基于CPN状态空间分析的复杂系统脆性度量

为进一步解决复杂系统脆性理论既有研究工具存在的系统状态定量描述困难、系统边界条件约束较多等问题,将有色Petri网及其仿真工具CPN Tools引入到复杂系统脆性度量研究中。有色Petri网及CPN Tools内置的查询工具、既有的高级状态空间计算方法都降低了复杂系统脆性度量中的问题复杂度。论文提出基于状态空间分析的复杂系统脆性度量指标并给出编程实现流程。仿真算例表明状态空间内状态节点的脆性传递过程及其影响范围能够间接反映系统脆性行为     

基于状态空间剪枝的软件测试数据扩增算法

由于软件测试数据待测行为段序列连接存在冗余,导致目标路径覆盖率降低,提出基于状态空间剪枝的软件测试数据扩增算法.通过并发无关行为段在软件测试内的位置实施分类,依据分类结果采用状态空间剪枝算法,缩减状态空间的规模后,采用测序序列生成算法采用状态节点投影,对所有待测行为段实施操作和判断,按照状态空间实施全序列连接操作,生成全覆盖、无冗余的测试序列;采用自适应粒子群优化算法,设置初始参数、初始种群,判断终止条件,在扩增的测试数据覆盖目标路径时,输入覆盖的测试序列数据完成软件测试数据扩增.实验结果表明,上述算法在软件测试数据扩增效率高,耗时低,平均运行时间低至0.51s,目标路径覆盖率高达到1.0,并且后期的目标路径覆盖率平稳.     

基于状态空间的机械臂轨迹规划

提出一种基于状态空间的机械臂轨迹规划方法,定义并构造了机械臂系统的状态空间,根据内在机构约束与外部环境约束描述出系统状态的可达范围,并给出了任务的可实现条件.对于可实现任务,在状态空间能搜索到任务完成的最优解.如果任务无法完成,则修改系统配置或约束,在新的状态空间确定任务实现的转化条件,并对任务的设计与规划给予指导.研究了障碍约束下两连杆机械臂的点到点任务,实验结果验证了该方法的有效性.     

基于无效状态空间的多状态网络可靠性评估

在应用d-最小割(路)集计算多状态网络可靠度精确值算法中,运用容斥原理求解d-最小割(路)集较为复杂。为此,提出一种不需d-最小割(路)集直接计算多状态网络可靠度精确值的算法。该算法按一定规则分割状态空间,在此基础上生成无效状态空间,通过迭代计算直接获得可靠度精确值,同时通过定义边的容量下界及剩余网络。实例分析结果表明,运用该算法可减少计算量,并能精确求解d-最小割(路)集。     

基于CPN TOOLS的网络协议建模与仿真技术研究

高级网的引入,大大增强了petri网的描述能力,但也导致了重复开发相似的仿真工具,造成了极大的浪费,不利于学术界的整体发展。有色petri网的仿真工具CPN Tools支持强大的元语言(ML),具有很强的扩展性。具有易于建模、易于仿真、易于分析的特点,并集成了较为强大的模型检验功能,如状态空间分析工具等。协议建模是对协议进行分析和研究的基础,CPN Tools的出现对于petri网建模与仿真具有重大的意义。     

覆盖状态内部分枝的测试向量生成

提出一种能兼顾状态内部分杜的状态覆盖方法．在状态内部分枝树的终端结点处添加状态转换语句，将原先的单个转换分成多个转换分枝；从而实现对原先的状态转换进行扩展，使得用传统的状态测试方法就能够覆盖到状态内部的分枝．为了准确描述该过程，文中给出了分枝扩展的形式化方法．在此基础上，给出一个测试向量生成算法：遍历状态转换有向图；依状态间转换条件生成测试向量；依遍历顺序收集测试向量．通过对ITC99-benchmark中时序电路的试验表明，本文方法是有效的．     

基于状态空间的稳定广义预测控制器

给出了稳定广义预测控制（ＳＧＰＣ）算法的状态空间表达形式，并讨论了基于状态空间表达式的ＳＧＰＣ和基于输入输出表达式的ＳＧＰＣ之间的等价性。最后给出了算法的仿真结果。     

基于子空间辨识的状态空间模型预测控制

针对无法从工业过程中获得准确状态空间模型的问题,提出一种基于子空间辨识的状态空间模型预测控制方法。利用子空间辨识方法得到的状态空间模型作为系统模型,给出约束条件下的预测控制算法。以CD播放器机械臂系统为例,通过状态空间模型预测控制方法实现对系统输出的跟踪控制,仿真结果表明,该方法控制效果良好。     

有限状态空间搜索技术在紧急逃生行为仿真中的应用

平面建筑紧急逃生性能是一组非常重要但又难以测量的参数，通过真人演练进行测试会导致人力物力的巨大耗费。文章通过结合人工智能中有限状态空间搜索技术，以紧急状态下人类行为趋势的统计结果为基础，使用Visual C#实现了紧急逃生行为智能体的开发，并以此实现对平面建筑逃生性能的动态通用测试，具有较高的可行性和实用价值。     

一种基于状态空间模型的进化算法

传统进化算法主要通过选择、重组和变异这三种遗传操作实现种群的进化。在进化过程中通常需要设定群体规模、交叉概率和变异概率等参数,而且它们的值会直接影响计算结果及精度。为了简化操作过程,设计一种基于离散系统状态空间模型的进化算法,这种算法采用实数编码方式,构造一个状态进化矩阵来实现重组和变异的功能,提高算法的可操作性和可靠性。并将该算法应用于求解无约束全局优化问题,对几种典型的测试函数进行仿真,结果表明:这种新的进化算法具有搜索能力强、收敛速度快、计算精度高、操作简单等优点,对相关研究有参考作用。     

基于AOP的软件测试框架设计

通过研究AOP (Aspect Oriented Programming) 这种新兴发展中的技术,提出一种基于AOP的软件测试框架,适用于在对复杂的JAVA应用做回归测试和动态白盒测试,将需要测试的测试用例以测试方面的形式注册到容器,由容器统一将测试方面定义的测试建议织入到各动态测试连接点.     

基于UML顺序图的测试场景自动生成研究

UML顺序图直观地展现了对象之间的消息动态交互过程,适合于作为面向对象软件交互测试用例生成的依据。本文针对测试用例中的测试场景生成问题进行了研究,在将顺序图转化为消息交互流程图的基础上,根据对象覆盖、消息对覆盖、消息覆盖和逻辑路径覆盖等准则,分别给出了不同的测试场景生成算法,最后探讨了测试场景的健壮性。     

基于网络的软件测试工具的研究

软件测试是保证软件质量的重要手段,良好的软件自动化测试工具是开展软件测试的基础,在提出基于网络的软件测试工具的基础上,对测试工具的体系结构、功能和特点作了详细描述,最后对测试工具的优缺点进行了总结。     

基于因果图的软件测试工具的研究与设计

随着软件社会影响的不断发展,提高其可靠性就愈加显得重要,程序测试是保证软件可靠性方法之一.在程序测试中,因果图法是其中一种重要方法,但是由因果图到判定表的转换是最困难的.本文针对这一问题提出了一种转换方法,并用C语言编程实现. 该算法首先从软件功能说明书出发,用人工编制出因果图,再依据因果图将原因和结果、原因和原因之间的关系用逻辑表达式描述,根据此描述由计算机自动生成无遗漏及重复的测试数据条件.     

基于使用模型的软件可靠性加速测试

给出了一种使用分层抽样和重要抽样方法并基于Markov链使用模型的软件可靠性加速测试的方法,在根据统计测试结果得到软件可靠性无偏估计的前提下,可以有效提高安全攸关软件的测试效率,部分解决了安全攸关软件统计测试时间和费用开销过大的问题.实例仿真结果表明,该方法可以有效地提高软件可靠性关键操作的测试效率.     

基于偏序归约的状态空间约简算法

目前,针对安全协议分析的偏序归约算法较为复杂且不易实现,限制了其适用范围,未考虑约简诚实主体会话中的逆序结点。针对该问题,采用偏序归约的思想,提出一种诚实主体会话中逆序结点的约简算法以及一种迹等价迁移冗余后继结点的约简算法。两种算法思想简单,易于实现。实例表明,这两种算法有效地约简了安全协议的状态空间。     

基于界面构件关联图的软件功能测试技术

针对具有图形用户界面（GUI）且进行事务处理软件系统的功能测试，从界面构件间关联特征出发，提出了界面构件关联图，描述界面中各个构件之间相互联结，制约关系，进而提出了基于界面构件关联图的软件测试覆盖准则和测试用例生成方法，最后给出一个利用界面构件关联图进行软件测试的应用实例。     

基于蚁群算法优化软件测试策略

提高软件测试的缺陷检测能力,有效降低测试成本是软件测试优化研究中的关键问题。基于软件测试的Markov决策模型,以降低软件测试成本,提高测试的缺陷检测能力为目标,运用蚁群算法给出一种优化测试剖面的学习策略,将所得到的最优测试剖面用于优化软件测试。实验结果表明运用蚁群算法的学习策略要远优于随机测试策略,能显著降低测试成本和提高缺陷检测能力,是软件测试优化启发式方法的一个重要补充。     

基于HNP模型的强化学习状态空间表示方法

蛋白质结构预测是生物信息领域中具有挑战性的问题之一.将强化学习运用在HNP晶格模型的最优结构发现中,性能出色,但结构预测所需的状态空间巨大,容易导致维数灾难问题.在全状态空间基础上,进一步提出半状态空间与简单状态空间方法,以达到约减状态空间的目的,同时对奖赏函数与策略进行定量分析.实验结果表明,该方法有效解决全状态空间无法计算长序列的缺点,其中简单状态空间较全状态空间有3条序列预测出更低能量,半状态空间较全状态空间方法全部6条长序列都预测出更低能量,且半状态空间预测的能量平均值较简单状态空间降低了9.83百分点.     

基于依赖性的面向对象软件不同层面的测试用例生成

由于面向对象软件本身的特点,传统的面向过程的软件测试方法不再适用于面向对象的软件测试。在分析了面向对象软件测试的特征以及面向对象软件中各个不同层面的依赖关系的基础上,提出了针对各个不同层面上的测试用例生成的方法。