最小负载着色问题(minimum load coloring problem,MLCP)源于构建光通信网络的波分复用(wavelength division multiplexing,WDM)技术,是一个被证明的NP完全问题.由于NP完全问题有着随问题规模呈指数增长的解空间,因此启发式算法常被用来解决这类问题.在对国内外相关工作的深入分析基础上得知,现有的多类求解MLCP问题的启发式算法中局部搜索算法表现是最好的.研究针对当前求解MLCP问题的局部搜索算法在数据预处理和邻域空间搜索上的不足,提出了两点相应的优化策略:一是在数据的预处理阶段,提出一度顶点规则来约简数据的规模,进而减小MLCP问题的搜索空间;二是在算法的邻域空间搜索阶段,提出两阶段多重选择策略(twostage best from multiple selections,TSBMS)来帮助局部搜索算法在面对不同规模的邻域空间时可以高效地选择一个高质量的邻居解,它有效地提高了局部搜索算法在处理不同规模数据时的求解表现.将这个优化后的局部搜索算法命名为IRLTS.采用74个经典的测试用例来验证IRLTS算法的有效性.实验结果表明,无论最优解还是平均解,IRLTS算法在大多数测试用例上都明显优于当前表现最好的3个局部搜索算法.此外,还通过实验验证了所提策略的有效性以及分析了关键参数对算法的影响.
基于模型诊断(MBD)方法在不同的环境中有越来越多的用途,包括软件故障定位、电子表格的调试、Web服务和硬件设计,以及生物系统的分析等.受这些不同用途的启发,近年来MBD算法改进成效显著.然而,对体系庞大、结构复杂的系统,需要对现有方法进一步改进.由于求解诊断解在计算上具有挑战性,因此相继提出了一些通过压缩模型的MBD算法来提高诊断效率,如基于统治的多观测压缩模型(dominated-based compacted model with multiple observations,D-CMMO)算法.对于给定多个观测值且注入1个以上错误需要大量时间的诊断问题,提出了一个新的诊断模型CCM(cardinality-constrained compacted model)来解决.基于基数约束的压缩模型算法使用2种方法对求解过程进行优化:首先,利用系统观测的故障输出和故障组件数量之间的约束关系来限制目标解的范围;其次,通过对假设集采用单次入队方法,进而有效提升MaxSAT(maximum satisfiability)求解器的性能.此外,在ISCAS85和ITC99基准测试用例上的实验结果表明,与目前最新的MBD求解方法D-CMMO相比,上述2种优化方法有效缩小了MBD问题的求解范围,降低MaxSAT求解器搜索目标解的难度,进而能在更短的时间内返回一个诊断解.在平均状况下,CCM方法相比D-CMMO方法求解效率分别提升64.5%和92.8%.
