基于启发式遗传算法的模糊测试样本集优化方案

模糊测试作为当前最有效的漏洞挖掘方法，不仅比其他漏洞挖掘技术更能应对复杂的程序，而且可扩展性很强。在数据量相对较大的测试中，模糊测试输入样本集存在质量低、冗余性高和可用性弱等问题。因此，对模糊测试输入样本集进行研究，提出了启发式遗传算法，借助0-1矩阵，通过启发式遗传算法对样本的执行路径进行选取和压缩，从而获得优化后兼顾样本质量的样本集最小样本集合，进而加快模糊测试的效率。实验结果表明:在没有损失的情况下，样本集精简后模糊测试的时间比精简前降低了22%，压缩率相比传统方案提升约40%。      

空战场穿越走廊基本网络规划的混合禁忌搜索算法

为有效管制战区空域,确保航空军事运输活动安全、高效、有序进行,针对不考虑限制空域的穿越走廊基本网络规划问题,构建了SUMApHMP数学模型,并结合Floyd最短路径算法提出了一种求解该模型的混合禁忌搜索算法,进而根据SUMApHMP求解结果设计了不考虑限制空域的穿越走廊基本网络。利用空战场中10个机场之间的流量矩阵和距离矩阵对混合禁忌算法进行了测试,并将Lingo 9.0软件对模型的优化结果与本文算法求得的结果进行了比较,验证了算法的可行性和有效性。     

基于深度学习的超分辨率重构方法在CAARC标模绕流流场重构中的应用

基于深度学习的超分辨率重构方法是近年来发展的一种有效的流场精细化方法。本文超分辨率重构模型以卷积神经网络为基础，结合了混合下采样跳跃连接多尺度模型，并应用于CAARC标准建筑模型表面风压场和建筑绕流速度场的重构。通过对比分析对不同欠分辨率流场的高分辨重构能力，结果表明该深度学习模型重构高分辨率流场具有良好的精度，重构效果优于原始的卷积神经网络模型和传统的双三次插值方法。该方法具有一定的普适性，可推广应用到具有复杂湍流流动的任意建筑结构风场的超分辨率重构。