一种改进的粒子群优化算法

针对粒子群优化算法早熟收敛现象,提出了一种改进的粒子群优化算法.该算法将模拟退火算法的"上山性"引入粒子群算法中,同时为了增加种群的多样性,将交叉和变异算子也结合进去,形成了一种新的改进粒子群算法.比较了高斯变异和柯西变异这两种变异算子对改进算法的影响.改进算法对典型函数的优化计算结果表明,与基本粒子群算法相比,改进算法能够更加快速有效的收敛到全局最优解,而且采用柯西变异算子的改进算法的效果比采用高斯变异算子的效果要好.     

SPMutation:存储过程变异工具的设计与实现

针对存储过程混合了SQL语句以及流程控制等语句的特点,设计了一个变异工具SPMutation.定义了一个覆盖存储过程语法规则的变异算子集合,该算子集包含22个算子,能够对存储过程进行元素级、表达式级和语句级三种不同层次的变异操作.SPMutation通过配置变异算子集文件可以实现对存储过程新的语法规则的错误模拟,具有良好的可扩展性.实验表明:SPMutation能有效地生成变异体集合,生成的等价变异体数量少于总变异体数15%;通过变异测试过程完善测试用例集,可以使测试用例集的变异分数高于0.9,并趋近于1;对存储过程的变异测试可以在有限的时间内完成.     

基于人工免疫算法的软件输出域覆盖测试

如何实现软件输出域覆盖,是对安全攸关软件开展功能测试时面临的一个难题.采用智能化软件测试思路,提出了基于人工免疫算法的软件测试数据自动生成方法.首先分析了软件输出域覆盖问题的由来和面临的困难,说明了利用灰盒测试技术将输出域覆盖转化为软件伪路径覆盖的技术途径,并给出了软件测试数据质量评价的度量指标.其次,给出了人工免疫算法应用于软件测试数据生成的基本思路,介绍了人工免疫算法的一般步骤及其与遗传算法的异同分析.然后,分别设计了抗体亲和度评价算子、抗体浓度评价算子、免疫选择算子、克隆算子、变异算子、抑制算子、刷新算子等人工免疫算法的主要算子,实现了基于人工免疫算法的测试数据自动化生成方法.最后,采用三种不同类型软件对方法有效性进行了验证,并对数据命中率、平均迭代轮次以及测试用例总个数等指标进行了分析.结果表明,该方法满足软件输出域覆盖要求,总体效果优于遗传算法和随机测试.     

一种改进的遗传算法在测试用例中的应用研究

测试用例的自动生成是软件测试的重要环节,其关键问题是路径搜索问题,遗传算法作为一种高效的搜索寻优算法被广泛应用到测试用倒中。该文提出一种改进的遗传算法,对选择算子和交叉算子进行改进,把传统遗传算法和最优保存策略相结合,提高遗传算法的局部搜索能力。研究表明,该算法比传统遗传算法在生成测试用例的效率方面更具优势。     

基于损失函数的单元测试用例自动化生成算法研究与实现

软件测试是软件开发过程中最为耗时的阶段之一.通过自动执行大量的测试用例,可以高效、及时地发现软件程序中潜在的错误,这是提高大中型软件开发质量的重要技术发展趋势.目前较多的元启发式优化算法已经能够实现测试用例的自动生成,但测试效率较低且开销较大,所以如何使得生成的测试用例在数量较少的情况下覆盖尽可能多的目标,就成为自动化测试用例生成中的核心技术问题.本文提出一种基于损失函数的单元测试用例自动化生成算法(LFGA),在遗传算法的执行过程中,根据测试用例种群的路径覆盖情况,动态改变后续种群的分布,保证整体数据分布的平衡性.并利用分支信息优化自适应交叉变异算子,自动生成规模尽可能小且高覆盖的有效测试用例集.实验结果表明,相比于已有的自动生成测试用例方法,较好地解决了传统模型中初值依赖、收敛早熟、局部寻优能力滞后等缺陷,保证了生成的测试用例平均覆盖率达到95%,提升了搜索效率及数据使用效率.     

一种优化的测试用例生成技术研究

为了缩短软件测试周期,测试用例的生成是关键.在利用随机数生成测试用例技术中,提出了基于无理数产生随机数的关键算法和生成优化测试用例的方法.通过实例证明,该方法在产生均匀、独立的随机数方面是有效的.     

基于控制流程的软件测试用例自动生成方法研究

软件测试中最重要的就是设计和生成有效的测试用例,通过测试用例的自动生成可以大大提高设计和生成测试用例的效率.首先提供了一种从流程图自动生成测试用例的方法,然后介绍了从流程图生成交互有限状态自动机的算法以及从交互有限状态自动机生成测试用例的算法.最后,介绍了相关支持工具ATCG.     

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.     

用于测试用例生成的遗传算法改进

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段。传统遗传算法是一种多点搜索和采用交叉操作的技术,有效应用于测试用例生成。遗传算法虽然具有良好的全局搜索能力,但对于局部空间的搜索问题不是很有效。针对此问题,对传统遗传算法在适应度函数、遗传算子方面进行改进,提高该算法在局部空间的搜索能力,提出一种基于改进遗传算法的测试用例生成方法。实验结果表明,所提出的方法在测试用例生成的效率和效果方面优于基于传统遗传算法的测试用例方法。     

一种新的缩减测试用例集的算法

提出了一种基于变异因子的蚁群算法用于测试用例集的缩减.该方法是在基本蚁群算法的基础上通过引入遗传算法的变异因子增加搜索的随机性、快速性和全局收敛性来克服早熟停滞的缺陷.实验结果表明,该方法有助于获得规模较小的测试用例集,能有效降低回归测试的成本.     

带柯西变异因子的量子粒子群算法在电力系统经济调度中的应用

为了避免算法早熟,结合柯西分布具有较长两翼的特点,提出了带柯西变异因子的量子粒子群,对全局最优解进行变异,并结合惩罚函数处理约束条件来求解电力系统经济调度问题.通过对15个机组和40个机组的数值仿真表明,该算法在收敛精度和迭代速度上有较好的效果.     

一种求解旅行商问题的改进人工蜂群算法

针对人工蜂群算法在处理大规模旅行商问题时普遍存在易陷入局部最优解和早熟收敛的问题,提出一种改进的人工蜂群算法.将柯西变异算子引入蜜蜂食物源更新公式,设计了一种自适应对数步长代替随机步长以改进随机解生成公式.将改进算法用于求解对称TSP问题,实验结果表明,改进后的算法有效地解决了人工蜂群算法早熟收敛和搜索速度较慢等问题,在求解TSP问题上确实有效可行.     

进化规划和进化策略中变异算子的若干研究

介绍了进化规则和进化策略中使用的三种变异算子及其性质，应用概率论方法比较了它们的局部搜索和局部逃逸性能。结果表明，柯西变异算子和正态变异算子分别具有良好的局部逃逸和局部搜索能力，而平均变异算子在一维时同时具有良好的局部逃逸和局部搜索能力，但在高维时它的性态和柯西变异算子基本一样，这些结果为设计和使用变异算子提供了指导和启发。     

基于改进樽海鞘群算法的提梁机主梁轻量化设计方法

针对樽海鞘群算法在优化过程中存在收敛速度慢、求解精度低、易于陷入局部最优解等缺点，提出了基于柯西和高斯混合变异的一种自适应变异策略的樽海鞘群算法，该算法通过选出适应度值最好的前S个个体进行自适应变异，可避免算法陷入局部最优解.通过柯西和高斯变异动态调整参数的变化提高算法的局部搜索能力和收敛速度.选取10个测试函数分别对樽海鞘群算法及改进樽海鞘群算法进行测试比较.数值分析表明，改进的樽海鞘群算法收敛速度快，寻优能力强且精度高.将改进后的算法用于提梁机主梁结构的优化设计中，该结构在满足强度、刚度、稳定性等设计要求条件下，主梁的截面积减少了13.58%,轻量化效果显著，表明该算法具有良好的工程应用价值.     

一种改进的规划器算法在军用软件GUI测试用例自动生成中的应用

以人工智能中智能规划方法为基础,对军用软件测试用例自动生成技术进行了研究。现有的许多规划器都不能避免组合爆炸问题的发生,而这一问题又是导致规划失败的一个重要问题,针对这一现象,以IPP规划器为例,提出目标分解法对规划器所需事实文件进行划分,并对IPP规划器应用多事实文件处理算法进行扩展,扩展后的MF-IPP规划器能够处理多个事实文档,有效避免了组合爆炸问题的发生。将该方法应用到军用主控软件GUI(Graphical User Interface)测试用例自动生成中,主要思想是首先利用规划器生成初始测试用例,其次提出解扩展的方法来完善测试用例的生成。针对测试用例生成问题进行了比对分析,结果显示,MF-IPP可以很好地防止组合爆炸问题的发生。所生成的测试用例生成时间短、覆盖率高,不仅能够很好地辅助软件测试人员进行测试用例的编写,还能应用于自动化软件测试。     

基于成对测试的GUI测试用例生成方案及实现

在软件开发过程中软件测试的成本很高.其中,测试用例是软件测试的主要组成部分,因此产生合适有效的测试用例是减少软件测试成本的一个主要手段.文章对一个基于成对测试GUI测试用例生成方案及实现展开研究;给出了GUI对象描述、GUI测试用例生成、自动执行以及结果比较的过程;以项目CQMIS为例,使用自动化测试工具QTP,依据所提出的方案实施测试用例生成,效果良好.     

用Memetic算法求解有时间约束的TSP问题

设计了一种基于双重局部搜索策略的Memetic算法用于求解带有时间约束的旅行商问题.在基本遗传操作中.分别采用顺序交叉算子和交换变异算子,同时在每次交义和变异后均通过随机数来决定是采用贪婪倒位变异算子还是采用递归弧插入算子进行局部搜索优化.实例仿真分析表明该算法快速高效,并且具有很好的鲁棒性.     

基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.     

改进人工蜂群算法求解置换流水车间调度问题

针对置换流水车间调度问题（PFSP），以最小化最大完工时间为优化目标建立数学模型，设计了一种改进人工蜂群算法。该算法采用反向学习方法和混沌映射来生成初始种群，为使算法能够求解离散的调度问题，采用LRV规则将位置数值映射成工件排列顺序；在雇佣蜂阶段，融入差分进化算法的思想，加入高斯变异算子，使收敛速度加快；在跟随蜂阶段，加入自适应策略，将算法的勘探和开发能力进行平衡；在侦察蜂阶段，加入柯西变异算子，避免陷入局部极值。最后通过比较几种不同的算法，对Car算例以及部分Rec标准算例集进行仿真测试，验证该算法的有效性和优越性。     

基于汤普森采样的模糊测试用例变异方法

模糊测试是漏洞分析技术中的一项代表性技术,其通过生成一组测试用例来测试程序,并在执行过程中观测异常,从而查找错误或识别安全漏洞.AFL是当前一款主流的开源模糊器,本文在分析AFL的基础上,针对测试用例变异环节的变异操作选择方法进行改进,提出了一种基于汤普森采样的模糊测试用例自动化变异方法,并实现了工具TPSFuzzer,支持对二进制程序进行模糊测试.其主要思想是通过将模糊测试中变异操作选择问题转化为多臂赌博机问题,结合汤普森采样优化算法,在特定程序上自适应地学习变异操作的概率分布;同时将硬件程序追踪机制与AFL相结合,以辅助进行路径信息获取和变异操作选择,从而提高AFL的测试效率和路径覆盖率.本文选取LAVA数据集和两个真实二进制程序作为测试集,通过与PTFuzzer的对比实验分析得出,TPSFuzzer可以产生更高的代码覆盖率和更好的测试效率.