基于元学习推荐的优化算法自动选择框架与实证分析

算法选择的目的是从众多可用优化算法中自动地选出最适用于当前问题的算法。针对算法选择问题提出了基于元学习推荐的优化算法自动选择框架。依据此框架,以多模式资源受限的项目调度问题为实证数据集,设计实现了遗传算法(GA)、粒子群算法(PSO)和模拟退火算法(SA)三种算法的自动选择过程。从项目调度问题数据库中随机选取了378个问题算例,提取其中的固有特征和统计特征作为元数据,并利用前馈型神经网络(FNN)算法训练获得用于预测的元模型对未见算例作出预测。实证结果表明两选一的算法预测准确率最高可超过95%,交叉验证准确率平均达到85%;三选一的算法预测准确率最高可达92%,交叉验证准确率平均超过80%。实证结果验证了所提算法选择框架是成功的,基于元学习思想的优化算法自动选择方法是可行的。

大型软件中的QF快速集成机制及自动选择算法

快速集成QF(Quick Fix),稳定地提高软件质量,是大型软件产品交付前一个重要且较难处理的问题。基于软件持续集成的研究,提出基于QF模式的快速集成机制,并提出QF自动选择算法。此机制及算法能兼顾提高产品质量与保证交付时间,具有以下优点:产品的软件包不需要重新编译;已经测试过的用例不需要重新测试;对于最终用户来说,所有软件问题补丁自动选择、自动安装、自动检测安装日志;支持产品的不同硬件配置;具有可扩展的体系结构设计,每次集成新的QF,代码修改量极小。实验及实践证明,此机制及方法适用于大型软件的集成与验证,在保证产品按期交付的同时,能有效提高产品质量,并大大缩短用户安装和检测日志的时间。

可互换驱动的仪器选择算法

阐述了利用COM技术实现可互换信号驱动的软件架构,即IVI-SD模型(基于信号的仪器可互换驱动器)的模块化体系结构,详细阐述了各个组成部分的性能和设计思路,并给出了基于最新的IVI-SD标准的信号驱动器的信号模型,仪器描述模型和TPS开发标准。在此基础上,详述了支持IVI-SD模型的测试要求提取和仪器选择算法,并给出了实验结果。

考虑光谱变异性的多光谱植被识别最优特征空间构建

在中低分辨率遥感卫星影像上,植被识别受数据获取条件和不同生长期等因素的影响,会存在端元光谱变异现象,导致植被解混误差较大。提出了一种顾及端元光谱变异性的最佳距离遗传算法(IIDGA),通过自动特征选择方法减小端元类内差异,增大类间差异,构建适用于中等分辨率影像的植被解混最优特征空间,提高Landsat影像的植被识别精度。通过比较传统波段组合、光谱和纹理特征全集与IIDGA优选特征的线性解混模型效果,验证了最优特征选择的重要性。结果显示,特征选择有助于提升解混精度(IIDGA的均方根误差最低,为0.180);同时,通过比较基于IID指数的Filter算法、基于标准GA的Wrapper算法和IIDGA在最优特征自动选取方面的性能,证实了IIDGA在平衡精度与效率方面的优势。