径;然后,固定被穿越子路径对应的输入分量,并缩小交叉和变异操作的范围,使种群在不断缩小的空间里寻找测试数据,以提高测试数据生成的效率;最后,将提出的方法用于基准程序的路径覆盖测试数据生成,并与传统方法和随机法比较.结果表明,本文方法在生成测试数据需要的进化代数、运行时间和成功率等指标上均具有优越性.     

一种新的多路径覆盖测试数据进化生成方法

 提出一种新的用于多路径覆盖的测试数据生成方法.首先,将被测程序表示成一棵二叉树,对目标路径采用赫夫曼编码方法表示成二进制串;然后,采用遗传算法生成多个测试数据,设计的适应度函数综合考虑个体穿越的路径与每个目标路径的匹配程度.将提出的方法用于4个基准程序的路径覆盖测试数据生成,并与已有方法比较,结果表明本文方法计算量小,生成测试数据效率高.     

基于集合的高维多目标优化问题的进化算法

由于高维多目标优化问题包含的目标很多,已有的方法往往难以解决该问题.本文提出一种有效解决该问题的基于集合的进化算法,该方法以超体积、分布度,以及延展度为新的目标,将原优化问题转化为3目标优化问题;定义基于集合的Pareto占优关系,设计体现用户偏好的适应度函数;此外,还提出集合进化策略.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果表明了所提方法的优越性.