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。     

一种面向路径覆盖的测试用例进化生成方法

提出一种测试用例生成方法.针对穿越程序各节点间测试用例数目的不等性,引入测试用例穿越程序后流量均衡性的概念,给出节点间流量均衡因子的定义及计算过程,并根据个体加入前后流量均衡性,设置遗传算法的适应值函数,以快速进化生成覆盖目标路径的测试用例.     

实数编码最优子种群遗传算法及结构优化

遗传算法(GA)是利用自然选择和进化思想在高维空间中寻优的方法,其寻优过程始终保持整个种群的进化.本文提出了实数编码最优子种群遗传算法理论,通过从种群中选出适应值最高的若干数量的个体,组成该代最优子种群,将最优子种群中的个体与种群中其它个体进行交叉变异、最优子种群中的个体间也进行交叉变异,从而产生新的种群.该遗传算法使得遗传过程中落入局部最优解的几乎不可能,对于多极值问题非常有效,收敛速度也非常快.     

基于交叉亲和度评价的多种群遗传算法

为进一步解决传统多种群遗传算法进化过程中迅速丧失种群多样性,导致的易早熟、收敛到局部最优解等问题,提出一种基于交叉亲和度评价的多种群遗传算法,采用多种群并行搜索的思想,结合模拟退火算法提高算法的搜索能力,种群之间通过交叉推优选出的交流个体,进行亲和度评价替换目标种群个体来完成交流。通过对TSP问题的求解表明,算法得到的解都接近最优解,性能优于传统多种群遗传算法。     

基于MC/DC的回归测试数据进化生成

在合理利用已有测试数据形成优势初始种群的前提下采用遗传算法自动生成回归测试数据是软件测试研究的一个热点.本文通过在已有测试数据的基础上依据MC/DC准则演进增补部分用例提升MC/DC覆盖率.首先,通过记录每个已有测试数据覆盖的条件组合确定要增补用例的目标条件组合,其次,根据适应度函数从已有测试数据中筛选出部分数据作为初始种群,再次,根据已筛选的部分初始种群所覆盖的条件组合与目标条件组合确定遗传操作分量,最后,演进并判定提取目标数据.理论与实验表明,该方法可以提高回归测试数据生成效率及代码覆盖率.     

基于捕食搜索策略混合遗传算法的车辆路径问题研究

在分析研究车辆路径问题的基础上,将其转换为经典TSP优化问题进行求解并建立数学模型,针对遗传算法在求解车辆路径问题时搜索效率低,容易陷入局部最优的缺点,提出了一种改进的遗传算法.改进算法引用自适应邻域法进行种群初始化;基于捕食搜索策略动态自适应调整遗传参数,在加快寻优速度的同时防止陷入局部最优;交叉前后的种群分别实施精英个体保留策略,交叉变异之后引进进化逆转操作,继承父代较优和较多的信息.实验结果表明:改进遗传算法搜索效率高、计算结果较为稳定;求解车辆路径最优问题较其它算法具有较好的性能.     

通信不确定MPI并行程序的测试数据自动生成方法

通过对用不确定方式传递信息的MPI并行程序进行分析, 给出测试数据自动生成的数学模型, 提出相似路径概念, 并将交叉思想与协同进化机制融入到人工蜂群算法中, 提出一种测试数据生成算法〖CD2〗交叉协同进化人工蜂群算法. 应用该算法求解并行程序的测试数据, 并与人工蜂群算法、 随机法进行对比分析. 实验结果 表明, 该方法可以求解测试数据, 并降低了时间消耗.     

基于精英重组的混合多目标进化算法

针对多目标进化算法搜索效率低和收敛性差的问题,提出了基于精英重组的混合多目标进化算法,将多目标优化问题分解为多个单目标优化问题单独求解,并采用基于遗传算法的精英重组策略将多个相异解重组生成唯一的精英解.提出区域化的种群初始化方法,改进局部搜索及群体选择机制,采用以优化子群为核心的分组交叉策略及自适应多位变异算子,并引入基于混沌优化的重启机制,有效克服了精英保存的固有缺陷,以及现有多目标进化算法存在的目标空间解拥挤、收敛慢、易早熟等问题.多目标测试函数的数值仿真和关键步骤的性能分析证明了本文算法的有效性和优越性.     

一种考虑环境作用的协同免疫遗传算法

在综合考虑了环境对生物进化的影响、免疫算法的结构以及遗传算法部分算子的基础上,提出一种考虑环境作用的协同免疫遗传算法(ESIGA),以实现提高算法搜索速度和全局搜索能力的目标.在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了3个子种群协同进化以发挥克隆环境演化算子的影响,从而提高算法的全局搜索能力.引入的自适应探索算子和克隆环境演化算子,使算法具备了一定的学习能力,可加速搜索和防止早熟.构建的主种群和协同种群相互影响,使得算法对环境具有改良能力,加强了克隆环境演化算子的性能,而精英种群则加强了算法在优质个体邻域的搜索能力.采用13个常用无约束优化问题测试函数对算法做了检验,测试数据表明:ESIGA算法与正交遗传算法相比,其搜索速度要快于正交遗传算法1～2倍,并能够处理1 000维的高维优化问题.     

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.     

船体装配线划线优化遗传算法研究

船体装配线划线作业是与船体零件数控切割作业同时进行的,是现代造船模式中的一个重要环节.分析归纳了装配线划线作业的特点,以划线顺序和划线方向为参数,划线空走路径最短为目标,采用多参数混合编码法,建立了划线优化的遗传算法优化数学模型.对划线顺序和划线方向采用不同的遗传策略进行进化.提出的随机变异算子维持了种群的多样性,精英子自进化策略加快了种群进化过程.运用"贪心策略"初始化种群,提高了种群的适应度.仿真证明该模型是可行的,实际应用表明可有效减少划线空走路径,提高船厂生产效率.     

基于改进混合遗传算法的无人车路径规划

针对无人车路径规划算法普遍存在收敛速度慢、陷入局部最优解、忽略了环境建模技术与路径规划算法的相互适用性等问题,提出了一种基于自由空间法的融合Bellman-Ford算法和精英交叉机制遗传算法的改进混合遗传算法,通过Bellman-Ford算法搜索出连通图中的最短路径,并运用精英交叉机制遗传算法优化粗路径点,从而搜索出环境中从初始点到目标点的最短安全路径。MATLAB仿真结果表明,该算法搜索性能好,收敛速度快,稳定性高。     

基于改进遗传算法的桁架结构优化

桁架是一种广泛应用于工程领域的结构形式,对其结构优化有重要的意义.文章提出了随种群的进化而动态变化的自适应交叉算子和变异算子,以提高算法的优化效率及增强收敛性;引入了精英保留策略,以克服各代种群最佳个体未能保护的缺点.建立以最小化结构总重量为目标函数的桁架优化数学模型,并应用改进的遗传算法对桁架结构进行优化求解.通过实例验证了所建模型以及对算法改进的有效性和实用性.     

利用区间算数进行搜索空间缩减的测试数据生成方法

搜索空间的大小直接影响PSO算法生成测试数据的效率,为此提出了一种缩减搜索空间大小的方法,利用区间算数对搜索空间进行缩减,以期提高测试数据的生成效率.将该方法用于多个程序的路径覆盖测试数据的生成,并和传统方法、随机方法进行比较,实验结果表明该方法在生成测试数据所需的成功率、进化代数、运行时间等指标上均优于其他方法,证实了该方法的有效性.     

融合Bezier遗算法的移动机器人路径规划

针对传统遗传算法在路径规划中存在收敛速度慢和易陷入局部最优等缺陷,提出一种融合Bezier遗传算法.首先,对传统遗传算法进行改进,采用启发式中值插入法建立初始种群,基于路径长度、路径安全性和路径能耗3个指标生成多目标适应度函数,再分别利用分层法、单点交叉法和八邻域单点变异法设计选择、交叉、变异算子;其次,引入Bezie...     

多目标柔性作业车间调度的多交叉策略元胞进化算法*

针对经典Job-shop调度问题的局限性,构建了以加工成本、瓶颈机器负荷、机器总负荷及制造工期为目标函数的柔性作业车间调度多目标优化模型,提出了基于多交叉策略的元胞多目标遗传算法。在分析优化模型的基础上,使用双层编码方式,并采用多个交叉算子协同进化,提出一种多交叉策略的进化算子。针对元胞多目标遗传算法的特点,提出一种改进的精英策略,保证更多的精英个体参与进化,从而提升算法收敛速度。通过2个基准实例求解对比分析,表明所提方法的有效性。将新算法应用于实际生产企业的车间调度问题中,得到了一组Pareto解集,并采用层次分析法得到一种满意度最大的方案。数据结果表明,该算法在解决多目标FJSP的工程有效性。     

基因表达式编程中的精英个体产生策略

为提高基因表达式编程(GEP)算法的进化效率,提出了一种用于产生GEP初始种群的精英个体产生策略.该策略通过逐步扩大染色体到目标值的距离,采用随机方式在较短时间内产生具有较高个体适应度的染色体,从而在初始种群中快速产生精英个体,使种群可以从一个较高的基础上开始进化,缩短了GEP算法的进化距离,从而提高了种群的进化效率.实验结果表明,在GEP算法挖掘函数的过程中,采用文中提出的策略,可以使GEP算法的进化效率提高17%.     

自适应调整子种群个体数目的遗传算法及其应用

为了协调算法的勘探和开采能力,提出一种自适应调整子种群个体数目的遗传算法.该算法首先采用佳点集方法初始化种群以保证个体均匀分布在搜索空间中.基于个体的适应度将种群分为3个子种群,并分别采用不同的交叉和变异算子.在进化过程中,根据不同的搜索阶段自适应动态调整各子种群个体的数目.几个标准测试函数的实验结果表明该算法具有较好的寻优性能.将新算法应用到重油热解模型参数估计中,可以获得满意的结果.     

遗传算法求解清运车辆路径优化问题

提出一种基于遗传算法的求解清运车队车辆路径优化问题方法.对具有时间约束的路径采用整数编码,并利用AOE网验证其有效性.利用多分组多目标交叉进化方法,对具有不同适应度值的分组个体采用不同交叉算子,提高算法进化速度和搜索范围.仿真结果表明,算法可行有效.     

基于蜜蜂进化型遗传算法的电力系统无功优化

采用蜜蜂进化机制与遗传算法相结合的蜜蜂进化型遗传算法(bee evolutionary genetic algo-rithm,BEGA)对电力系统进行无功优化计算.该算法以一定概率将蜂王(最优个体)与雄蜂(被选的个体)2部分进行交叉,因此对最优个体包含信息的开采能力得以增强.随机种群的引入,降低了算法出现过早收敛的可能性,保持了种群多样性.应用BEGA对IEEE6节点系统进行无功优化计算的结果表明:较其他算法,BEGA具有更强的全局寻优能力和更快的收敛速度.