测试生成算法评估与预报系统

测试生成算法评估与预报系统分别利用回归算法、神经网络算法和遗传算法为测试生成算法建立预报模型,使得对给定电路,不必实际运行测试生成算法,就可快速地得到最有效的测试生成算法。对如何利用遗传算法建立预报模型进行了较为详细的论述。     

边界扫描测试优化算法--极小权值-极大相异性算法

ＩＥＥＥ１１４９．１边界扫描机制是一种新型的ＶＬＳＩ电路测试及可测试性设计方法,在边界扫描测试过程中,生成合理的测试向量集是有效应用边界扫描机制对电路系统进行测试的关键。在分析现有边界扫描测试生成算法的基础上,提出了一种极小权值－极大相异性算法。该算法可以在确定边界扫描测试向量集的紧凑性指标的前提下,生成故障诊断能力相当优化的测试一集。仿真试验表明,该算法的性能优于现有的类似算法。     

基于混沌和遗传算法的优化测试生成算法

基于组合电路测试生成的Hopfield神经网络模型,讨论分析了利用混沌神经网络的全局搜索能力进行测试生成的有效算法和基于遗传算法的自适应测试生成。基于混沌神经网络的算法利用混沌所表现出的遍历性与内随机性进行全局搜索;而遗传算法不同于传统的方法,它不需要故障传播、回退等过程,并具有并行计算的能力。计算机仿真结果表明了这两种测试生成算法的可行性与高效性。     

基于混沌和遗传算法的优化测试生成算法

基于组合电路测试生成的Hopfield神经网络模型,讨论分析了利用混沌神经网络的全局搜索能力进行测试生成的有效算法和基于遗传算法的自适应测试生成.基于混沌神经网络的算法利用混沌所表现出的遍历性与内随机性进行全局搜索;而遗传算法不同于传统的方法,它不需要故障传播、回退等过程,并具有并行计算的能力.计算机仿真结果表明了这两种测试生成算法的可行性与高效性.     

基于UML活动图及混合遗传算法的测试场景生成

有效降低测试成本是软件测试优化的重要研究问题。将遗传算法引入到软件测试中,对生成测试场景提供了必要的动力,然而遗传算法局域搜索能力差,在进化后期搜索效率低,导致算法比较费时。基于UML活动图提出了混合遗传算法生成测试场景的方法,该方法结合遗传算法和爬山法,有效地加快了测试场景的生成速度。为了避免局部性问题,在算法每次进行爬山操作之前调用种群生成函数。实验结果表明,与简单的遗传算法相比,混合遗传算法不仅有效地解决了局部性问题,而且较大地提高了生成测试场景的效率,降低了软件测试成本。     

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SA-PSO的多态路径测试数据生成方法

目前测试数据生成方法多数未考虑到面向对象软件的多态特性,无法运用生成的测试数据对程序的多态信息进行充分的测试。根据多态路径测试数据生成的要求,提出了一种应用模拟退火—粒子群优化(simulated annealing-particle swarm optimization,SA-PSO)混合算法在多态路径测试中生成测试数据的方法,并通过多态性实例对基本粒子群算法、遗传算法、PSO-GA（particle swarm optimization-genetic algorithm）和SA-PSO算法在相同条件     

测试算法评估及可测性预报系统

测试算法评估及可测性预报系统使用回归分析和遗传算法,为测试生成算法建立可测性参数的预报模型,使得对于给定电路,不必实际运行各测试生成算法,就可以快速评估并预报出最适合的算法。本文整体介绍了这一系统,并对其中各主要模块作了重点描述。     

基于进化算法的软件测试数据生成的自动化

介绍了进化算法在测试数据生成中的应用思想，分析了在不同的覆盖准则下应用进化算法时适值函数的设计方法，把遗传算法等进化算法应用到测试数据生成中的进化测试技术，克服了局部搜索算法无法为较复杂程序的分支生成测试输入的问题。     

遗传算法的板级边界扫描测试矢量优化及应用

测试矢量是边界扫描技术的关键之一,测试矢量集直接影响测试的效率和结果。文章将遗传算法引入可测性设计中的边界扫描测试领域,以PCB、MCM等为工程对象,探索了遗传算法的互连测试矢量生成,提出了具有互连测试特性的适应度函数、遗传算子和遗传操作,并进行了仿真实验和实际的DEMO板测试,结果表明该算法具有一定的优越性。     

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

基于改进遗传算法的支持向量机微信垃圾文章识别

近几年,随着微信的快速发展和普及,微信已经成为智能移动设备必备的应用之一,但与之同时也出现了大量微信诈骗信息、垃圾广告等,给人们带来了极大的困扰。本文将从搜狗微信搜索中抽取微信文章样本,将微信垃圾文章识别看做文本分类问题,采用支持向量机对样本进行分类模型的训练,并应用改进的遗传算法对支持向量机的参数进行优化。文中详细的介绍了改进遗传算法在支持向量机上的应用,相比传统的支持向量机,采用改进遗传算法对支持向量机参数进行优化,提升了模型准确率和优化效率。在文章的最后进行了由15000篇微信文章所形成的测试集上的分类模型效果实验,实现结果表明,本方法能够达到94.7%的准确率,非常准确的识别微信垃圾文章。     

Evolving artificial neural network structure using grammar encoding and colonial competitive algorithm

Generalization performance of support vector machines (SVM) with Gaussian kernel is influenced by its model parameters, both the error penalty parameter and the Gaussian kernel parameter. After researching the characteristics and properties of the parameter simultaneous variation of support vector machines with Gaussian kernel by the parameter analysis table, a new area distribution model is proposed, which consists of optimal straight line, reference point of area boundary, optimal area, transition area, underfitting area, and overfitting area. In order to improve classification performance of support vector machines, a genetic algorithm based on change area search is proposed. Comparison experiments show that the test accuracy of the genetic algorithm based on change area search is better than that of the two-linear search method.     

Predicting categorical forest variables using an improved k-Nearest Neighbour estimator and Landsat imagery

The k-Nearest Neighbour (k-NN) estimation and prediction technique is widely used to produce pixel-level predictions and areal estimates of continuous forest variables such as area and volume, often by sub-categories such as species. An advantage of k-NN is that the same parameters (e.g., k-value, distance metric, weight vector for the feature space variables) can be used for all variables, whether continuous or categorical. An obvious question is the degree to which accuracy can be improved if the k-NN estimation parameters are tailored for specific variable groups such as volumes by tree species or categorical variables. We investigated prediction of categorical forest attribute variables from satellite image spectral data using k-NN with optimisation of the weight vector for the ancillary variables obtained using a genetic algorithm. We tested several genetic algorithm fitness functions, all derived from well-known accuracy measures. For a Finnish test site, the categorical forest attribute variables were site fertility and tree species dominance, and for an Italian test site, the variables were forest type and conifer/broad-leaved dominance. The results for both test sites were validated using independent data sets. Our results indicate that use of the genetic algorithm to optimize the weight vector for prediction of a single forest attribute variable had a slight positive effect on the prediction accuracies for other variables. Errors can be further decreased if the optimisation is done by variable groups.     

基于IGA-SVR随机Hough变换的预制构件螺栓孔节点定位

针对预制构件螺栓孔节点定位时由于工业环境下光照不均匀且螺栓孔并非规则平滑圆形,导致定位精度不高的问题;提出一种引入改进遗传算法优化支持向量回归分析（IGA-SVR）的随机Hough变换圆形定位算法;对遗传算法引入收缩包围与螺旋更新机制,提升算法局部搜索能力;同时改进交叉变异算子,引入收敛因子克服遗传算法后期收敛速度慢的问题。利用改进的遗传算法对支持向量回归模型进行参数寻优,通过圆形训练样本训练出逼近螺栓孔的超平面方程;采用此模型上的三点进行随机Hough变换定位圆,并利用双目视觉算法得到圆形三维坐标;通过四个标准测试函数及混凝土预制构件模型螺栓孔节点定位实验验证所提算法的有效性,结果表明,改进的算法优化性能更佳,在结合随机Hough变换定位圆时,明显提高了定位精度,满足工程测量要求。     

基于遗传算法对支持向量机模型中参数优化

支持向量机是基于统计学习理论的结构风险最小化原理基础上提出来的一种学习算法,其在理论上保证了模型的最大泛化能力.针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,对影响模型分类能力的相关参数进行了研究,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到支持向量机(SVM)的最优参数值,并用算例表明了此算法有效提高了分类的精度和效率.     

遗传支持向量机模型优化在入侵检测中的应用

针对目前入侵检测检测精度低的问题,根据遗传和支持向量机算法的特点,建立了一种遗传支持向量机模型。该模型首先用遗传算法优化支持向量机参数,再用优化后的支持向量机构建入侵检测模型,使用该模型进行入侵检测。实验通过讨论了支持向量机参数的选择对检测精度的影响,选取了合适的参数(c,σ)。结果表明,把这种遗传支持向量机模型用于入侵检测提高了检测精度。     

十折交叉检验的支持向量机参数优化算法

针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到SVM的最优参数值,有效提高了分类的精度和效率。     

Leakage Current Optimization Techniques During Test Based on Don't Care Bits Assignment

It is a well-known fact that test power consumption may exceed that during functional operation.Leakage power dissipation caused by leakage current in Complementary Metal-Oxide-Semiconductor(CMOS)circuits during test has become a significant part of the total power dissipation.Hence,it is important to reduce leakage power to prolong battery life in portable systems which employ periodic self-test,to increase test reliability and to reduce test cost.This paper analyzes leakage current and presents a kind of leakage current sinmlator based on the transistor stacking effect. Using it,we propose techniques based on don't care bits(denoted by Xs)in test vectors to optimize leakage current in integrated circuit(IC)test by genetic algorithm.The techniques identify a set of don't care inputs in given test vectors and reassign specified logic values to the X inputs by the genetic algorithm to get minimum leakage vector(MLV). Experimental results indicate that the techniques can effectually optimize leakage current of combinational circuits and sequential circuits during test while maintaining high fault coverage.     

Vector Based Genetic Algorithm to optimize predictive analysis in network security

A new Intrusion Detection System (IDS) for network security is proposed making use of a Vector-Based Genetic Algorithm (VBGA) inspired by evolutionary approaches. The novelty in the algorithm is to represent chromosomes as vectors and training data as matrices. This approach allows multiple pathways to calculate fitness function out of which one particular methodology is used and tested. The proposed method uses the overlap of the matrices with vector chromosomes for model building. The fitness of the chromosomes is calculated from the comparison of true and false positives in test data. The algorithm is flexible to train the chromosomes for one particular attack type or to detect the maximum number of attacks. The VBGA has been tested on two datasets (KDD Cup-99 and CTU-13). The proposed algorithm gives high detection rate and low false positives as compared to traditional Genetic Algorithm. A detailed comparative analysis is given of proposed VBGA with the traditional string-based genetic algorithm on the basis of accuracy and false positive rates. The results show that vector based genetic algorithm provides a significant improvement in detection rates keeping false positives at minimum.