导读:本文包含了预优化论文开题报告文献综述及选题提纲参考文献，主要关键词:预优化,MR数据,扫频数据,SINR
预优化论文文献综述
张楹[1]（2015）在《基于多数据源的TD-LTE预优化策略》一文中研究指出TD-LTE网络的预优化是在规划点入网前,预先对周边小区及无线环境进行优化,使得规划点入网后对现网的影响降至最低的优化方式。在LTE网络大建设期间,预优化的实施能够有效提升基站入网效率,降低优化成本,是4G时代网络优化的新生产物。目前的预优化工作单纯依赖仿真结果来判定现有无线环境,存在一定片面性和不足。针对日常优化中的MR数据和扫频数据进行深度挖掘,并结合仿真工具从多维度对预优化工作策略进行改良。融合多数据源和大数据的思想,提升预优化措施的准确性。(本文来源于《中国通信学会信息通信网络技术委员会2015年年会论文集》期刊2015-08-01）
滑伟[2]（2014）在《广义区间SOR的最佳预优化方法》一文中研究指出1预优广义区间矩阵迭代的SOR方法设A∈I(R~(n×n))是区间矩阵,b∈I(R~n)是区间向量。将A分解成A=D-L-U,其中D,-L和-U分别是A的对角矩阵,严格下和上叁角矩阵.假定A的每个对角元均不为零,则可引进求解线性方程组Ax=b(1)的广义区间SOR迭代方法(亦称M_(α,Ω)方法):x~0∈I(R~n),x_(k+1)=M_(α,Ω),x_κ+d,k=0,1,…,(2)(本文来源于《高等学校计算数学学报》期刊2014年04期）
陈云飞[3]（2014）在《基于GPGPU的一种回归测试预优化方法》一文中研究指出软件回归测试是保证软件质量的一种有效的测试方法,其中,回归测试预优化技术旨在为测试人员提供最优的测试用例执行序列,满足测试人员不同的测试要求。在实际软件开发的测试环境中,测试人员往往需要根据不同的测试要求以及各种测试条件限制因素,制定综合评估测试方案,因此针对多个测试目标的测试用例预优化技术应运而生,但其自身的开销也很大。基于进化算法的测试用例预优化方法成为提升其性能的研究热点,并且在研究实验中表现出良好的性能。然而,随着种群规模以及优化问题规模的增大,进化算法的效率会严重下降。粒子群优化(Particle Swarm Optimization, PSO)算法因其简单高效成为应用进化算法解决优化问题时的首选算法。此外,通用目的的图形计算单元(general-purpose computation on graphics processing units, GPGPU)适用于处理数据运算量大于数据调度与传输需要的计算任务,能够有效提升基于进化算法的优化方法的性能。本文提出了一种基于GPGPU的多目标回归测试预优化方法,应用PSO算法提升预优化方法的性能。针对测试用例预优化问题,本文设计了PSO算法中粒子的表示和状态更新方式,研究了不同粒子更新方式和迭代次数及粒子群大小对多目标测试用例预优化结果的影响。此外,本文对上述方法的性能进行了细致的分析,并利用GPGPU加速技术进一步提升了计算性能。实验结果显示,针对所有的被测试程序本文提出的方法可以快速得到测试用例最优执行序列。同时,相比于应用NSGA-Ⅱ的测试用例预优化方法,本文方法在执行效率方面表现出明显的优势。因此,本文方法可以有效解决实际测试环境下的测试用例预优化问题。另外,本文针对方法中最耗时的适应度计算部分应用GPGPU加速,实验结果显示加速比在十几倍到几十倍之间,大幅提升了性能,进一步提升了本文方法的实用价值。(本文来源于《北京化工大学》期刊2014-05-30）
顾聪慧[4]（2014）在《多目标测试用例预优化的ACO算法及参数优化》一文中研究指出在软件修改后,为了确认当前的系统的功能是否受到修改的影响通常会进行回归测试。这是软件测试的重要组成部分,最常用的策略是重新运行测试用例集合中已被执行的全部测试用例,用以确定程序原有行为是否发生改变。由于软件的频繁修改,版本的不断更新及错误的修正等原因导致执行回归测试的频率也越来越高。然而在软件演化过程中软件规模不断增长,测试用例数量也随之不断增多,运行测试用例集中所有的测试用例所需的开销也不断增大。研究人员提出了一些测试用例集优化技术,包括测试用例选择,测试用例集最小化和测试用例预优化。本文研究了回归测试用例预优化方法,该方法依据某个准则对测试用例进行排序。早期的预优化技术通常只需要优化一个目标,然而随着测试环境复杂性的提高及人们需求的不断变化,在进行预优化过程中需要同时考虑多个目标,所依据的准则也由单一向多个准则变化。本文针对平均语句覆盖率(average percentage of statement coverage, APSC)和有效执行时间(effective execution time, EET)两个目标的测试用例预优化问题,提出了多目标测试用例预优化的蚁群优化算法(Ant Colony Optimization，ACO)。设计了算法中的选择概率公式以及启发信息函数,详细介绍了算法中的各主要部分：解的构造,解的评价,非支配排序以及解集更新和信息素更新过程。蚁群算法中的参数设置对算法快速收敛到最优解有重要影响,根据具体问题不同,参数设置不尽相同。多个参数优化问题本身是一个多目标优化问题,本文采用控制单一变量法和遗传算法优化这些参数使ACO能以较低的计算开销达到质量较高的解。随后应用一个基于搜索的优化算法一遗传算法进行参数组合优化。实验对象取自SIR(Software-artifact Infrastructure Repository, SIR)库中的五个被测程序和基于Google发布的一个开源程序V8。结果表明将蚁群优化算法应用于多目标测试用例预优化问题是可行的,并且由控制单一变量法能很好地平衡解的质量和收敛时间,遗传算法优化参数组合能得到更多的参数组合,其得到的解基本不劣于前者,说明该方法的可行性和有效性。(本文来源于《北京化工大学》期刊2014-05-30）
陈云飞,李征,赵瑞莲[5]（2014）在《基于PSO的多目标测试用例预优化》一文中研究指出随着软件规模的增大,在软件回归测试中,重复执行庞大的全部测试用例集已不再现实。在这种情况下,对测试用例集进行预处理就尤为重要。测试用例预优化是寻找最佳测试用例执行序列的一种技术。在实际的软件回归测试中,基于多目标的测试用例优化技术已逐步取代了单目标优化;应用进化算法解决多目标测试用例预优化是当前研究的热点。但由于进化算法主要是基于种群进行遗传迭代,种群间的交互机制相对复杂,算法的执行效率会随着种群及测试用例集规模的增大而显着下降。针对上述情况,提出了一种基于粒子群优化算法(PSO)的测试用例预优化方法,设计了粒子的表示和状态更新方式,研究了不同粒子更新方式和迭代次数及粒子群大小对多目标测试用例预优化结果的影响。实验结果显示,同基于NSGA-Ⅱ的方法相比,所提方法的执行效率显着提高,可以解决实际回归测试中的多目标测试用例预优化问题。(本文来源于《计算机科学》期刊2014年05期）
顾聪慧,李征,赵瑞莲[6]（2014）在《基于ACO的测试用例预优化及参数影响分析》一文中研究指出测试用例预优化是一种先进的软件回归测试用例集优化技术。相比测试用例选择和测试用例集约简技术,它具有更好的灵活性,更容易适应实际软件回归测试过程中的迭代与变化。基于多目标的测试用例预优化技术是当前研究的热点,针对选定的多个优化目标,算法是多目标测试用例集优化的关键。提出了一种基于蚁群优化算法(ant colony optimization,ACO)的多目标测试用例预优化方法,针对平均语句覆盖率和有效执行时间两个优化目标,实现了测试用例集的预优化,并针对多目标解集优劣评价方法进行了改进。同时对蚁群优化算法中的信息素挥发因子ρ、启发因子α和β、蚁群规模m等相关参数对多目标测试用例预优化结果的影响进行了实验分析。实验中使用的被测程序既包括广泛使用的软件测试样本库SIR(software-artifact infrastructure repository)中的程序,也包括Google发布的大规模开源程序Java Script引擎V8。实验结果表明,当参数α=14≥β≥6ρ=0.1时,针对小规模程序,蚁群规模m=32时,算法求得较优解;针对较大规模程序flex和V8,则需要适当增大蚁群的规模以获得较优解集。(本文来源于《计算机科学与探索》期刊2014年12期）
张楹[7]（2013）在《预优化中的街道站规划点覆盖估算方法》一文中研究指出新站入网前进行网络预优化可让新站周边基站提早调整进入到准备状态,以减少新站的入网时间,提升网络运行效率。本文主要根据高度、天线选型和建设场景对街道站进行分析,对比不同的预优化方案,结合现网扫频数据分析和天线电气特性仿真结果,提出了街道站规划点覆盖估算方法,为获得便捷、精确的网络预优化方案提供依据。(本文来源于《电脑与电信》期刊2013年10期）
孟涛,张晓斌[8]（2013）在《网络结构预优化体系的研究和应用》一文中研究指出提出了网络结构的概念和计算方法,并通过精细规划仿真技术和网络结构理念的有机结合,建立了网络结构预优化体系。该体系引入多维度的站点预评估机制,科学预评估规划站点的建设效果和优先级,实现了站点精确规划。(本文来源于《移动通信》期刊2013年07期）
程俊[9]（2012）在《多目标测试用例预优化方法及其在GPU上的应用研究》一文中研究指出在软件回归测试中，由于客观因素（例如时间、成本等）的制约，庞大的测试用例集不可能全部被执行。测试用例预优化是一种通过调整测试用例的执行顺序来优化回归测试过程的技术。传统的测试用例预优化技术主要针对单一测试准则进行优化排序研究，以及研究不同测试准则和平均错误检测率之间的相关性。然而，在实际的回归测试环境中，测试人员可能会同时考虑多个测试准则和多种客观因素，从而综合地作出测试用例预优化方案，传统的测试用例预优化技术很显然不能满足这样的需求。另外，进化算法是一类以达尔文进化论为依据的智能算法，广泛应用于不同领域里的实际优化问题中，但由于它是一个以种群为单位进行大规模遗传迭代的过程，所以执行效率必然会随着种群大小和测试用例集规模的增大而急剧下降，这已成为进化算法发展的一大软肋。针对上述两个问题，本论文首先提出了一种基于NSGA-II算法的多目标测试用例预优化方法，该方法可以同时将多个测试准则和客观因素作为优化目标；在此基础上，本论文一方面针对方法中最耗时的适应度评估部分，给出了一种基于CPU+GPU异构模式的并行适应度评估策略；另一方面，针对遗传操作中最复杂且最耗时的交叉操作部分，本论文探讨了叁种基于CPU+GPU异构模式的并行交叉策略，即序列编码并行交叉策略、顺序编码并行交叉策略和基于scan操作的并行交叉策略。实验结果表明本论文提出的基于NSGA-II算法的多目标测试用例预优化方法在所有的被测程序上都可以获得测试用例的最优排序方案集合，并且在规模较大的space程序上得到了较好的Pareto前沿。表明该方法可以有效地解决符合实际回归测试需求的测试用例预优化问题。此外，几种并行策略的实验结果显示适应度评估部分可以获得50倍以上的加速，而叁种并行交叉策略也可以获得不同程度的加速效果，其中基于scan操作的并行交叉策略加速效果最为明显。因此，这几种并行策略确实可以有效地提高基于NSGA-II算法的多目标测试用例预优化方法的执行效率，可以应用于一些对时间要求苛刻的软件回归测试过程中。(本文来源于《北京化工大学》期刊2012-06-01）
郑海坤,刘瀚林[10]（2012）在《变电站主变压器档位设置预优化方法》一文中研究指出基于不同变压器调档所引起的电压无功变化在稳态电网中具有近似线性迭加性质,提出一种简单实用的变压器调档策略,以满足电网的无功电压调控需求。在当前潮流下计算变压器抽头变动一档引起全网节点的电压和无功变化级差(步长),定义为一档电压效应和一档无功效应,以抽头变化量(步数)及无功改变量之和的最小值作为目标函数,以全网节点达到目标控制电压范围内作为约束条件,对变压器档位进行组合优化计算,得到优化调档策略,可作为全局优化的预优化计算或变电站档位规划。某实际电网的计算表明此方法简便实用。(本文来源于《电力建设》期刊2012年02期）
预优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
1预优广义区间矩阵迭代的SOR方法设A∈I(R~(n×n))是区间矩阵,b∈I(R~n)是区间向量。将A分解成A=D-L-U,其中D,-L和-U分别是A的对角矩阵,严格下和上叁角矩阵.假定A的每个对角元均不为零,则可引进求解线性方程组Ax=b(1)的广义区间SOR迭代方法(亦称M_(α,Ω)方法):x~0∈I(R~n),x_(k+1)=M_(α,Ω),x_κ+d,k=0,1,…,(2)
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
预优化论文参考文献
[1].张楹.基于多数据源的TD-LTE预优化策略[C].中国通信学会信息通信网络技术委员会2015年年会论文集.2015
[2].滑伟.广义区间SOR的最佳预优化方法[J].高等学校计算数学学报.2014
[3].陈云飞.基于GPGPU的一种回归测试预优化方法[D].北京化工大学.2014
[4].顾聪慧.多目标测试用例预优化的ACO算法及参数优化[D].北京化工大学.2014
[5].陈云飞,李征,赵瑞莲.基于PSO的多目标测试用例预优化[J].计算机科学.2014
[6].顾聪慧,李征,赵瑞莲.基于ACO的测试用例预优化及参数影响分析[J].计算机科学与探索.2014
[7].张楹.预优化中的街道站规划点覆盖估算方法[J].电脑与电信.2013
[8].孟涛,张晓斌.网络结构预优化体系的研究和应用[J].移动通信.2013
[9].程俊.多目标测试用例预优化方法及其在GPU上的应用研究[D].北京化工大学.2012
[10].郑海坤,刘瀚林.变电站主变压器档位设置预优化方法[J].电力建设.2012