CN112463629B - 一种基于遗传进化的自主无人系统软件配置项调整方法 - Google Patents

一种基于遗传进化的自主无人系统软件配置项调整方法 Download PDF

Info

Publication number
CN112463629B
CN112463629B CN202011437832.1A CN202011437832A CN112463629B CN 112463629 B CN112463629 B CN 112463629B CN 202011437832 A CN202011437832 A CN 202011437832A CN 112463629 B CN112463629 B CN 112463629B
Authority
CN
China
Prior art keywords
parameters
parameter
environment
source code
syntax tree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011437832.1A
Other languages
English (en)
Other versions
CN112463629A (zh
Inventor
丁嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011437832.1A priority Critical patent/CN112463629B/zh
Publication of CN112463629A publication Critical patent/CN112463629A/zh
Application granted granted Critical
Publication of CN112463629B publication Critical patent/CN112463629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/33—Intelligent editors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G06F8/42—Syntactic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/40—Transformation of program code
    • G06F8/41—Compilation
    • G06F8/44—Encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/71—Version control; Configuration management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Stored Programmes (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于遗传进化的自主无人系统软件配置项调整方法，针对无人系统软件的配置项参数，借助ANTLR工具链，根据抽象语法树和规则提取配置项参数，同时写入YAML参数文件和源码中。将YAML参数文件中的参数编码成二进制，作为遗传算法的基因序列进行计算；源码放在仿真环境中进行测试，得到测试结果作为计算适应度的基础。遗传算法根据适应度对基因序列进行选择、交叉和变异操作，经过迭代计算，得到适应于该任务、资源、环境的软件配置项参数。在仿真环境中，通过更改仿真环境的配置以及任务发布的脚本，来更改任务、资源和环境的要求，重新运行脚本，即可进行新的迭代计算，得到新的配置项参数，适应新的任务、资源、环境要求。

Description

一种基于遗传进化的自主无人系统软件配置项调整方法
技术领域
本发明涉及一种基于遗传进化的自主无人系统软件配置项调整方法，属于无人系统软件配置技术领域。
背景技术
无人系统软件的运行情况涉及到很多配置项参数，在不同任务、资源和环境下，不同的配置项参数选择会使无人设备有不同的运行结果，为了得到更好的运行结果，需要针对不同的任务、资源和环境选择合适的配置项参数，在文献《Abdelrasoul,Yassin,AbuBakar Sayuti HM Saman,and Patrick Sebastian.”A quantitative study of tuningROS gmapping parameters and their effect on performing indoor 2D SLAM.”20162nd IEEE international symposium on robotics and manufacturing automation(ROMA).IEEE,2016.》中，为了提高无人设备的建图算法效果，对参数进行定量研究并分析其对性能的影响，需要人为地测试并调整配置项参数，会花费一定的时间和精力，这是本申请需要解决的问题。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。配置项参数的不同选择可以作为一个搜索问题去解决，随着配置项参数的规模增大，组合优化的搜索空间也急剧增大，在计算上用枚举法很难求出最优解。
对这类复杂的问题，需要把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。由于遗传算法不能直接处理问题空间的参数，因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体，为了达到好的算法结果，需要对软件配置项参数进行合适的编码，并且需要设计合适的选择、交叉、变异算法以及适应度函数，使遗传算法能够有效运行，这些均是本申请需要解决的问题。
ANTLR提供了源码到抽象语法树转换的流程工具，使用IDEA编辑器的ANTLR插件，可以将c++代码转换成抽象语法树，但是该抽象语法树只有访问的权限，不能直接操作，参考文献《Parr,Terence.”ANTLR:Another tool for language recognition.”(2006).》。将只供访问的抽象语法树转换成可以操作的抽象语法树，并根据软件源码的抽象语法树，从软件源码中有效地提取配置项参数，是本申请需要解决的问题。
发明内容
本发明技术解决问题：克服现有技术的不足之处，提供一种基于遗传进化的自主无人系统软件配置项调整方法，针对不同的任务、资源、环境自动生成的合适的配置项参数，自动化程度高，减少人力资源的消耗。
本发明所采用的技术方案是：基于遗传进化的自主无人系统软件配置项调整方法，包括以下步骤：
步骤(1)：使用IDEA编辑器的ANTLR工具，将无人系统软件的源码转换成抽象语法树，送至参数提取器；
步骤(2)：参数提取器根据抽象语法树和要提取的参数类型，匹配对应规则，提取出ROS参数服务器中的参数以及源码中的参数；
步骤(3)：根据任务、资源、环境的要求，构建仿真测试环境；
步骤(4)：根据步骤(2)中提取出参数的数据类型，随机生成参数的值；
步骤(5)：根据随机生成的参数，将其写入多份YAML文件，同时随机生成的参数写回源码，生成与YAML文件数量相等的源码文件；
步骤(6)：根据步骤(5)生成的源码文件，在仿真环境中进行编译，编译后进行测试，并得到该源码在仿真环境中的测试结果，即这一部分随机参数对任务、环境、资源的适应度；
步骤(7)：根据步骤(5)中的YAML文件，将其编码成二进制文件；
步骤(8)：根据步骤(7)中的二进制编码文件和步骤(6)中的测试结果，运行遗传算法，经过选择、交叉和变异，生成下一代种群；
步骤(9)：根据计算得到的下一代种群，将其参数值写回YAML文件和源码中；
步骤(10)：重复步骤(5)～(9)，当测试结果符合预取要求时，得到符合任务、资源、环境的配置项参数，写回源码作为最终结果。
在所述步骤(1)中，使用IDEA编辑器，安装ANTLR工具链，将源码转换成抽象语法树，由于转换得到的抽象语法树只能访问而不能修改，使用自定义的语法树结构，将ANTLR工具得到的抽象语法树转换成可操作的语法树。
在所述步骤(2)中，匹配规则时，使用迭代的方式，遍历抽象语法树中的节点，根据语法规则进行匹配，提取出ROS参数服务器中的参数以及源码中不同数据类型的参数。
在所述步骤(3)中，仿真测试环境，选择不同的测试脚本，对应不同的任务要求；以资源约束为目标来评价测试结果，对应不同的资源要求；更替仿真测试地图，对应不同的环境要求。
在所述步骤(6)中，仿真环境基于ROS系统环境，并使用Python脚本发布任务，通过更改仿真软件和脚本的设置，为机器人提供测试的任务、资源与环境要求；测试不同配置项参数的源码在仿真测试环境中运行结果，作为遗传算法的适应度。
在所述步骤(7)中，参数编码，不同类型的参数进行不同的编码，布尔型使用单个二进制位编码，0表示假，1表示真；整型使用多个二进制位编码，根据整型的取值范围确定编码位数；浮点数的编码方式和整型相似。不同参数文件中的同一参数的编码位数保持一致，各个参数文件编码后的基因位数保持一致。
在所述步骤(8)、(9)中，二进制编码后的参数和测试结果作为遗传算法的输入，使用遗传算法对编码后的配置项参数进行选择、交叉、变异，交叉的操作在不同父代的同一参数之间进行，即只交换不同参数文件中的同一参数的值。
在所述步骤(10)中，整个流程由脚本自动化地控制，包括种群的生成、YAML参数的编码、源码编译、启动仿真测试环境进行测试、运行遗传算法进行计算等。当配置项参数的仿真测试结果满足任务、资源、环境的要求时结束流程，并写回源码，作为最终结果。
本发明的有益效果是，在仿真环境下使用脚本控制流程，可以自动化地完成配置项参数的调整工作，只需更改仿真环境的配置情况，即可针对不同的任务、资源和环境进行测试，并且经过实验验证，本发明能够取得很好的结果。如图6所示，当时间是本发明的优化目标时，结果越低，适应度就应该越高。将人口中每个个体的运行结果的平均值作为每一代的结果，这是图中点的纵坐标。(a)中的时间-迭代次数曲线呈下降趋势，(b)中的长度-迭代次数曲线上升并收敛。如图7中，长度是本发明的优化目标，路径越短，即结果越低，适应度就应该越高。其中(b)长度-迭代次数曲线与图6中的(b)曲线相反，这与本发明的预期一致。这表明随着迭代次数的增加，机器人花费更少的时间、走更短的路径来完成任务。因此，在这种特定的环境和给定的任务中，通过最大程度地减少时间成本，本发明的方法能够为机器人配置最佳参数，从而以最小的时间成本完成任务。
从以上结果可以看出，本申请的整个工作流程可实现自动化地优化调整配置项参数，在最大程度上适应任务、资源、环境的选择，进而减少人工成本和时间成本。
附图说明
图1为本发明示意图；
图2为从源码生成种群的示意图；
图3为参数编码的示意图；
图4为遗传算法的流程示意图；
图5为脚本控制的整体流程示意图；
图6为以机器人完成任务的时间作为优化目标，(a)是时间结果，(b)是路径长度的结果；
图7为以任务中的路径长度作为优化目标，(a)是时间结果，(b)是路径长度的结果。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示：本发明具体实施步骤如下：
步骤(1)：使用IDEA编辑器，安装ANTLR工具链，将源码转换成抽象语法树，由于转换得到的抽象语法树只能访问而不能修改，使用自定义的语法树结构，将ANTLR工具得到的抽象语法树转换成可操作的语法树，送至参数提取器；
步骤(2)：参数提取器根据抽象语法树和要提取的参数类型，匹配对应规则，匹配规则时，使用迭代的方式，遍历抽象语法树中的节点，根据语法规则进行匹配，提取出ROS参数服务器中的参数以及源码中不同数据类型的参数。
步骤(3)：根据任务、资源、环境的要求，构建仿真测试环境，在仿真测试环境中，选择不同的测试脚本，对应不同的任务要求；以资源约束为目标来评价测试结果，对应不同的资源要求；更替仿真测试地图，对应不同的环境要求；
步骤(4)：根据步骤(2)中提取出参数的数据类型，随机生成参数的值，不同类型的参数有不同的生成方式，例如布尔型生成真假值，整数和浮点数在一定范围内生成相应的随机数；
步骤(5)：根据随机生成的参数，将其写入多份YAML文件，同时随机生成的参数写回源码，生成与YAML文件数量相等的源码文件。
如图2所示，YAML参数文件与源码文件一一对应，作为遗传算法的初始种群进行后续的计算；
步骤(6)：根据步骤(5)生成的源码文件，在仿真环境中进行编译，编译后进行测试，并得到该源码在仿真环境中的测试结果，即这一部分随机参数对任务、环境、资源的适应度。
仿真环境基于ROS系统环境，并使用Python脚本发布任务，通过更改仿真软件和脚本的设置，为机器人提供测试的任务、资源与环境要求；测试不同配置项参数的源码在仿真测试环境中运行结果，作为遗传算法的适应度。
步骤(7)：根据步骤(5)中的YAML文件，将其编码成二进制文件。
如图3所示，在将YAML参数文件编码成二进制时，不同类型的参数进行不同的编码，布尔型使用单个二进制位编码，0表示假，1表示真；整型使用多个二进制位编码，根据整型的取值范围确定编码位数；浮点数的编码方式和整型相似。不同参数文件中的同一参数的编码位数保持一致，各个参数文件编码后的基因位数保持一致。
步骤(8)：根据步骤(7)中的二进制编码文件和步骤(6)中的测试结果，运行遗传算法，经过选择、交叉和变异，生成下一代种群；
如图4的流程所示，遗传算法需要输入编码后的父代文件以及每一个父代对应的测试结果。首先调用适应度函数，根据父代的测试结果计算适应度，之后根据适应度选择表现较好的父代，进行下一步的交叉、变异；交叉时，需要先根据参数的编码方式对父代基因进行分割，即按照编码位数，将基因分割成多个片段，每个片段对应一个参数，之后不同父代之间，同位置的片段进行交叉操作；变异操作也是以片段为单位，每个片段按照给定的变异率进行变异，即更改片段上的某一位编码。经过选择、交叉、变异的基因作为下一代种群，参与后续计算。
步骤(9)：根据计算得到的下一代种群，将其参数值写回YAML文件和源码中；
步骤(10)：重复步骤(5)～(9)，当测试结果符合预取要求时，得到符合任务、资源、环境的配置项参数，写回源码作为最终结果。
如图5所示，整个流程由脚本自动化地控制，包括种群的生成、YAML参数的编码、源码编译、启动仿真测试环境进行测试、运行遗传算法进行计算等。
脚本的整体流程为：首先生成父类种群，对YAML参数文件中的参数进行合适的编码，作为遗传算法的父代进行计算；源码放在仿真环境中进行测试，得到测试结果作为计算适应度的基础。获取父代基因和相应的适应度之后，启动遗传算法，遗传算法根据适应度对基因序列进行选择、交叉和变异操作，并判断当前参数是否满足任务、资源、环境的要求，若不满足，则生成下一代的参数，再写回YAML参数文件和源码中，进行下一轮的仿真测试和遗传算法计算；若满足，则将该轮配置项参数写回源码，作为最终适应于该任务、资源、环境的软件配置项。在仿真环境中，通过更改仿真环境的配置以及任务发布的脚本，来更改任务、资源和环境的要求，重新运行脚本，经过迭代计算后得到新的配置项参数，适应新的任务、资源、环境要求。

Claims (6)

1.一种基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：
步骤(1)：使用IDEA编辑器的ANTLR工具，将无人系统软件的源码转换成抽象语法树，送至参数提取器；
步骤(2)：参数提取器根据抽象语法树和要提取的参数类型，匹配对应规则，提取出ROS参数服务器中的参数以及源码中的参数；
步骤(3)：根据任务、资源、环境的要求，构建仿真测试环境；
步骤(4)：根据步骤(2)中提取出参数的数据类型，随机生成参数的值；
步骤(5)：根据随机生成的参数的值，将其写入多份YAML文件，同时将随机生成的参数的值写回源码，生成与YAML文件数量相等的源码文件；
步骤(6)：根据步骤(5)生成的源码文件，在仿真环境中进行编译，编译后进行测试，并得到该源码在仿真环境中的测试结果，即这一部分随机生成的参数的值对任务、环境、资源的适应度；
步骤(7)：根据步骤(5)中的YAML文件，将其编码成二进制文件；
步骤(8)：根据步骤(7)中的二进制编码文件和步骤(6)中的测试结果，运行遗传算法，经过选择、交叉和变异，生成下一代种群；
步骤(9)：根据计算得到的下一代种群，将其参数值写回YAML文件和源码中；
步骤(10)：重复步骤(5)～(9)，当测试结果符合预取要求时，得到符合任务、资源、环境的配置项参数，写回源码作为最终结果；
在所述步骤(1)中，提取参数，使用IDEA编辑器，安装ANTLR工具链，将源码转换成抽象语法树，由于转换得到的抽象语法树只能访问而不能修改，使用自定义的语法树结构，将ANTLR工具得到的抽象语法树转换成可操作的语法树，操作包括树节点的增加、删除、修改；
在所述步骤(2)中，匹配规则时，使用迭代的方式，遍历抽象语法树中的节点，根据语法规则进行匹配，提取出ROS参数服务器中的参数以及源码中不同数据类型的参数；
所述步骤(8)中运行遗传算法，经过选择、交叉和变异，生成下一代种群具体实现为：遗传算法需要输入编码后的父代文件以及每一个父代对应的测试结果，首先调用适应度函数，根据父代的测试结果计算适应度，之后根据适应度选择表现较好的父代，进行下一步的交叉、变异；交叉时，需要先根据参数的编码方式对父代基因进行分割，即按照编码位数，将基因分割成多个片段，每个片段对应一个参数，之后不同父代之间，同位置的片段进行交叉操作；变异操作也是以片段为单位，每个片段按照给定的变异率进行变异，即更改片段上的某一位编码， 经过选择、交叉、变异的基因作为下一代种群，参与后续计算。
2.根据权利要求1所述的基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：在所述步骤(3)中，仿真测试环境，选择不同的测试脚本，对应不同的任务要求；以资源约束为目标来评价测试结果，对应不同的资源要求；更替仿真测试地图，对应不同的环境要求。
3.根据权利要求1所述的基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：在所述步骤(6)中，仿真环境基于ROS系统环境，并使用Python脚本发布任务，通过更改仿真软件和脚本的设置，为机器人提供测试的任务、资源与环境要求；测试不同配置项参数的源码在仿真测试环境中运行结果，作为遗传算法的适应度。
4.根据权利要求1所述的基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：在所述步骤(7)中，参数编码，不同类型的参数进行不同的编码，布尔型使用单个二进制位编码，0表示假，1表示真；整型使用多个二进制位编码，根据整型的取值范围确定编码位数；浮点数的编码方式和整型相似，不同参数文件中的同一参数的编码位数保持一致，各个参数文件编码后的基因位数保持一致。
5.根据权利要求1所述的基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：在所述步骤(8)、(9)中，二进制编码后的参数和测试结果作为遗传算法的输入，使用遗传算法对编码后的配置项参数进行选择、交叉、变异，交叉的操作在不同父代的同一参数之间进行，即只交换不同参数文件中的同一参数的值。
6.根据权利要求1所述的基于遗传进化的自主无人系统软件配置项调整方法，其特征在于：在所述步骤(10)中，整个流程由脚本自动化地控制，包括种群的生成、YAML参数的编码、源码编译、启动仿真测试环境进行测试、运行遗传算法进行计算，当配置项参数的仿真测试结果满足任务、资源、环境的要求时结束流程，并写回源码，作为最终结果。
CN202011437832.1A 2020-12-11 2020-12-11 一种基于遗传进化的自主无人系统软件配置项调整方法 Active CN112463629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011437832.1A CN112463629B (zh) 2020-12-11 2020-12-11 一种基于遗传进化的自主无人系统软件配置项调整方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011437832.1A CN112463629B (zh) 2020-12-11 2020-12-11 一种基于遗传进化的自主无人系统软件配置项调整方法

Publications (2)

Publication Number Publication Date
CN112463629A CN112463629A (zh) 2021-03-09
CN112463629B true CN112463629B (zh) 2022-03-29

Family

ID=74801752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011437832.1A Active CN112463629B (zh) 2020-12-11 2020-12-11 一种基于遗传进化的自主无人系统软件配置项调整方法

Country Status (1)

Country Link
CN (1) CN112463629B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088690A (en) * 1997-06-27 2000-07-11 Microsoft Method and apparatus for adaptively solving sequential problems in a target system utilizing evolutionary computation techniques
CN104657162A (zh) * 2013-11-21 2015-05-27 腾讯科技（深圳）有限公司 一种服务环境修改方法和装置
CN105843614A (zh) * 2016-03-22 2016-08-10 东南大学 一种面向软件演化的代码可兼容性评估方法
CN106250650A (zh) * 2016-08-15 2016-12-21 北京理工大学 高通量仿真中模型的资源分配与优化方法
CN106919504A (zh) * 2017-02-14 2017-07-04 浙江理工大学 一种基于impe‑ga算法的测试数据进化生成方法
CN107203468A (zh) * 2017-04-19 2017-09-26 哈尔滨工程大学 一种基于ast的软件版本演化对比分析方法
CN107329831A (zh) * 2017-06-29 2017-11-07 北京仿真中心 一种基于改进遗传算法的仿真资源调度方法
CN108763055A (zh) * 2018-04-19 2018-11-06 北京航空航天大学 一种基于表观遗传的测试用例约束控制技术的构建方法
US10713570B1 (en) * 2017-10-04 2020-07-14 Diveplane Corporation Evolutionary programming techniques utilizing context indications

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102323906B (zh) * 2011-09-08 2014-01-08 哈尔滨工程大学 一种基于遗传算法的mc/dc测试数据自动生成方法
CN111758098B (zh) * 2020-04-24 2024-03-26 支付宝(杭州)信息技术有限公司 利用遗传编程的命名实体识别和提取

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088690A (en) * 1997-06-27 2000-07-11 Microsoft Method and apparatus for adaptively solving sequential problems in a target system utilizing evolutionary computation techniques
CN104657162A (zh) * 2013-11-21 2015-05-27 腾讯科技（深圳）有限公司 一种服务环境修改方法和装置
CN105843614A (zh) * 2016-03-22 2016-08-10 东南大学 一种面向软件演化的代码可兼容性评估方法
CN106250650A (zh) * 2016-08-15 2016-12-21 北京理工大学 高通量仿真中模型的资源分配与优化方法
CN106919504A (zh) * 2017-02-14 2017-07-04 浙江理工大学 一种基于impe‑ga算法的测试数据进化生成方法
CN107203468A (zh) * 2017-04-19 2017-09-26 哈尔滨工程大学 一种基于ast的软件版本演化对比分析方法
CN107329831A (zh) * 2017-06-29 2017-11-07 北京仿真中心 一种基于改进遗传算法的仿真资源调度方法
US10713570B1 (en) * 2017-10-04 2020-07-14 Diveplane Corporation Evolutionary programming techniques utilizing context indications
CN108763055A (zh) * 2018-04-19 2018-11-06 北京航空航天大学 一种基于表观遗传的测试用例约束控制技术的构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A quantitative study of tuning ROS gmapping parameters and their effect on performing indoor 2D SLAM;Yassin Abdelrasoul;《https://ieeexplore.ieee.org/document/7847825/》;20170209;全文第1-6页 *
ANother Tool for Language Recognition;Terence Parr;《https://www.ifi.uzh.ch/ailab/teaching/formalmethods2013/slides_antlr.pdf》;20061231;全文第1-7页 *
基于任务的配置项版本管理;潘明;《计算机应用》;20071231;第335-336+339页 *

Also Published As

Publication number Publication date
CN112463629A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
US7725409B2 (en) Gene expression programming based on Hidden Markov Models
CN112035116B (zh) 多目标编译优化序列选择的代理建模方法
Knowles ParEGO: A hybrid algorithm with on-line landscape approximation for expensive multiobjective optimization problems
Fiori de Castro et al. Availability optimization with genetic algorithm
CN109271320B (zh) 一种上位多目标测试用例优先级排序方法
CN102331966A (zh) 面向路径的软件测试数据进化生成系统
CN108563555B (zh) 基于四目标优化的故障更改代码预测方法
CN101488160B (zh) 覆盖率驱动随机验证集成电路的方法及系统
CN110321116B (zh) 一种面向编译优化中计算代价约束问题的高效优化方法
CN110533150A (zh) 基于支持向量机回归模型的测试生成与重用系统及方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN112463629B (zh) 一种基于遗传进化的自主无人系统软件配置项调整方法
CN112819062B (zh) 基于混合粒子群和连续投影的荧光光谱二次特征选择方法
CN111539558B (zh) 一种采用优化极限学习机的电力负荷预测方法
CN113076545A (zh) 一种基于深度学习的内核模糊测试序列生成方法
Ni et al. Frequent pattern mining assisted energy consumption evolutionary optimization approach based on surrogate model at GCC compile time
Santander-Jiménez et al. Asynchronous non-generational model to parallelize metaheuristics: a bioinformatics case study
CN111859807A (zh) 汽轮机初压寻优方法、装置、设备及存储介质
Chen et al. A multi-level genetic assembly planner
Chen et al. Context quantization based on the modified genetic algorithm with K-means
CN113742251B (zh) 基于集合进化的软件测试路径生成方法及系统
CN117556775B (zh) 多目标芯片电路参数优化设计方法
CN117669238A (zh) 一种用于hpm源的多目标原型优化方法及系统
Laumanns Self-adaptation and convergence of multiobjective evolutionary algorithms in continuous search spaces
Reddy Artificial Superintelligence: A Model for Self-Improving/Self-Modifying Programs

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant