基于反向学习的自适应差分进化算法

为解决差分进化(DE)算法过早收敛与搜索能力低的问题,讨论对控制参数的动态调整,提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力,获取精确度更高的最优个体;同时,采用高斯分布随机性提高单个个体的开发能力,通过扩充种群的多样性,避免算法过早收敛,整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验,并与其他差分进化算法进行对比,实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。

应用自适应差分进化算法优化测试数据研究

针对自适应差分进化算法在进化后期种群多样性减少和搜索精度低的问题,本文提出一种基于质心的自适应差分进化算法,并将该算法应用于自动生成软件测试数据.本文算法通过自动调节缩放因子的方式提高种群多样性,避免种群在进化过程中个体过于集中而陷入局部最优;同时,采用基于质心原理的策略来选择用于变异的个体,进而保证种群向最优值方向进化,总体上加快种群的收敛速度.本文首次将自适应差分进化算法用于软件测试数据的产生,并与传统软件测试数据产生的算法进行了比较,实验表明本文算法能够有效地提高自动产生测试数据的效率和性能.

奇怪的同桌

我有一个奇怪的同桌。有一次,组长让同桌背《咏柳》,他却趴在桌子上＂呜呜＂哭了起来。哭了十来分钟,他抬头面对组长,流利地背了出来,而且一个字也没有错,大家都很惊讶。坐在我前面的同学笑着说：＂以后你多哭一会儿,背得就会好一点儿。＂我说：＂