基于改进Markov模型软件测试策略

针对已有软件测试Markov模型与工程实践不符的情况,通过引入软件需求覆盖率改进Markov模型。在改进的Markov模型基础上,本文以软件测试过程中测试总代价最小为控制目标,采用交叉熵方法修正测试剖面,由优化测试剖面生成测试用例序列。仿真结果表明这种方法能够有效地降低软件测试总代价,是一种有效的软件测试方法。     

再生分辨矩阵与决策熵的不完备决策系统属性约简

为了有效地解决不完备决策系统的属性约简问题,提高属性约简的效率,提出了基于再生分辨矩阵与决策熵的不完备属性约简算法。该算法利用基于容差关系的分辨矩阵来计算相对核,通过再生分辨矩阵计算再生集和再生集属性来缩小加入约简集的条件属性选择范围,以再生集属性的分辨度和决策熵为依据,选择加入约简集的条件属性,并通过实例进行验证分析。结果表明,该算法适用于协调不完备决策系统与不协调不完备决策系统,能够有效地降低时间复杂度,并得到最优属性约简。     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

卫星通信网作战效能评估研究

通过对卫星通信网完成信息传输作战任务的能力分析,建立了卫星通信网作战效能评估指标体系;将模糊层次分析法和熵权法相结合,建立了确定指标权重向量的综合集成赋权模型,采用专家打分和隶属度函数法计算单因素模糊评估向量,采用相对状态特征值对评估结果进行处理,建立了模糊综合评估模型,实现了卫星通信网作战效能的评估,并对评估结果进行了分析。     

信息熵与物元理论在某新型火炮技术阵地优选中的应用

针对某新型火炮武器系统的作战特点,运用数学理论探索其技术阵地的优选问题。提出并利用信息熵和物元理论相结合的优选方法,依据该型火炮技术阵地选择的主要因素,建立了该型火炮技术阵地优选的数学模型。并运用该模型,结合具体实例,对该型火炮的预选技术阵地进行了优选。与传统方法相比,该方法不仅计算简便、收敛快,而且考虑技术阵地选择的不确定因素充分,为辅助指挥员实现科学决策提供了参考。     

混合指数分布模型的Bayes分析

针对截尾试验数据的情况,给出了二元混合指数分布模型的平均寿命和可靠性函数的严格的Ｂａｙｅｓ点估计,并运用最大熵准则给出了可靠性函数的近似的Ｂａｙｅｓ置信下限估计。     

基于信息熵的炮兵射击目标选优分析

针对炮兵射击目标选择的特点,运用信息熵权重和层次分析方法,建立射击目标选择的数学模型,得到炮兵射击目标的合理排序。最后得出利用信息熵和层次分析法对射击目标进行选择,比单纯运用层次分析法收敛速度快,又利于计算机软件实现,为炮兵作战指挥自动化系统辅助决策提供了一种新的方法。     

基于评估的任务间隔期维修任务选择方法

针对任务间隔期维修任务的选择问题,提出了求解该问题的方法。首先,给出了维修任务优先级评估指标,以及修理有效性评估指标;然后,提出了AHP-熵-DEA-TOPSIS方法,用来确定维修任务的优先级,以及修理有效性;接着建立基于维修效果的数学规划模型,其目标是使维修方案的加权有效性总和在满足维修资源约束条件下最大化。最后,应用该方法对具体示例进行了求解,验证了方法的有效性和可行性。分析表明所求得的维修任务选择方案能够充分利用各种信息,具有较强的可信性与实用性,有助于维修管理人员对维修任务选择进行优化。     

基于熵权TOPSIS法的多方案保障性评价研究

为了提高武器系统的综合保障能力和系统决策水平,将一种基于熵权TOPSIS的多方案评价方法应用于保障性评价当中。通过指标数值间的差异程度确定熵权,并将熵权与专家权重进行综合,克服了传统熵权评价法只反映客观的信息,而忽略人的主观重视程度的弊端。实例分析表明,该方法能够主客观相结合,可操作性较强,具有一定的应用价值。     

Annealing adaptive search,cross‐entropy,and stochastic approximation in global optimization

The Annealing Adaptive Search (AAS) algorithm for global optimization searches the solution space by sampling from a sequence of Boltzmann distributions. For a class of optimization problems, it has been shown that the complexity of AAS increases at most linearly in the problem dimension. However, despite its desirable property, sampling from a Boltzmann distribution at each iteration of the algorithm remains a practical challenge. Prior work to address this issue has focused on embedding Markov chain‐based sampling techniques within the AAS framework. In this article, based on ideas from the recent Cross‐Entropy method and Model Reference Adaptive Search, we propose an algorithm, called Model‐based Annealing Random Search (MARS), that complements prior work by sampling solutions from a sequence of surrogate distributions that iteratively approximate the target Boltzmann distributions. We establish a novel connection between MARS and the well‐known Stochastic Approximation method. By exploiting this connection, we prove the global convergence of MARS and characterize its asymptotic convergence rate behavior. Our empirical results indicate promising performance of the algorithm in comparison with some of the existing methods. © 2011 Wiley Periodicals, Inc. Naval Research Logistics, 2011