一种自适应程序设计方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (36): 80-82.

一种自适应程序设计方法

刘智斌1，朱晓龙2，曹宝香1

1.曲阜师范大学计算机科学学院，山东日照 276826
2.西安邮电学院计算机学院，西安 710121

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-12-21 发布日期:2011-12-21

Method of adaptive programming

LIU Zhibin1，ZHU Xiaolong2，CAO Baoxiang1

1.Computer Science College，Qufu Normal University，Rizhao，Shandong 276826，China
2.School of Computer Science & Technology，Xi’an University of Post & Telecommunications，Xi’an 710121，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-12-21 Published:2011-12-21

摘要/Abstract

摘要： 当前的程序设计都是人工设计执行流程，这种方法具有被动性、机械性、缺乏灵活性等缺点。提出一种基于强化学习的程序设计机制，并实现了相应的算法。根据环境情况和问题要求让计算机自主选择执行流程，通过学习使结果达到最优，同时能实现分层调用。采用这种方法，程序执行可以自主决策，较好地实现了自适应，减少了对设计者的依赖。结果显示，这种方法能取得较好的运行效率。

关键词: 自适应程序设计, 强化学习, Q学习, agent, 优化算法

Abstract: The current computer programming is designed artificially，which has the weakness of passivity，rigidity and lack of flexibility.This paper proposes a method based on reinforcement learning mechanism，and realizes the corresponding algorithm.According to the environment and requirements，the agent can choose executive process independently and arrive at the optimal result by learning，realize the layered calls.Using this method，the executing program is decision-making，has a way to realize the adaption，and reduces the dependence on designer.The result shows that the method can achieve satisfactory execution efficiency.

Key words: adaptive programming, reinforcement learning, Q-learning, agent, optimization algorithm

刘智斌1，朱晓龙2，曹宝香1. 一种自适应程序设计方法[J]. 计算机工程与应用, 2011, 47(36): 80-82.

LIU Zhibin1，ZHU Xiaolong2，CAO Baoxiang1. Method of adaptive programming[J]. Computer Engineering and Applications, 2011, 47(36): 80-82.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	黄逸磊，夏志杰，王诣铭. 强关系型社交媒体平台不实信息传播模型研究[J]. 计算机工程与应用, 2021, 57(9): 126-133.
[3]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[4]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[5]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[6]	伍京华，耿翠阳，韩佳丽. 基于Agent的多属性决策模型及其在高校实验教学中的应用[J]. 计算机工程与应用, 2021, 57(8): 238-243.
[7]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	王晓，唐伦，贺小雨，陈前斌. 基于深度强化学习的服务功能链多维资源优化[J]. 计算机工程与应用, 2021, 57(4): 68-76.
[10]	张俊杰，张聪，赵涵捷. 重复利用状态值的竞争深度Q网络算法[J]. 计算机工程与应用, 2021, 57(4): 134-140.
[11]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[12]	赖俊，魏竞毅，陈希亮. 分层强化学习综述[J]. 计算机工程与应用, 2021, 57(3): 72-79.
[13]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[14]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.
[15]	马志豪，朱响斌. 拟双曲动量梯度的对抗深度强化学习研究[J]. 计算机工程与应用, 2021, 57(24): 90-99.