基于分组的并行程序多路径覆盖测试数据进化生成

尽管并行软件测试已经得到软件工程界的广泛关注,但是,如何高效生成覆盖并行软件多条路径的测试数据,相关的研究还比较少。本文研究消息传递并行程序多路径覆盖测试数据生成问题,并提出基于分组的测试数据进化生成方法。首先根据并行程序包含的进程数、可用的计算资源以及路径相似度,将目标路径分成若干组,并基于每组目标路径,建立多路径覆盖测试数据生成问题的数学模型;然后采用多种群并行遗传算法求解上述模型,使得一次运行遗传算法,生成覆盖所有目标路径的测试数据。性能分析表明,所提出的目标路径分组方法不但能够保证不同组包含的目标路径相差很少,而且同一组的目标路径之间具有很大的相似度。将所提方法应用于4个基准程序的测试中,并与已有方法比较,结果表明,所提方法在保证路径覆盖率的前提下,可大大缩减个体评价次数和耗时。     

基于改进的自适应遗传算法HCGA的测试数据自动生成

针对软件测试数据的自动生成,提出了一种自适应遗传算法和爬山算法相结合的改进算法HCGA. 通过设计自适应交叉和变异算子,加强了遗传算法的前期全局搜索能力;在进化后期嵌入了爬山算法,提高了局部搜索能力. 实验结果表明,该算法在测试数据的自动生成上优于遗传算法,提高了效率.     

一种基于扩展WSDL的测试数据自动生成方法

提出一种基于扩展WSDL的测试数据自动生成方法用来生成Web服务测试数据.该方法通过扩展WSDL,采用等价类划分法、边界值分析法、随机生成法相结合生成简单测试数据以后,再采用IPO方法生成复杂测试数据,能够有效地防止参数组合爆炸和人为加权造成的测试数据生成不准确.     

面向SCOTEM模型的软件测试数据生成方法研究

如何从UML模型生成测试用例为面向对象软件测试带来了新的挑战.为测试用例提供测试数据是其中的关键环节.Shaukat Ali等人在UML基础上提出SCOTEM模型,但是此模型的测试数据需要人工生成.针对SCOTEM模型进行了改进使其适于灰盒测试,以OCL约束测试数据的生成和运行结果的验证,并提出了一种为基于粒子群算法的改进SCOTEM模型自动生成测试数据的方法.针对不同的覆盖标准,实验证明该方法能够以更高的效率生成高质量的测试数据.     

不确定环境下的战场物资供应任务规划

针对执行战场物资供应任务之前,不确定环境下的战场物资供应任务规划问题进行研究,并建立相应的不确定规划模型,引入一种新的启发式算法——蜂群算法,对其进行改进,构建适于解决战场物资供应任务规划问题的算法,并通过与现有算法进行性能比较,验证其有效性。最后,通过一个存在13个供应任务点的应用实例,验证提出的模型及算法的有效性。结果表明,不确定环境下得到的最佳方案更符合实际。     

基于卡尔曼滤波器适应性PSO算法的测试数据生成方法

为了提高PSO算法的效率,提出了一种基于卡尔曼滤波的参数调整方法,在进化过程中根据PSO算法的运行效果对其参数值进行动态调整,以满足在不同阶段具有不同参数值的要求,进而提高PSO算法的性能.结果显示,该方法能较好地减少PSO算法所需的进化代数和运行时间,实验证实了该方法的有效性.     

不确定需求下容量限制工厂选址的改进蜂群算法

研究了需求不确定下容量限制工厂选址问题。在考虑需求点的实际情况后,根据各点不确定需求的变化而改变工厂的生产规模限制,建立设置分段的生产规模的容量限制工厂选址模型。使用联系数和区间灰数理论对不确定的需求进行预测。为了求解该问题,对传统人工蜂群算法的编码、更新、搜索和追随策略进行了改进。最后进行数值实验,将新算法与遗传算法、萤火虫算法、粒子群算法和海鸥算法进行对比。结果表明,改进后的人工蜂群算法有更好的优化效果,在求解容量限制的选址问题上具有可行性和有效性。     

用基于蚂蚁算法的混合方法求解不确定TSP问题

首次提出不确定旅行商问题模型, 此模型将路径长度看作动态可变的, 并考虑了交通运行中的不确定因素, 比经典旅行商(TSP)问题更具有灵活性及实用价值, 利用此模型得到的结果更适于指导车辆对运行路线的选择. 同时使用一种基于蚂蚁算法的混合方法求解不确定旅行商问题, 即引入3-opt方法对问题求解进行局部优化. 实验结果显示, 该方法能够加速蚂蚁算法的收敛性.     

基于离群因子的不确定数据生成算法

基于不确定数据的表示模型, 针对属性级不确定数据, 提出一种不确定数据生成算法AC UDGen（attribute level continuous uncertain data set generation algorithm）. 该算法通过引入离群点检测 LOF（local outlier factor）算法, 用每个数据对象的离群因子作为参数来控制不确定数据对象的扰动范围, 可很好地满足原始数据的分布特征, 解决了目前工作中缺乏原始数据分布特征的问题. 实验结果表明, 该算法生成的不确定数据集具有更好的聚类效果, 并降低了离群点对聚类结果的影响, 使每个数据对象MBR(minimum bounding rectangle)的大小可根据自身的分布特征自适应地变化.     

一种基于不确定Petri网的推理算法

传统的Petri网运用确定的信息进行推理,而现实生活中存在大量不精确的、不确定的信息.在采用模糊Petri网模型解决此类问题时,可能会使一个能够发生的命题被判断成不会发生,从而出现错误的结果.不确定理论是解决主观不确定性问题的数学工具.本文结合不确定理论与Petri网,提出不确定Petri网模型,用于表示不确定产生式规...     

针对不确定射频识别数据流的改进概率推导方法

针对射频识别(RFID)数据存在漏读和交叉读而导致所提供的位置信息不准确,以及RFID数据与上层应用需求之间存在的信息鸿沟,提出了一种可以处理RFID交叉读问题的改进的RFID数据推导方法.该方法利用动态图模型并辅以历史RFID识读,从不确定RFID数据流上有效捕获对象的当前状态,采用基于熵的方法推导对象的最可能位置与包含,并且利用仿真物流仓库的RFID模拟数据进行算法评价.实验结果显示,该方法在获得准确推导结果的同时,能确保其高效性.对于常见RFID部署,位置推导和包含推导的错误率都可以控制在10%以内,针对超过17万个节点的推导所用时间小于1s,采用修剪措施后内存使用低于700MB.     

基于三坐标测量机的圆度误差不确定度评估

为了实现圆度误差的不确定度准确评估,提出了一种在快速准确微分进化算法评定基础上的圆度误差蒙特卡洛(MCM)不确定度评估方法.针对最小区域圆圆度误差评定特点,提出了一种基于种群优化的微分进化算法用于圆度误差评定,并在此基础上利用蒙特卡洛方法进行圆度误差的不确定度评估.通过三坐标测量机对圆度零件的实测数据,给出了一个实例,以验证方法的可行性.分析了圆度误差的不确定度来源,给出了不确定度数值和95%置信概率下的不确定度包含区间,并与传统测量不确定度的表示指南评定方法(GUM)进行了比较.结果表明,蒙特卡洛不确定度比GUM方法的不确定度小0.3μm,包含区间也小于GUM.所提出的方法也适用于其他形状误差的评定与不确定度评估.     

基于主观Bayes方法的不确定推理算法实现

不确定推理是指建立在不确定性知识和论据基础上的推理。本文设计了基于主观Bayes方法的不确定性推理算法,通过实验结果比较了结论不确定的合成算法与更新算法的一致性,实现了不确定推理问题求解的自动化。     

基于粒子群算法的不确定动态多目标优化方法研究

当前不确定动态多目标优化方法通常将多目标问题转换成单目标问题,将其它目标看作约束条件,仅可得到单个解,无法有效体现不确定多目标之间的关系,导致得到的解质量低。为此,提出一种新的基于粒子群算法的不确定动态多目标优化方法,给出不确定动态多目标优化问题的数学描述,介绍了粒子群算法,针对粒子群算法容易陷入局部最优的弊端,引入动态变异算子对其进行改进,通过改进的位置更新公式实现粒子群算法位置的自适应更新,给出解决不确定多目标优化问题的详细过程,在此基础上,通过分段线性函数参数化实现不确定动态多目标优化。实验结果表明,所提方法搜索能力强,采用所提方法得到的解与真实解最相近,质量最高。     

自动目标识别算法的识别率比较方法

针对模式识别领域中所关注的自动目标识别（automatic target recognition,ATR）算法识别率比较这一共性问题,首先归纳分析了现有的识别率比较方法并分别指出其局限性．提出了一种新的基于Bayes分析的识别率比较方法——后验概率比较法．然后运用该方法分析了ATR算法识别率比较过程中所特别关注的选优和排序这两个典型问题,证明了应用最大似然原理的合理性．最后定量分析了比较结果的可信程度与所需的测试样本容量之间的约束关系,所得到的图表能够有效指导ATR算法评估试验的设计和测试数据采集工作．     

基于多蜂群的多无人机协同自适应搜索

针对多无人机(unmanned aerial vehicle, UAV)在未知海域环境下协同搜索这一重要研究课题,提出基于精英学习的多蜂群协同自适应搜索路径规划算法。首先,建立考虑飞行高度时变的无人机模型、传感器模型以及海域模型。其次,在该模型基础上建立了包括目标发现收益、期望探测收益及避碰等多目标效能函数。在考虑到UAV飞行高度动态变化时采用不同搜索策略,由于传统蜂群算法在搜索中存在适应性差、速度慢等缺点,提出基于精英学习的多蜂群算法,保证了搜索效益的最大化。最后,通过仿真实验验证了算法的有效性和实用性。     

基于抽样方法的不确定极限学习机

实际应用中的大量数据具有不确定属性,而传统的挖掘算法无法直接应用在不确定数据集上.针对不确定数据的分类问题,提出一种基于抽样方法的不确定极限学习机.该算法通过抽样的方法,对不确定数据集中样本的抽样实例进行学习和分类,得到该不确定样本的所属类别的概率,从而实现了传统极限学习机分类算法对不确定数据的分类,并极大降低了不确定对象实例的枚举代价.实验结果表明,该算法在不确定数据的分类问题中具有较好的有效性和高效性.     

基于时序关系的RFID不确定数据清洗算法

RFID原始数据具有海量性和不确定性的特点.通过对不确定数据时序关系的分析,提出了针对不同清洗节点的清洗算法.该类算法打破了传统的基于标签回应次数的方法,在综合考虑RFID数据时间特性的基础上,将RFID数据看成一系列时间序列数据,挖掘数据间的潜在规律.实验表明,该类算法具有很好的可扩展性,有效地提高了数据清洗的准确率.