Optimal Samples Selection System

一个智能样本组合优化系统，使用遗传算法、模拟退火算法和贪心算法进行最佳样本选择。

系统概述

该系统帮助用户寻找满足特定覆盖要求的最佳样本组合。它提供了三种优化算法：

• 遗传算法（Genetic Algorithm）
• 模拟退火算法（Simulated Annealing）
• 贪心算法（Greedy Algorithm）

系统具有用户友好的GUI界面，并维护优化结果数据库以供参考。

功能特点

• 多算法支持

  • 遗传算法优化
  • 模拟退火算法优化
  • 贪心算法优化
  • 实时进度跟踪
  • 详细结果可视化
  • 算法对比分析

• 参数配置

  • 总样本数量 (m)：45-54
  • 选择样本数量 (n)：7-25
  • 组合大小 (k)：4-7
  • 子集参数 (j)：≥3
  • 覆盖参数 (s)：3-7
  • 覆盖次数 (f)：≥1

• 样本选择方法

  • 随机选择
  • 手动输入

• 结果管理

  • 将优化结果保存到数据库
  • 查看历史优化记录
  • 导出结果到文本文件或PDF
  • 删除不需要的记录

系统要求

• Python 3.6+
• PyQt5
• SQLite3
• DEAP（用于遗传算法）
• NumPy
• SciPy
• tqdm
• reportlab（用于PDF导出，可选）

安装

1. 克隆仓库：

git clone [repository-url]
cd [repository-name]

2. 安装所需包：

pip install -r requirements.txt

使用方法

1. 运行应用程序：

python main_window.py

2. 配置参数：

   • 设置总样本数量 (m)
   • 设置选择样本数量 (n)
   • 设置组合大小 (k)
   • 设置子集参数 (j)
   • 设置覆盖参数 (s)
   • 设置覆盖次数 (f)
   • 选择优化算法

3. 选择样本：

   • 选择随机生成或手动输入
   • 若手动输入，请输入以逗号分隔的样本编号

4. 执行优化：

   • 点击"执行"按钮
   • 实时监控进度
   • 在显示区域查看结果

5. 管理结果：

   • 将结果保存到数据库
   • 查看历史记录
   • 导出结果到文本文件或PDF
   • 删除不需要的记录

6. 算法对比：

   • 在对比选项卡中可以同时运行多种算法
   • 比较不同算法的性能和结果质量
   • 验证结果是否满足覆盖要求

数据库结构

系统使用SQLite3数据库，包含以下表：

• runs：存储优化运行信息

  • 参数 (m, n, k, j, s, f)
  • 时间戳
  • 执行时间
  • 使用的算法
  • 运行计数
  • 格式化ID

• samples：存储每次运行的选定样本

  • 运行ID
  • 样本编号

• results：存储优化结果

  • 运行ID
  • 组ID
  • 样本编号

文件结构

.
├── main_window.py          # 主应用程序入口和GUI实现
├── genetic_algorithm.py    # 遗传算法实现
├── simulated_annealing.py  # 模拟退火算法实现
├── greedy_optimizer.py     # 贪心算法实现
├── solution_validator.py   # 解决方案验证器
├── results.db              # SQLite数据库
├── requirements.txt        # Python依赖项
└── 算法流程.png             # 算法流程图

算法说明

• 遗传算法：通过模拟自然选择过程，利用交叉、变异等操作进行样本组合的优化。
• 模拟退火算法：通过模拟物理退火过程，以一定概率接受差解，避免陷入局部最优解。
• 贪心算法：基于覆盖贡献度选择样本组合，每次选择能够增加最大覆盖率的组合。

贡献

欢迎贡献！请随时提交Pull Request。

联系方式

如有任何问题或建议，请联系项目维护者。