改進(jìn)型遺傳算法及其應(yīng)用

1 緒論
2 遺傳算法
2．1 遺傳算法概述
2．1．1 遺傳算法的基本術(shù)語
2．1．2 遺傳算法的基本思想
2．1．3 遺傳算法的基本操作
2．1．4 遺傳算法的特點
2．2 遺傳算法應(yīng)用舉例
2．3 遺傳算法評價指標(biāo)
2．4 本章小結(jié)
參考文獻(xiàn)
3 遺傳算法的改進(jìn)
3．1 改進(jìn)思路
3．1．1 改進(jìn)編碼方案
3．1．2 改進(jìn)選擇算子
3．1．3 改進(jìn)交叉算子
3．1．4 改進(jìn)變異算子
3．2 避免陷入早熟狀態(tài)
3．3 改進(jìn)的遺傳算法比較
3．4 本章小結(jié)
參考文獻(xiàn)
4 應(yīng)用于分類問題的遺傳算法
4．1 分類
4．1．1 數(shù)據(jù)挖掘技術(shù)
4．1．2 分類思想
4．1．3 分類模型
4．1．4 分類與預(yù)測的區(qū)別
4．2 處理分類問題的遺傳算法
4．2．1 用遺傳算法進(jìn)行分類的優(yōu)勢
4．2．2 應(yīng)用于分類問題的遺傳算法思想
4．2．3 初始種群設(shè)定
4．2．4 染色體編碼
4．2．5 遺傳算子設(shè)計
4．2．6 適應(yīng)度函數(shù)設(shè)計
4．3 應(yīng)用于分類問題的遺傳算法
4．3．1 改進(jìn)型遺傳算法的思想
4．3．2 改進(jìn)型遺傳分類算法
4．4 實例測試及分析
4．4．1 測試實驗數(shù)據(jù)集
4．4．2 實驗結(jié)果分析
4．5 本章小結(jié)
參考文獻(xiàn)
5 混合粒子群遺傳算法
5．1 粒子群算法
5．1．1 粒子群算法思想
5．1．2 粒子群算法基本原理
5．1．3 粒子群算法的流程
5．1．4 粒子群算法的特點
5．2 混合粒子群遺傳算法
5．3 混合粒子群遺傳算法用于分類問題
5．3．1 應(yīng)用于分類問題的混合粒子群遺傳算法
5．3．2 混合粒子群遺傳算法分類實驗數(shù)據(jù)集
5．3．3 分類系統(tǒng)性能驗證
5．4 混合粒子群遺傳算法用于測試數(shù)據(jù)生成
5．4．1 測試數(shù)據(jù)生成系統(tǒng)結(jié)構(gòu)框架
5．4．2 搜索模型
5．4．3 適應(yīng)度函數(shù)
5．4．4 編碼方式
5．4．5 實例測試及分析
5．5 本章小結(jié)
參考文獻(xiàn)
6 混合策略的家族遺傳算法
6．1 混合策略的家族遺傳算法思想
6．2 家族遺傳算法的實現(xiàn)
6．2．1 個體編碼和種群初始化
6．2．2 適應(yīng)度函數(shù)
6．2．3 家族交叉算子
6．2．4 變異算子
6．2．5 算法步驟
6．3 仿真實驗與分析
6．3．1 分類實驗數(shù)據(jù)集
6．3．2 數(shù)據(jù)預(yù)處理
6．3．3 實驗分析
6．4 本章小結(jié)
參考文獻(xiàn)
7 遺傳算法在測試數(shù)據(jù)生成中的應(yīng)用
7．1 軟件測試基礎(chǔ)
7．1．1 軟件測試的概念和原則
7．1．2 軟件測試的分類
7．1．3 白盒測試
7．1．4 自動化軟件測試技術(shù)
7．2 自動生成軟件測試數(shù)據(jù)的智能優(yōu)化算法
7．2．1 軟件測試數(shù)據(jù)自動生成研究現(xiàn)狀
7．2．2 智能優(yōu)化算法在軟件測試數(shù)據(jù)自動生成中的應(yīng)用
7．3 生成測試數(shù)據(jù)的遺傳算法
7．3．1 算法思想
7．3．2 適應(yīng)度函數(shù)設(shè)計
7．3．3 算法步驟
7．4 手機(jī)軟件測試
7．5 本章總結(jié)
參考文獻(xiàn)
8 總結(jié)
8．1 本書所做的研究工作
8．2 研究工作的展望
后記