一种用于DBMS模糊测试的自适应变异策略

数据库管理系统(DBMS)被广泛应用于各个领域,并在其中发挥着不可替代的作用.因此发现DBMS中的bug,防止其被攻击者利用至关重要.为了检测DBMS中潜藏的bug,研究者提出了DBMS模糊测试技术.使用这项技术,研究者成功在DBMS中发现了大量bug.然而现有的DBMS模糊测试技术依然存在一定的局限性.现有的技术在对SQL语句的抽象语法树(AST)进行变异时,没有根据不同节点和变异结果的重要性分配计算资源,而是采取了一种平均分配的策略,这降低了测试的效率.为了解决这个问题,本文提出了一种使用基于语法信息的变异方法的自适应变异策略.这种变异策略能够自动计算不同节点和变异结果的重要性,并根据重要性为更重要的操作分配更多的计算资源.基于语法信息的变异方法可以将变异操作与变异结果直接关联,消除了变异操作和变异结果之间的偏差.我们在一种新的DBMS模糊测试工具Pinecone中实现了这种变异策略,并使用Pinecone对两款广泛使用的DBMS进行测试.实验证明,与Squirrel相比,Pinecone在MariaDB和MySQL中发现的路径数分别提升了4.52%和19.4%,位图覆盖率分别提升了15%和13.8%,发现的Bug数量提升了26.7%和75%,这证明了本文提出的方法可以有效提升模糊测试的效率.

一种自适应变异策略的集体决策优化算法

集体决策优化算法(collective decision optimization algorithm, CDOA)是一种基于种群的进化算法。该算法具有收敛速度快的特点,但同时算法易陷入局部最优。针对这一缺陷,提出了一种自适应变异策略的集体决策优化算法(adaptive collective decision optimization algorithm, ACDOA)。其中,自适应变异策略是在每一个个体变异的过程中根据一定的概率自适应的在2个不同功能的变异算子中选择1个变异算子进行变异,该变异策略使得迭代前期算法能尽可能多的选择多样性强的变异算子进行变异,而在迭代后期算法能尽可能多的选择局部搜索能力强的算子进行变异以确保个体快速、稳定的向最优值靠近。利用3个经典的测试函数对算法进行了仿真试验,结果表明, ACDOA与CDOA相比有更快的收敛速度和更大的种群多样性,同时也保留了原算法良好的局部搜索能力。

基于自适应变异二进制粒子群算法的WSN区域覆盖问题研究

为最大限度休眠冗余节点,减少无线传感器网络节点能耗,保证网络覆盖率,提出了一种基于自适应变异二进制粒子群的WSN区域覆盖控制算法(BPSO-G)。将二进制粒子群算法(BPSO)应用到WSN区域覆盖优化问题求解上,并针对BPSO算法不能收敛于全局最优解的缺点,利用自适应变异策略,将节点最优位置以一定的概率进行动态变换,该变换有助于粒子跳出局部最优解,提高搜索新解能力,有效防止算法早熟。仿真结果表明:改进算法收敛速度很快,其连续最优解接近于全局最优解,WSN冗余节点能够最大限度进入休眠状态,且当监测区域面积一定、节点感知半径相同时,其活动节点数基本不随总节点数的增加而增加,始终保持在一定区间内。

基于改进的复合自适应遗传算法的UUV水下回收路径规划

传统遗传算法的变异操作会简单随机产生新的路径,对算法进化性能有不利影响,使算法易陷入局部最优的陷阱;遗传算法常配合栅格法进行路径规划,所得的最优路径并非无人水下航行器(UUV)回收路径规划可获得的最短路径,并存在UUV机动性能可能与最优路径冲突的问题。为此,设计一种具有UUV机动性约束条件的改进遗传算法,提出环境复杂度的概念用于分析机动性约束的具体取值,使路径规划适配于UUV的机动性,使算法结果更具实用性;提出复合自适应变异策略,控制变异的个体在迭代过程中发生自适应的进化;当一定迭代数内种群进化停滞时,引导最优个体进行双阶段自适应变异,从而使最优路径趋近全局近似最优解,有效提高算法的收敛速度。基于MATLAB软件的算法对比仿真结果表明一般复杂水域和复杂水域环境下,改进的复合自适应遗传算法生成的最优路径相比于遗传算法和自适应遗传算法的最优路径更加平滑,路径长度更低,可见改进的复合自适应遗传算法在路径规划上收敛性能和寻优能力更优,更具有可行性和优越性。

柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型

针对在最小二乘支持向量机(LSSVM)的核函数参数和正则化参数优化中回溯搜索优化算法(BSA)易早熟、局部开采能力弱等问题,提出了一种集成预测模型CABSA-LSSVM。首先采用柯西种群生成策略增加历史种群的多样性使算法不易陷入局部最优解,然后利用自适应变异因子策略调节变异尺度系数以平衡算法的全局勘探和局部开采能力,最后运用改进后的柯西自适应回溯搜索算法(CABSA)优化LSSVM以形成新的集成预测模型。选取10个UCI数据集进行数值实验,结果表明所提模型CABSA-LSSVM在种群规模为80时回归预测性能最优,且与标准BSA、粒子群优化(PSO)算法、人工蜂群(ABC)算法、灰狼优化(GWO)算法优化的LSSVM相比,该模型的决定系数提升了1.21%~15.28%,预测误差降低了6.36%~29.00%,运行时间降低了5.88%~94.16%,可见该模型具有较高的预测精度和较快的计算速度。

基于改进PSO-BP神经网络的教学质量评价模型

教学质量评价是教学研究中的重点之一,但已有的数学评价模型不适合解决非线性问题,神经网络模型收敛速度慢、准确率不高。针对以上问题,文中提出一种基于改进PSO(Particle Swarm Optimization)-BP(Back Propagation)神经网络的教学质量评价模型。通过引入动量和自适应学习率优化BP神经网络,采用惯性权重线性递减、学习因子异步变化,并引入速度收缩因子和自适应变异策略来优化PSO算法;再使用PSO粒子群优化算法计算BP神经网络的初始连接权重和阈值,从而提升模型的全局寻优能力和收敛速度、精度。为验证模型效果,使用评价体系指标层的10个指标数据作为模型的输入,评价结果作为输出,进行模型对比实验。实验结果表明,所提模型的准确率达到96.33%,比一般BP神经网络模型提高4.68%,比自适应BP神经网络模型提高4.07%,比PSO-BP神经网络模型提高1.2%,且收敛曲线平稳,整体性能优于其他模型,说明运用该模型能够有效地对教学质量进行评价。

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点,提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法,该算法通过选出适应度值最好的前S个个体进行自适应变异,可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明,改进的樽海鞘群算法收敛速度快,寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中,该结构在满足强度、刚度、稳定性等设计要求条件下,主梁的截面积减少了13.58%,轻量化效果显著,表明该算法具有良好的工程应用价值.

求解0-1背包问题的遗传算法

提出了一种求解0-1背包问题的遗传算法,该算法首先设计出基于适应度的自适应变异策略,提高了变异的科学性和新算法的搜索能力;然后提出了基于单位价值信息和满足约束最大化的双优化策略,提高了求解的质量.3个0-1背包问题的仿真实验表明:与已有的HGA算法和GGA算法相比,新算法在求解质量上具有一定优势.

基于速度交流的共生多种群粒子群算法

为了提高粒子群算法的求解精度,改善算法的搜索性能,提出一种基于速度交流的共生多种群粒子群算法(SMPSO)。该算法采用速度交流机制划分整个从种群为多个子种群,负责解空间的全局搜索,将获得的最优信息分享给主种群;主种群综合从种群与自身最优经验,负责局部深度优化,获得最优信息反馈给从种群,从而建立主从群间的共生关系,实现解空间的充分搜索。迭代后期,在主种群中引入自适应变异策略,提高算法跳出局部最优的能力。将提出的SMPSO算法应用于基准测试函数中,与其它改进的PSO算法进行比较。实验结果表明,SMPSO算法在求解精度、搜索能力、稳定性等方面均有较大的提高。

基于改进离散差分进化算法的桁架优化

为提高离散桁架优化问题的计算效率,提出一种改进的离散差分进化算法。基于种群多样性自适应地选择变异策略以平衡探索和收敛能力,根据个体差异度和种群多样性缩减种群规模以减少计算量,在进行结构分析前舍弃较大的实验个体规避无用计算,并引入精英选择技术解决选择阶段目标个体和实验个体数量不等的问题,在此基础上,给出一种将数值之间的距离转化为概率的离散化方法,处理离散变量问题。实验结果表明,与IGA、DE等算法相比,该算法在保证最优解质量的同时,能够大幅减少结构分析次数。

一种改进的遗传算法在年度排课问题中的应用

论文深入分析了年度排课问题的特点,提出了一种基于改进遗传算法的求解方法。该方法通过分析适应度与编码之间的内在关系,对常规遗传算法的杂交和变异操作进行了改进,提出了基于子适应度的纵向基因杂交法和自适应变异策略等方法。仿真结果表明该改进的遗传算法相比于常规遗传算法在求解年度排课问题时性能有了较大的提升。

改进免疫粒子群算法的传感器网络预警系统

为节约传感器网络预警系统的传输能耗,提出了一种改进免疫粒子群算法以优化传输路径。为有效改善传统粒子群改进算法易于局部收敛的缺陷,引入了免疫机制,以最大程度的提升算法的全局搜索能力和收敛速度。基于多跳传输的险情点至监控点的传感器网络预警模型,通过引入免疫粒子群算法优化获得尽可能最优的多跳传输路径,以节约其能耗。由仿真验证结果可知,所提算法有效提升了粒子群的全局搜索能力和收敛速度,以能够寻到更优的多跳传输路径,从而减少了能量消耗。

基于改进遗传算法的ATO速度曲线研究

常用遗传算法研究ATO速度曲线,但其存在着局部搜索能力和全局收敛效果较差的缺点。针对此问题,提出一种基于自适应变异算子的变异策略,并结合精英保存策略使算法全局收敛。然后基于列车动力学和牵引制动模型,建立多目标优化模型,用于求解ATO速度曲线。结果表明:改进算法比标准遗传算法效果更优,生成的ATO速度曲线符合相应模式的牵引控制策略,且算法具有一定的参考价值。

改进差分进化算法下的MIMO雷达波形设计

由于正交MIMO雷达展现出的性能优势,正交波形的设计受到了很大的关注。其中,完全互补码(CCC)在零多普勒轴附近展现出了良好的正交性。然而,多普勒旁瓣会随着多普勒频率的增加快速增长。本文将一种基于改进变异策略的自适应差分进化算法(MMADE)应用到完全互补码的设计问题中来。仿真结果表明,在此方法中,完全互补码的抗多普勒性能得到显著提高,同时在不同码长的完全互补码设计中也表现出很好的效果。