基于差分进化算法的组合测试用例集生成

为了减小所生成的组合测试用例集规模,提出了一种基于one-test-at-a-time策略的差分进化算法来求解该问题的方案。通过实验,比较了不同变异方式的优化性能,考察了各个算法参数对优化性能的影响,并与其他常用方法进行了对比。实验结果表明,与其他常用的组合测试用例生成方法相比,基于差分进化算法的生成方法能够生成规模更小的组合测试用例集。并且组合数越多,该算法的优势就越明显。     

基于蚁群算法的测试用例集最小化研究

测试用例集最小化的目的是用尽可能少的测试用例充分测试给定的被测目标。把每个待测用例抽象成独立的节点,通过构造虚拟蚁群以及采用启发信息的动态更新,提出一种新的基于蚁群算法的测试用例集最小化方法及具体实现步骤。并编写算法,运行仿真程序对基于蚁群算法的测试用例集最小化方法进行验证,对实验结果的分析证明了该算法的可行性和有效性。     

基于蚁群算法的测试用例集优化方法

为了达到以尽可能少的测试用例满足测试需求的目的,提出了一种先对测试用例集进行完全划分,再利用蚁群算法对其优化的方法。首先根据测试需求间的相互关系,将最初的测试用例集划分成多个互不相交的子集,每个子集中的元素为等价测试用例;其次从各个子集中选取一个测试用例,组成一个新的集合,该集合已经摒弃了部分冗余测试用例;然后利用蚁群算法对测试用例集进行最优的简化;最后通过实例证明了该方法可以产生比原有的方法更优的测试用例集。     

基于超级账本的蚁群因子差分进化算法的可信服务组合优化

为了保障服务组合优化过程中的QoS数据的真实性,提出了一种基于超级账本平台的可信框架;同时为了提高服务组合的优化效率,提出了一种蚁群因子的差分进化算法的服务组合优化方法(ACOF-DE)。首先,在超级账本平台上部署相应节点,构建可信框架,保障候选服务的真实性;然后,将所提出的算法以智能合约的形式,在区块链上对服务组合的优化问题进行求解,使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子,比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算,帮助算法动态控制搜索空间、记录迭代过程中的关键信息,以提高算法优化能力。最后,通过仿真实验证明可信框架可以有效地保障数据的可信;ACOF-DE相比其他智能优化算法拥有更佳的优化效率。     

启发式遗传算法求解两两组合测试用例集

针对两两组合测试用例集的生成问题,在有效地结合了两两组合测试问题本身的特点基础上,提出了一种基于动态解空间的启发式遗传算法(HGA)。详细分析了测试用例生成过程,根据其解空间的动态变化在传统遗传算法中加入了启发算子,使得HGA算法可以快速地搜索出当前局部优化的测试用例。实验结果表明,HGA算法在完全覆盖参数两两组合的前提下有效地减少了测试用例的数量,并且具有较快的迭代速度。     

自适应蚁群差分进化算法

针对传统差分进化算法在求解高维复杂问题时存在通用性差、鲁棒性低、收敛速度慢和求解精度低等问题,提出一种基于蚁群算法的自适应多模式差分变异策略.算法在每代进化中,个体根据各变异进化模式上的信息素大小,采用轮盘赌选择策略选择变异算子,并根据各变异算子对优化所做贡献的大小对信息素进行动态更新,贡献大的变异算子可以获得更多被选择的机会,使得各变异算子发挥其最大性能,从而提高算法的收敛速度和通用性.对5个高维的benchmark函数进行算法验证,实验结果表明,该算法很好的提高了差分进化算法的通用性和鲁棒性,有效地克服了收敛速度慢和早熟等问题.     

蚁群模拟退火算法在测试用例约简中的应用

参数的成对组合覆盖测试技术是软件测试中有效的测试方法之一。该文将模拟退火思想引入蚁群算法,组成新的混合算法,即蚁群模拟退火混合算法(ASA),应用在组合测试用例的约简过程中。按照测试的特殊需求进行多种建模尝试,通过仿真实验对算法涉及的参数进行研究,实验验证了ASA 算法对测试用例集的约简作用是有效的。     

基于蚁群算法的软件接口测试用例生成

目前存在的自动化生成接口测试用例的方法有参数配对覆盖法、基于测试依据集的测试用例生成法等,这些算法在用例有效性与耗费资源方面没有足够优势,鉴于此提出基于蚁群方法的软件接口测试用例生成算法,对蚁群算法应用的前提、测试数据生成方法、测试用例生成方法等进行研究。实验分析了算法的优势和不足,提出了有待改进的部分。     

融合差分进化和倒序变异扩展蚁群算法

为了克服扩展蚁群优化(ACO)容易出现早熟现象,提出在扩展蚁群每次进化后引入倒序变异和差分进化对新种群进行二次变异。通过倒序变异和差分进化(DE)算法计算的信息来影响扩展蚁群的进化进程,以保持群体的活性,实现全局优化的目的。数值试验结果表明新算法精度较高、鲁棒性较强。     

基于动态集合进化算法的弱变异测试用例集生成

为解决基于集合进化算法（SEA）的弱变异测试用例集生成过程中个体规模固定和执行开销大的问题,提出一种基于动态集合进化算法（DSEA）的弱变异测试用例集生成方法。以测试用例集为个体,生成覆盖所有变异分支的弱变异测试用例集。在进化过程中,集合精简算子根据最优个体的最小子集及其未覆盖变异分支数量计算所需测试用例集的最小规模,并基于该最小规模调整种群中所有个体的规模,以生成最小规模的弱变异测试用例集,同时设计了适用于评估以测试用例集为个体的适应度函数。实验结果表明,动态集合进化算法指导弱变异测试用例集生成,获得的测试用例集规模比个体初始规模平均约简了50.15%,执行时间比集合进化的弱变异测试用例集生成最多降低了74.58%。因此,动态集合进化算法为最小规模的弱变异测试用例集生成和提升算法速度提供了一种解决方案。     

基于信息差异度蚁群算法的QoS路由算法

针对基本蚁群算法在求解QoS路由问题中存在的容易陷入局部最优和收敛速度慢的缺陷,提出一种基于信息差异度的蚁群算法对该问题进行求解。该算法在节点选择中嵌入路径信息素的差异度调节函数和迭代算子,动态调整节点选择策略;根据各路径上信息素的“集中”程度判断解的早熟、停滞情况,并引入路径变异和二次蚁群操作;根据最大-最小蚁群算法原理对信息素进行限制。仿真实验表明,算法全局搜索能力较强,能够跳出局部极值区间,快速收敛到全局最优解,算法是可行、有效的。     

基于协同进化蚁群算法的多播QoS路由算法

提出一种基于协同进化蚁群算法的求解QoS（Quality of Service）多播路由问题的新算法。算法中控制参数及路由选择策略根据迭代过程所处的不同阶段自适应调整。综合考虑QoS路由中所有约束条件的同时,也充分考虑各个约束自身的独立特性。仿真结果证明了算法收敛速度快,能满足实际网络服务质量的要求。     

基于蚁群算法的软件测试数据自动生成

提出了一种基于蚁群算法的测试数据自动生成方法。该方法采用位串形式编码,实现了被测程序输入空间到蚂蚁路径网络的映射模型。根据程序插装函数定义的路径信息素轨迹强度,蚂蚁进行群体协作搜索最佳路径,生成测试数据。在基本蚁群算法基础上,通过引入变异算子和自适应挥发系数,提高了蚂蚁路径的多样性,克服了早熟停滞的缺陷。和模拟退火遗传算法进行了对比实验研究,结果表明了该方法的可行性,生成测试数据的效率优于模拟退火遗传算法。     

不确定环境下一种新的双蚁群路径规划算法

蚁群算法作为一种新型的模拟进化算法,被广泛地用于路径规划问题。但是传统的蚁群算法存在搜索时间长、收敛速度慢、易于陷入局部最优等缺点,为了克服算法的不足,该文提出一种改进的双蚁群算法,通过改变启发因子,同时引入最大最小蚁群系统思想对信息素进行更新以提高算法性能。实验结果表明,与同类算法相比,该算法能得到更优的路径。     

n元蚁群算法求解组卷问题

组卷问题是一个多约束目标问题的求解。通过分析组卷的数学模型及目标函数,抽象出组卷模型实质是一个多目标线性规划模型,并在二元蚁群算法基础上,设计了一种求解组卷问题的n元蚁群算法,并与贪心算法相结合,对非法个体进行合理化修正。实验结果表明,该算法很好的解决了一次产生多套满足要求的标准化试卷,具有较强的实用性。     

基于二元蚁群算法求解组卷问题

通过分析组卷的数学模型及目标函数,抽象出组卷模型实质是一个多目标线性规划模型,并将二元蚁群算法用于求解组卷问题。由于采用二进制编码,任意时刻每只蚂蚁只需根据其面前两条路径上的信息素强度决定该题选或不选,这对单个蚂蚁的智能行为要求非常低,而且存储空间也相对减少。实验结果表明,该算法能快速有效地完成组卷过程,具有较强的实用性。     

改进型蚁群算法求解运输调度问题

运输调度问题是一类复杂的组合优化问题，是近年来物流控制优化中的研究热点。通过对基本蚁群算法中的选择策略和信息素挥发速度的改进，提出了一种新的蚁群算法，克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷，将其用于求解一类运输调度问题，实验发现算法有效，并且对于规模越大的问题，相对其它算法有更优的解。