基于遗传算法的适应性住宅套内平面布局生成设计研究

适应性住宅有助于营造灵活可变、随需求变化而相应演化的住宅空间,促进我国住宅长寿化发展。但功能的复杂与空间的灵活性带来了繁重的设计任务,如何在项目初期快速获取合理的套内平面布局方案成为亟待解决的问题。文章从建筑生成设计的角度出发,提取并转译套内适应性设计规则,基于遗传算法的标准框架,制定高效的套内平面布局生成方法,并结合生成实验验证方法的可行性,从而探寻住宅长寿化发展的方式以及新型建筑设计方法的应用。

基于ART优化选择策略的遗传算法生成测试数据方法

测试数据自动生成方法是软件测试领域研究的热点。基于遗传算法的启发式搜索算法是一种路径覆盖生成测试数据的方法。文中提出了一种基于自适应随机测试(Adaptive Random Testing,ART)算法更新种群的方法,将ART融入遗传算法,优化选择操作,动态更新种群,从而增加种群进化过程中的个体多样性,提高了收敛速度,有效地减少了陷入局部最优。实验结果显示,与传统遗传算法生成测试数据的方法相比,改进的算法明显提高了路径覆盖率,减少了种群平均进化代数。

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.

自适应粒子群优化算法及其在测试数据生成中的应用研究

针对粒子群算法易陷入局部最优解及搜索精度低的问题,本文提出一种约简的自适应粒子群优化算法并应用于测试数据的自动生成.首先对粒子群进化方程约简,提出无速度项的粒子群进化方程;然后,对约简后的方程提出基于惯性权重的自适应调整方案,将惯性权重直接作用于粒子的位置,并根据粒子的适应度及聚集度将种群划分为三部分.实验表明,该方法可以有效地提高自动生成测试数据的效率.

AOS自适应帧生成算法的性能分析与应用研究

对AOS协议中的自适应帧生成算法进行研究,通过严格地理论分析,给出了该算法的有效信息传送速率计算公式。进一步,将数据帧生成模块与虚拟信道复用模块作为一个整体进行考虑,针对现有的AOS多路复用技术的不足,提出了自适应帧生成算法与虚拟信道调度算法相结合的多路复用新方法。研究结果表明,通过在多路复用中应用自适应帧生成算法,并设置合理的帧生成时间门限值,可以比目前主要使用的、采用高效率帧生成算法与虚拟信道调度算法相结合的多路复用方法获得更好的包时延性能。

基于自适应变异粒子群优化算法的测试数据生成

针对粒子群优化算法中群体易出现过早收敛的不足,提出了粒子群优化算法的改进算法AMPSO(adaptive mutation particle swarm optimization)算法并应用于测试数据生成中。引入约简粒子群优化算法,提高算法搜索速度;在算法进化过程中增加自适应调整策略,定义适应度评价阈值判断群体早熟现象,构建一个改进的自适应变异算子提高粒子变异率;通过实验确定阈值比例系数。结合实验结果从收敛代数和收敛时间两方面对比分析,证明了所提方法不仅能够防止算法出现过早收敛的问题,而且提高了测试数据生成效率。

AOS空间通信系统中自适应帧生成算法

针对泊松流模型已经不再适合日益复杂的研究空间通信系统中帧生成算法的问题,在自相似流量模型下,对AOS空间通信系统中的帧生成算法的性能进行研究。通过严格的理论分析,给出自适应帧生成算法在有限缓存下的缓存溢出概率以及复用效率计算公式。通过将自适应帧生成算法分解为高效率算法与等时算法的叠加,得到平均包时延的计算公式。理论分析与仿真结果校验了计算公式的正确性。得出在有限缓存下,不能依靠无限增大缓存容量达到降低溢出概率,适当选择门限值和控制帧提取时间,可以有效提高该算法性能的结论,为空间通信系统的实际应用提供理论支持。

二维平面任意区域有限元网格自适应生成算法

提出了一种在正规法向偏移法和波前推进法基础上产生的有限元网格生成算法，运用该方法生成的有限元网格质量高，能应用于任意形状的多介质平面区域，具有在指定位置生成节点的功能，且能实现多种加密方式。

基于几何特征和力学特性的自适应网格生成算法

为获得适合有限元分析的满意网格剖分 ,提出了平面域的基于几何特征和力学特性相结合的自适应网格生成方法 ,实现了应力集中区的网格局部加密及平缓变密度的网格自动剖分 .通过实例表明本方法实用性强、效果良好 .

中轴生成算法和自适应有限元模糊控制(Ⅰ)——中轴生成算法与应用(英文)

提出了一种基于叶点识别的中轴生成新算法 ,该算法对于具有复杂几何形状的物体的变化有着普遍的适应性 .通过分析中轴与结构奇异性之间的关系 ,作者提出了基于中轴的自适应有限元模糊控制的思想 .

基于注入式仿真平台的自适应真实感地形生成算法

为了满足注入式仿真系统对实时性的要求,提出了一种基于实时优化自适应网格(ROAM)算法的自适应真实感地形生成算法。将基本ROAM算法生成的地形作为基网格,提出了一种新的评价参数,通过比较给定阈值与参数来判断是否进行局部细分。对满足细分条件的顶点进一步提取地形的尖锐特征,采用Loop算法细分局部曲面。在实时漫游过程中利用旋转映射技术生成一个视频流实时输出到注入式仿真平台并显示在数字视频接口(DVI)显示器上。实验结果表明:该算法在实时漫游仿真时,平均帧频达到45.130 3frame/s,峰值帧频接近50frame/s,高于原始算法的36frame/s。得到的仿真地形场景能够在注入式仿真平台上流畅输出到DVI显示器,平均帧频为45frame/s左右,满足注入式仿真系统实时性的要求。

基于遗传算法的自适应测试生成

文章介绍了一种基于遗传算法的自适应测试生成方法。首先讨论了用遗传算法进行测试生成时构造评价函数的一些方法,然后应用组合电路的Hopfield神经网络模型,提出了基于遗传算法的自适应测试生成算法,该方法不同于传统的方法,它不需要故障传播、回退等过程。实验结果表明了本算法的可行性。

中轴生成算法和自适应有限元模糊控制 (Ⅱ) ——基于中轴的自适应有限元模糊控制策略与实施(英文)

在任意形体中轴生成算法结果的基础上 ,根据中轴半径及其变化 ,建立并实现了h型自适应有限元模糊控制机制 .进行的数值模拟实例表明 ,采用本文方法 ,仅需一次计算就能达到要求的计算精度 ,从而可以大大提高自适应有限元前置处理的效率 .

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.

一种自适应的背景图像生成算法

运动物体检测是目标识别与分析中的关键技术,具有重要的理论和应用意义。论文在总结了运动物体检测技术发展现状的基础上,重点研究了背景生成算法,分析了基于高斯分布的背景模型,并根据该模型设计出一种自适应的背景图像生成算法。该算法采用迭代思想,高效易行。在不同交通视频图像上的实验结果验证了该算法的有效性和鲁棒性。

利用改进遗传算法的软件故障定位辅助测试用例生成方法

在软件故障自动化定位过程中,如果在给定的测试用例集合情况下故障在故障疑似度列表种排名不高,比较有效的方法为补充新的测试用例。如何在较小的代价下提升故障的可疑度排名是一项具有挑战的工作。提出一种基于改进遗传算法(IGA)的测试用例生成方法,利用软件故障定位的疑似故障排名,来辅助生成软件故障定位过程中的测试用例。依次对所提方法进行阐述和分析,在6个C程序和2个Python程序上开展实验,实验结果表明:所提方法自动生成的测试用例能够有效地帮助提高故障定位的效率。

基于CGA的MPI程序分支覆盖测试套件生成

针对程序的分支覆盖测试,元启发式搜索技术已经被广泛应用于测试数据生成中。然而,当前的研究成果主要适用于串行程序。因此,为覆盖消息传递接口(Message Passing Interface,MPI)程序的分支,该文研究基于协同进化遗传算法(Co-evolutionary Genetic Algorithm,CGA)的测试套件生成方法(简称为:CGA生成法),该方法具有不受不可行分支影响的优势。首先,基于收集覆盖信息的探针,定义最小归一化分支距离,并以此设计出相应的适应度值函数;然后,使用CGA生成进化个体,并基于设计的适应度值函数,计算这些个体的适应值;最后,基于计算的适应值,选择子种群中代表个体,以构成合作种群。所提CGA生成法应用于7个基准MPI程序,并与其他多种方法进行比较。实验结果表明,CGA生成法的覆盖率通常高于其他搜索算法。

基于双交叉熵的自适应残差卷积图像分类算法

为弥补卷积神经网络在图像分类方面对颜色特征的不敏感,并生成更逼真的图像样本,提出一种基于双交叉熵的自适应残差卷积图像分类算法。将双交叉熵损失函数应用到深度卷积生成对抗网络中的判别模型;结合图像的主颜色特征和残差卷积神经网络提取的空间位置特征,运用改进的差分演化算法解决多特征融合权重系数的设定问题。实验结果表明,所提算法与传统的CNN算法相比,准确率明显提高10.75个百分点。双交叉熵损失函数可以提高判别模型区分生成图像与真实图像的能力,迫使生成模型生成更逼真的图像样本。

覆盖表生成的粒子群算法:参数优化和自适应算法

组合测试是一种能有效检测由参数间相互作用所引发错误的软件测试方法,覆盖表的生成是该研究领域的一个重要问题.目前,很多方法已被应用于覆盖表生成,基于演化搜索的粒子群算法尽管能得到较优的解,但其性能容易受到配置参数的影响.本文首先使用试验设计的方法,对不同覆盖表生成的算法参数进行优化,系统分析了参数对算法性能的影响.同时,考虑到对不同的覆盖表,最优的算法参数往往不同,因此进一步提出了一种适用于覆盖表生成的自适应粒子群算法.实验结果表明,在一定的参数取值范围内粒子群算法都能获得较好的结果,且不存在一组对任意覆盖表都能有最优性能的算法参数.通过参数调优,能使粒子群算法获得比已有结果规模更小的覆盖表,同时,与经过参数调优后的算法相比,自适应粒子群算法在大部分情况下有更好的性能.

人工智能时代在线学习新形态——算法支持的智适应社群化学习

人工智能、大数据等核心技术的快速发展促使人类的知识生产方式、学习方式和人才培养方式发生变革。以ChatGPT为代表的生成性人工智能为人机协同的互动性、生成性、个性化学习发展提供支撑。网络时代人类的知识生产经历了从PGC到UGC再到AIGC的转变。在线学习也经历了由教师提供到社群驱动和算法支持的发展。人工智能时代需要将人机互动的智适应学习和人际互动的社群化学习深度融合,从而充分发挥算法驱动的个性化和自适应优势,以及社群驱动下群体动力和群体智慧汇聚的优势,以实现算法和社群双驱动的协同共创。将人工智能与群体智慧深度融合,可以回应人工智能时代学习方式变革和创新型人才培养的问题。同时,在算法支持的智适应社群化学习发展过程中,为了避免算法歧视与偏见,必须重视“人在回路”的概念,即重视由人主导的迭代。