基于烟花爆炸优化算法的测试数据生成方法

针对面向路径覆盖的测试数据生成问题,提出基于烟花爆炸优化算法的测试数据生成方法。首先使用关键点路径表示法表示路径,由理论路径、易覆盖路径和不可行路径得出难覆盖路径,并记录难覆盖路径邻近的易覆盖路径及其测试数据。这些测试数据将作为部分初始烟花以利用其提供的启发信息,其余初始烟花则随机生成。接着根据个体的适应度值设计自适应策略的爆炸半径以提高收敛速度,对爆炸产生的越界火花则使用边界值测试的思想进行修正。与加了启发信息的自适应爆炸半径的烟花算法（NFEO算法）、烟花爆炸优化（FEO）算法、F-method、NF-method等七种基于优化的测试数据生成算法进行了仿真对比实验,实验结果表明：所提算法在测试数据生成时间和迭代次数上都最优。     

用于分类问题的粒子群优化遗传算法

提出一种混合粒子群遗传分类算法,根据种群中个体的相互关系,采用“家族”思想对算法进行综合调控,利用家族交叉操作进行微调,并在各家族中引入粒子群思想的交叉算子,兼顾收敛速度和多样性2项指标。根据分类问题的特点,设计相应的编码方式和适应度函数,用播种的方式生成初始种群。对国际通用检验分类效果的数据集进行分类。实验结果证明,该算法的分类效果优于其他算法。     

基于生长树聚类的改进型遗传算法

分析目前基于聚类思想的遗传算法的不足,提出一种基于生长树聚类的改进型遗传算法。采用最小生成树的聚类方法,能对形状复杂且非重叠样本的候选解进行聚类形成家族;新的族间交叉算子保持了种群的多样性;改进的族内交叉算子和改进的变异算子使得算法在后期仍能快速收敛;实验对经典算法测试函数进行优化,并与其他算法的优化结果对比,从而说明改进型遗传算法的性能。实验结果表明：基于生长树聚类的改进型遗传算法能有效提高求解精度,快速搜索到最优解。     

智能优化算法自动生成软件测试数据的方法探析

软件测试是保证软件质量的有效手段,智能演化算法用于解决软件测试中路径覆盖测试数据的生成问题。本文简要说明了软件测试的类型,分析其中白盒测试的路径覆盖问题、程序插装以及将软件测试数据生成问题转化为优化问题的思想;在随后的智能优化算法部分,介绍了二种智能优化算法,并以其中的遗传算法为例,详细给出了使用遗传算法生成测试数据的步骤,进而说明智能演化算法自动生成测试数据的思想和方法。     

多目标优化算法求解导叶关闭规律问题

针对目前的单目标优化方法没有均衡考虑导叶关闭规律各目标分量的问题,综合考虑影响导叶关闭规律优劣的水击压力、机组转速和尾水管最大真空度这三个因素,将导叶关闭规律优化问题抽象为含有多个自变量和极值点的多目标优化问题,构建导叶关闭规律问题的多目标优化模型,并使用实数编码的遗传算法求解导叶关闭规律的多目标优化问题,遗传算法不依赖于问题的具体领域,具有很强的鲁棒性,实数编码的方式可以避免算法解码时的时间消耗,正交设计法生成的初始种群个体分布均匀,有助于维持种群的多样性。使用基于遗传算法的多目标优化方法求解导叶关闭规律问题,与遗传算法优化结果相对比,实验结果表示了本文所提算法的有效性。     

基于免疫进化与混沌变异的机器人路径规划

针对传统进化算法的"早熟收敛"和"收敛速度慢"两大致命缺点,在分析了导致以上缺点原因的基础上,提出了一种基于人工免疫与混沌变异的双群进化算法。在该算法中,进化在2个子群间同时进行,一个种群使用混沌变异算子对解空间进行充分搜索,另一个种群使用指数衰减的高斯算子进行局部搜索,较快速地规划出性能是全局优化的可行路径。测试结果表明:该算法是可行的。     

基于关键点路径的快速测试用例自动生成方法

测试数据的自动生成,是提高软件测试效率的重要手段.从软件测试工程实践的角度提出快速生成测试数据的完整模型,更有利于提高测试数据生成效率.为此:(1)提出关键点路径表示法,以得出待测程序的理论路径数,并快速确定已覆盖路径的邻近路径;(2)用随机生成的数据运行简化后的插装程序,得到部分测试数据;(3)将理论路径分成易覆盖路径、难覆盖路径和不可行路径;(4)根据已覆盖路径及其测试数据提供的信息,使用遗传算法生成难覆盖路径的测试数据.仿真实验结果表明了所提方法的有效性.     

基于决策树的农户小额贷款信用评估模型研究

分析了当前农村信用社对农户进行小额贷款时信用评估的现状及存在的问题,结合农户贷款的特点,构建了基于决策树算法的农户小额贷款信用评估模型,并对信用评估模型进行了实证,表明模型具有较好的预测效果,从而提高了农村信用社农户小额贷款业务的信用风险管理水平.