[论文解读] A Hybrid ACO Algorithm for the Next Release Problem
本文提出了一种混合蚁群优化（HACO）算法来解决需求工程中的下一个发布问题（NRP），这是一个NP难问题，涉及在客户偏好、资源限制和依赖关系下选择最优需求。HACO结合信息素轨迹与邻域信息进行解的构建，集成首次发现的爬山局部搜索，并在标准NRP基准测试中，于解的质量和运行时间方面优于GRASP和模拟退火算法。
In this paper, we propose a Hybrid Ant Colony Optimization algorithm (HACO) for Next Release Problem (NRP). NRP, a NP-hard problem in requirement engineering, is to balance customer requests, resource constraints, and requirement dependencies by requirement selection. Inspired by the successes of Ant Colony Optimization algorithms (ACO) for solving NP-hard problems, we design our HACO to approximately solve NRP. Similar to traditional ACO algorithms, multiple artificial ants are employed to construct new solutions. During the solution construction phase, both pheromone trails and neighborhood information will be taken to determine the choices of every ant. In addition, a local search (first found hill climbing) is incorporated into HACO to improve the solution quality. Extensively wide experiments on typical NRP test instances show that HACO outperforms the existing algorithms (GRASP and simulated annealing) in terms of both solution uality and running time.
研究动机与目标
- 通过平衡客户偏好、资源约束和需求依赖关系，解决需求工程中的NP难下一个发布问题（NRP）。
- 通过混合元启发式方法，提升NRP的解质量与计算效率。
- 将局部搜索集成到蚁群优化（ACO）框架中，以提升收敛速度与解的准确性。
- 在标准NRP测试实例上，将HACO的性能与GRASP和模拟退火等成熟算法进行对比。
提出的方法
- HACO利用多只人工蚂蚁，通过信息素轨迹与局部邻域信息引导需求选择，迭代构建解。
- 算法采用混合决策规则，在解构建过程中结合信息素水平与启发式信息（邻域相关性）。
- 在每次解构建完成后，应用首次发现的爬山局部搜索，以优化和提升解的质量。
- 在所有蚂蚁完成解构建后，全局应用信息素更新规则，强化高质量的选择。
- 算法在预设的迭代周期内反复执行，以有效探索解空间。
- HACO在标准NRP基准实例上进行评估，以与GRASP和模拟退火算法进行性能比较。
实验结果
研究问题
- RQ1混合ACO方法能否在下一个发布问题中有效平衡客户满意度、资源约束与需求依赖关系？
- RQ2在ACO框架中，局部搜索的集成如何提升NRP的解质量？
- RQ3HACO在解质量与执行时间方面是否优于GRASP和模拟退火算法？
- RQ4信息素轨迹与邻域信息在HACO中联合影响解构建的程度如何？
主要发现
- 在所有测试的NRP实例中，HACO的解质量均优于GRASP和模拟退火算法。
- 该算法表现出更快的收敛速度与更短的运行时间，表明计算效率得到提升。
- 首次发现的爬山局部搜索的集成显著提升了解质量，通过优化候选解实现。
- HACO在目标函数值方面优于GRASP和模拟退火，反映出在客户满意度与资源约束之间更优的权衡。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。