一种支持构件化软件测试用例生成的免疫算法

提出了一种支持构件化软件测试用例生成的改进的免疫遗传算法(Improved Immune Genetic Algorithm,简称IIGA),证明了算法的收敛性,并介绍了算法的基本思想。通过将IIGA算法与传统遗传算法在构件化软件测试用例生成中的比较,验证了算法的正确性、高效性。     

基于免疫算法的HLR软件系统测试用例生成

提出了一种基于免疫遗传算法(Immune Genetic Algorithm,简称IGA)的HLR软件测试用例生成模型(Model of Test Case Generation of HLR Software,简称MTCGHS),并详细地介绍了IGA算法的基本思想.通过将IGA算法与传统遗传算法和随机算法在HLR软件测试用例生成中的比较,说明了IGA算法的效率明显高于传统遗传算法和随机算法,同时进一步验证了模型的正确性、可行性.     

基于免疫遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于免疫遗传算法（IGA）的软件测试数据自动生成的算法。该算法在传统的遗传算法中引入免疫算子,免疫算子其中包括获取疫苗、注射疫苗和免疫选择。实验结果表明,该算法的效果比传统的遗传算法效果好。     

基于退火免疫遗传算法的测试用例生成研究

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.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.     

一种基于改进遗传算法的面向路径测试用例自动生成方法

介绍了基于改进遗传算法测试用例生成的核心算法,针对软件测试用例生成问题的特点对传统遗传算法的遗传算子进行了改进,实验获得了较好的效果。     

基于遗传算法的DM-GA组合测试数据生成方法

测试数据生成是组合软件测试的重要部分,生成高质量的测试数据对于软件测试具有重要意义.针对两两组合测试数据生成问题,结合传统遗传算法,加入了精英策略和自适应变异概率,提出了DM-GA( dynamic mutation rates-genetic algorithm)算法,改善了传统遗传算法容易陷入局部最优以及收敛速度慢等不足,并取得了良好的效果.实验结果表明DM-GA算法可以作为一种较理想的两两组合测试数据生成方法.     

基于改进遗传算法的软件测试数据自动生成系统设计与实现

软件测试数据自动化生成技术是软件测试自动化的重要组成部分,为了进一步提高软件测试数据自动生成质量和效率,在建立软件测试数据自动生成模型的基础上融入一种改进的遗传算法,该算法通过引进自适应交叉算子和变异算子把模拟退火算法融入其中,很大程度上扩大了测试数据搜索生成范围,一定程度上克服了遗传算法的早熟收敛现象。     

一种基于遗传算法的软件测试用例生成新方法

建立了一个基于遗传算法测试用例生成的系统模型,在该模型下通过分支函数插装的方法构造遗传算法所需的评价函数并针对软件测试用例生成问题的特点对传统遗传算法进行了改进;最后,给出了一个实例并分析了实例的执行情况。     

软件测试数据自动生成算法的仿真研究

研究软件质量优化问题,传统遗传算法存在局部最优、收敛速度慢,使软件测试数据自动生成效率低.为提高软件测试数据生成效率,对传统遗传算法进行改进,提出一种遗传-蚁群算法的软件测试数据生成算法.针对测试数据自动生成的特点,充分发挥遗传算法的全局搜索和蚁群算法的局部搜索优势,提高了测试数据的生成能力.实验结果表明,遗传-蚁群算法提高了软件测试数据生成效率,是一种较为理想的软件测试数据生成算法.     

基于量子遗传算法的软件测试数据自动生成

测试数据的自动生成是测试阶段最关键的技术问题,改进软件测试方法,对提高软件测试的自动化程度具有十分重要的现实意义;在测试数据的自动生成的方法中,遗传算法虽然取得了较好的效果,但是这种算法存在缺陷和局限性,而量子遗传算法改善了其不足之处;应用量子遗传算法解决软件测试数据生成问题,克服了传统的以测试数据为核心的测试方法的不足和缺陷,实验结果表明量子遗传算法的测试用例生成效率高于遗传算法;所以,量子遗传算法可以作为一种较为理想的算法进行测试数据的自动生成,对软件测试中的测试数据自动生成具有很强的使用价值。     

基于两阶段改进遗传算法的一类特殊LRP问题研究

提出了一种带有随机开关的两阶段改进遗传算法并应用于集成化物流中的定位 运输路线安排 (LRP)优化问题. 该方法采用随机开关控制遗传算法中的变异运算, 实现了空间的有效搜索, 并且在一定程度上, 避免了“局部最优现象”的发生. 通过计算机仿真实验, 证明了该算法求解LRP问题的有效性和准确性.     

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法（Interactive genetic algorithm,IGA）是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力. 基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一. 但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响. 针对上述问题,本文提出基于加权多输出高斯过程（Gaussian process,GP）代理模型的交互式遗传算法. 首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理. 将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于CFSM的一致性测试序列生成方法

本文采用通信有限状态机模型描述通信协议,基于通信有限状态机模型提出了协议一致性测试的测试序列生成方法,解决了构件化协议的测试序列生成的问题。本文实现了测试序列的生成算法,通过实例说明了采用测试序列生成算法生成了比传统算法更少的测试序列。同时本算法还可以用于多层协议测试。     

基于SVM-IGA的补料分批发酵过程优化控制

针对非线性时变的发酵过程，建立了用于产物浓度预估的支持向量机（SVM）模型。在此模型基础上，利用免疫遗传算法（IGA）实现对发酵过程补料优化控制参数的寻优；实验结果表明，该方法可行，且能提高产物的产量；所提出的这种方法是对解决补料分批发酵过程优化问题的一个新尝试。     

基于构件软件的可靠性分析技术—FTA

快速、高效是软件开发追逐的目标,集中体现软件复用思想的基于构件软件技术继面向对象技术后成为现今软件工程实践和研究的热点;软件所扮演的角色日趋关键,高效开发的同时更需要高可靠性的软件。论文所关注的就是针对开发设计阶段的基于构件软件,采用FTA技术,考虑等概率条件下的软件运行剖面,进行面向软件运行的可靠性分析,试图为软件的设计和测试提供更具有实际意义的反馈和指导,进而增强软件的可靠性。文章还介绍了基于这样的技术针对小型的基于构件软件进行的实证分析。     

3关节单杠体操机器人的动力学参数辨识

在采用拉格朗日方法确定了3关节单杠体操机器人动力学模型结构的情况下,动力学参数的精确辨识对机器人实时控制的实现显得十分重要.为实现对体操机器人多个动力学参数的精确辨识,在传统的遗传算法中,通过引入混合编码、海明距离、可变精度的交叉操作、正交试验设计、动态编码和反馈式突变等思想,再加上特殊设计的适应度函数,形成了一种改进的遗传算法.该算法在统计上更加合理,鲁棒性更强,更容易搜索到接近全局最优的可行解.通过体操机器人各个关节自由运动实验与模型数值仿真实验数据的实际比较,验证了所提出改进遗传算法的有效性,实现了3关节单杠体操机器人模型更为优化的动力学参数辨识.