基于遗传算法动态配置验证序列的票号验证应用研究
发布时间：2022-02-04 23:18
航空出行现如今是国内人们交通出行的首要选择,完整的国内航空出行活动由多个部门互相协作而成。机票票号则是乘客完整乘机流程中的重要凭证信息,本文将机票票号相关的信息查询过程定义为票号验证,针对当前各票号验证方法普遍存在的时效性差、灵活度低的缺陷,展开一系列研究。首先,本文对票号验证的基本特征进行描述。通过分析国内已有的票号验证方法的优缺点,针对票号验证过程中方法多、查询表现存在波动、结果和应用存在多种约束条件等问题,提出将动态配置验证序列问题转换为满足一定约束条件下的寻优问题。具体采用遗传算法通过模拟验证序列集中序列的变化来适应对应验证方法的时效性变化。其次,结合票号验证系统的使用特点,在现代软件工程思想的指导下,本文将航司官网接口等不同票号验证方式整合在一起,实现出架构更加合理的票号验证系统。票号验证系统将采用不同的分布式中间件以满足企业级应用的高可靠性。本文将基于改进算法实现的序列动态配置功能作为一个独立的模块作用在系统中,从而实现了系统的低耦合性及灵活性。此外,在系统设计中,采用持久化数据层方式来减少实时查询次数。相关实验结果证实了该验证系统及改进算法的有效性。综上所述,本文的相关研...
【文章来源】：天津大学天津市211工程院校985工程院校教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
某次固定环境实验结果
第3章基于改进遗传算法的动态序列验证研究(2)环境变化实验仅仅在固定环境下通过本算法得到最优的结果是不够的，实验最终是要运用在企业级的动态验证配置服务之上，这意味这应用环境不是一成不变的，这也是本文为了解决该问题采取遗传算法的原因之一，即要依赖遗传算法的自适应性。本次实验中，将在其它参数不变的情况下将先运行一段时间，随后在某一时刻改变矩阵W数值以模拟验证渠道的时延发生变化来观察算法的自适应性表现。实验中设置按原来方式迭代过程中矩阵W变更为[[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50]]。这种数值变更意味着原来的第5种方式本来是最不合适的方式，但在新环境下该方式变成了最佳方式，因此应该在序列中排在靠前的位置。在新条件下经过演化选出的最佳序列应该是40123。某次实验运行结果如下图3-3所示，输出结果显示算法先经过183代的演化迭代得到了在初始条件下的最佳序列01234，之后在环境发生变化之后，算法感受到了这一变化并开始进入了新的迭代过程。期间可以看到因为交叉和变异存在的原因，算法在接近最佳序列时会有一些震荡。但最终结果显示又经过多次迭代最终得到了新环境下新的最佳序列。本次实验验证了算法能够在参数变化时表现出有效的自适应性。图3-3某次模拟环境变化实验结果27
天津大学硕士学位论文(3)种群大小控制实验通过对算法的研究可以确定多个参数会对算法表现有影响。本次实验通过单变量控制法探究种群大小参数对实验表现具体会有怎样的影响。实验结果以算法得到最终结果的时间来衡量。实验中初始种群大小为10，以10为单位递增种群大校由于时间上存在不确定性，不能以单次实验的时间花销为依据，于是实验设计为在不同种群大小条件下进行50次实验，统计每一次实验的时间消耗的频数分布来分析实验结果。实验结果如下图3-4所示。图3-4种群大小控制实验结果图中横坐标代表着不同的种群大小，纵坐标代表着频数。从图中可以看出当种群大小为10的时候，算法收敛得出结果的时间开销大多大于15ms。随着种群规模扩大，大于15ms的次数逐渐减小，并更多的分布在10ms至15ms的区间内。种群规模进一步扩大，当种群规模为30时，小于等于10ms的次数已经能够控制在50%以上，在种群规模是40的时候15ms以内收敛的次数占比已经相当高。随后当种群规模增长到50时，本实验条件下对问题研究的算法时间开销基本控制在15ms以内。当规模大于50时，由于种群已经有了足够大的规模而问题的规模是有限的，算法本身基本达到了“收敛状态”，超过80%的单次实验在5ms内能够达到收敛。从本次的实验结果可以得到如下结论，实验结果印证了种群规模大小这个变量对算法的效率有很大的影响。提前考虑问题的规模并且在合理范围内设置这一参数能够在实际应用时取得更好的效果。问题的规模可能很大，但种群的大小并不能总是跟随变大，一方面要受到存储等资源消耗的约束，另外一方面实验结果体现了到达一定规模后种群大小对算法效率不再构成显著影响。(4)模拟退火算法比对实验本次实验通过将本文提出的改进遗传算法效果同模拟退火算法进行比较。28
【参考文献】：
期刊论文
[1]基于遗传算法的地磁匹配导航应用[J]. 孙建军. 地理空间信息. 2017(06)
[2]分布式关系数据库Ocean Base的高可靠性[J]. 阳振坤. 金融电子化. 2016(02)
[3]中间件技术及其应用[J]. 胡锡衡. 鞍山师范学院学报. 2007(06)
[4]什么是电子客票?[J]. 中国工会财会. 2007(02)
[5]遗传算法的编码理论与应用[J]. 余有明,刘玉树,阎光伟. 计算机工程与应用. 2006(03)
[6]模拟退火算法在路径优化问题中的应用[J]. 张波,叶家玮,胡郁葱. 中国公路学报. 2004(01)
[7]厚德载物:腾讯高一致性数据服务解决方案[J]. 雷海林. 程序员. 2013 (01)
博士论文
[1]航空公司航班计划优化设计研究[D]. 朱星辉.南京航空航天大学 2007
[2]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]中国机票销售市场纵向关系研究[D]. 韩璐.东北财经大学 2012
本文编号：3614127
【文章来源】：天津大学天津市211工程院校985工程院校教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
某次固定环境实验结果
第3章基于改进遗传算法的动态序列验证研究(2)环境变化实验仅仅在固定环境下通过本算法得到最优的结果是不够的，实验最终是要运用在企业级的动态验证配置服务之上，这意味这应用环境不是一成不变的，这也是本文为了解决该问题采取遗传算法的原因之一，即要依赖遗传算法的自适应性。本次实验中，将在其它参数不变的情况下将先运行一段时间，随后在某一时刻改变矩阵W数值以模拟验证渠道的时延发生变化来观察算法的自适应性表现。实验中设置按原来方式迭代过程中矩阵W变更为[[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50],[40,30,25,20,50]]。这种数值变更意味着原来的第5种方式本来是最不合适的方式，但在新环境下该方式变成了最佳方式，因此应该在序列中排在靠前的位置。在新条件下经过演化选出的最佳序列应该是40123。某次实验运行结果如下图3-3所示，输出结果显示算法先经过183代的演化迭代得到了在初始条件下的最佳序列01234，之后在环境发生变化之后，算法感受到了这一变化并开始进入了新的迭代过程。期间可以看到因为交叉和变异存在的原因，算法在接近最佳序列时会有一些震荡。但最终结果显示又经过多次迭代最终得到了新环境下新的最佳序列。本次实验验证了算法能够在参数变化时表现出有效的自适应性。图3-3某次模拟环境变化实验结果27
天津大学硕士学位论文(3)种群大小控制实验通过对算法的研究可以确定多个参数会对算法表现有影响。本次实验通过单变量控制法探究种群大小参数对实验表现具体会有怎样的影响。实验结果以算法得到最终结果的时间来衡量。实验中初始种群大小为10，以10为单位递增种群大校由于时间上存在不确定性，不能以单次实验的时间花销为依据，于是实验设计为在不同种群大小条件下进行50次实验，统计每一次实验的时间消耗的频数分布来分析实验结果。实验结果如下图3-4所示。图3-4种群大小控制实验结果图中横坐标代表着不同的种群大小，纵坐标代表着频数。从图中可以看出当种群大小为10的时候，算法收敛得出结果的时间开销大多大于15ms。随着种群规模扩大，大于15ms的次数逐渐减小，并更多的分布在10ms至15ms的区间内。种群规模进一步扩大，当种群规模为30时，小于等于10ms的次数已经能够控制在50%以上，在种群规模是40的时候15ms以内收敛的次数占比已经相当高。随后当种群规模增长到50时，本实验条件下对问题研究的算法时间开销基本控制在15ms以内。当规模大于50时，由于种群已经有了足够大的规模而问题的规模是有限的，算法本身基本达到了“收敛状态”，超过80%的单次实验在5ms内能够达到收敛。从本次的实验结果可以得到如下结论，实验结果印证了种群规模大小这个变量对算法的效率有很大的影响。提前考虑问题的规模并且在合理范围内设置这一参数能够在实际应用时取得更好的效果。问题的规模可能很大，但种群的大小并不能总是跟随变大，一方面要受到存储等资源消耗的约束，另外一方面实验结果体现了到达一定规模后种群大小对算法效率不再构成显著影响。(4)模拟退火算法比对实验本次实验通过将本文提出的改进遗传算法效果同模拟退火算法进行比较。28
【参考文献】：
期刊论文
[1]基于遗传算法的地磁匹配导航应用[J]. 孙建军. 地理空间信息. 2017(06)
[2]分布式关系数据库Ocean Base的高可靠性[J]. 阳振坤. 金融电子化. 2016(02)
[3]中间件技术及其应用[J]. 胡锡衡. 鞍山师范学院学报. 2007(06)
[4]什么是电子客票?[J]. 中国工会财会. 2007(02)
[5]遗传算法的编码理论与应用[J]. 余有明,刘玉树,阎光伟. 计算机工程与应用. 2006(03)
[6]模拟退火算法在路径优化问题中的应用[J]. 张波,叶家玮,胡郁葱. 中国公路学报. 2004(01)
[7]厚德载物:腾讯高一致性数据服务解决方案[J]. 雷海林. 程序员. 2013 (01)
博士论文
[1]航空公司航班计划优化设计研究[D]. 朱星辉.南京航空航天大学 2007
[2]一种新型的智能优化方法-人工鱼群算法[D]. 李晓磊.浙江大学 2003
硕士论文
[1]中国机票销售市场纵向关系研究[D]. 韩璐.东北财经大学 2012
本文编号：3614127
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3614127.html
