基于改进DPSO的组合测试数据生成算法

对离散粒子群优化算法进行改进,提出一种两两覆盖的组合测试数据生成算法。以一个粒子代表一个测试数据集,从整体上评价测试数据集对各个因素组合的覆盖情况,以测试数据中各因素离散值出现的次数为依据,随机产生粒子位置。实例分析表明,该算法与初始值无关,可有效生成测试数据且收敛速度快。     

一种量子行为粒子群优化动态聚类算法*

为了改善量子行为粒子群优化算法的收敛性能,避免粒子早熟问题,提出了一种基于完全学习策略的量子行为粒子群优化算法。由此设计了一种新的数据聚类算法,新的聚类算法通过特殊的粒子编码方式在聚类过程中能够自动确定最佳的聚类数目。在五个测试数据集上与其他两种动态聚类算法进行聚类实验比较,实验结果表明,基于完全学习策略的量子行为粒子群优化动态聚类算法能够获得较好的聚类结果,有着良好的应用前景。     

组合测试数据生成的交叉熵与粒子群算法及比较

测试数据生成是组合测试的一个关键问题.文中提出以数理统计为基础的交叉熵方法和以仿生学为基础的粒子群优化算法来生成两两组合测试数据,交叉熵方法采用最优选择概率产生测试数据,而粒子群算法则在可行解空间中搜索具有最优适应值的测试数据.文章给出了交叉熵方法最优选择概率的理论推导,并对两种算法所生成的测试数据集进行约简.将两种算法和现有的贪心方法、代数方法及其它启发式搜索方法进行比较,实验表明交叉熵方法和粒子群算法具有一定的优势和特点.     

基于GA优化QPSO算法的文本聚类

针对量子行为粒子群优化算法中粒子搜索的盲目性以及初始聚类中心的选取对聚类结果的影响问题,提出了一种基于GA优化的QPSO聚类算法.该算法首先利用GA稳健的全局优化性能进行快速的粗略聚类,然后用GA的聚类结果初始化QPSO算法,以降低粒子群搜索的盲目性,从而提高QPSO算法的搜索效率.通过在Reuter-21578真实的文本数据集上实验,该算法在Fmeasure评价标准上获得了较高的查准率和查全率,从而验证了该聚类算法的有效性和可行性,可以在文本聚类领域推广应用.     

基于动态调整简化粒子群优化的组合测试用例生成方法

优化的组合测试中的一个关键是生成的测试用例能够覆盖更多的组合,而粒子群算法在生成强组合覆盖用例方面有其独特的优势和能力。文中提出了一种基于动态调整简化粒子群优化的组合测试用例生成方法。该方法基于粒子群算法生成测试用例,结合混合的优先级one-test-at-a-time策略和基于动态调整的简化粒子群算法生成组合测试用例集,排除了速度因素对粒子优化过程的影响。定义了一个粒子收敛指标,以粒子群早熟收敛程度为依据来动态调整惯性权值,以防止粒子陷入局部最优和后期出现收敛速度慢的情况,从而提高粒子群算法所生成的覆盖表的覆盖组合能力。通过对比实验表明,基于动态调整的简化粒子群优化算法在用例规模和时间成本上具有一定的优势。     

基于PSO的可能性C均值聚类算法的研究

可能性C均值算法(PCM)是为了克服模糊C均值算法对噪声的敏感性而提出来的,但是它也存在一些缺陷,如易陷入局部最优,对初始条件敏感,导致聚类结果一致性等问题.针对以上问题,通过引进粒子群算法对其进行改进可以有效地避免这些问题,即提出了基于粒子群优化的可能性C均值聚类算法(PSO-PCM).基于粒子群优化的可能性C均值聚类方法首先对编码过的数据点进行优化,然后对该方法产生的中心点进行聚类,在聚类的过程中根据适应度函数再进行调节.通过对给定数据集的聚类测试,结果表明,基于粒子群优化的可能性C均值聚类方法在收敛速度和全局寻优能力等方面有较大的改进.     

基于K-均值聚类的免疫粒子群优化算法

在解决复杂函数优化问题时,免疫粒子群优化算法在疫苗提取操作中,通常把最佳粒子作为有效特征信息,没有从根本上解决"趋同性"问题,影响算法的收敛速度和收敛精度.针对该问题,提出了一种基于K-均值聚类的免疫粒子群优化算法(KIPSO),将K-均值聚类算法用于免疫疫苗的提取,确定最高平均适应值的聚类中心及其最大邻域,得到符合具有最优个体特征的疫苗集,并以自适应方式确定疫苗集进行疫苗更新,提高算法的收敛性.仿真结果表明,与免疫粒子群优化算法相比,该算法提高了收敛速度和收敛精度.     

QPSO在结构测试数据生成中的应用研究

针对目前进化算法生成结构测试数据方法存在搜索速度慢、设置参数复杂、易陷入局部最优解等缺陷,提出了一种基于量子粒子群算法的结构测试数据生成方法。该方法采用分支函数叠加法构造适应值函数,将测试数据自动生成问题转化为函数的最优化问题,同时在粒子群算法基础上引入量子理论的思想,提高了算法的收敛性能和全局搜索能力。将其与标准粒子群算法实现结构测试数据自动生成方法进行比较,实验结果表明,该方法能更快生成测试数据。     

自适应布谷鸟搜索的并行K-means聚类算法*

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means 聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明：(1)聚类的平均准确率在实验所采用的4种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;(2) 聚类的平均运行效率在实验所采用的5种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。     

基于精英粒子群优化算法的图像分割方法

结合模式识别理论的聚类思想,将基于群智能理论的粒子群优法算法加以改进应用于图像分割中,提出一种基于精英粒子群优化算法的图像分割方法。新方法基于Pareto的精英理论对粒子群算法加以改进,在每次迭代中,生成一个Pareto精英群体,每个粒子更新时的全局极值都是从精英群体中随机选取一个个体作为全局极值。用改进的粒子群优化算法自适应选取分割阈值。实验表明,与遗传算法及标准的粒子群优化算法相比,对于具体的问题该算法具有较好的聚类效果,能够较好地分割图像。     

基于GA-PSO算法的路径测试数据自动生成*

为了实现测试数据自动生成,许多遗传算法及其改进算法应用到了测试领域。针对遗传算法具有较强的全局搜索能力,但局部搜索能力较弱,且收敛速度慢的特点。将遗传算法与粒子群算法结合起来形成新的混合算法（GA-PSO）,并成功应用到软件测试数据自动生成过程中。实验结果表明,该算法结合了遗传算法和粒子群算法的优点,在保证软件测试数据正确生成的情况下,极大地提高了数据生成的效率。     

基于改进PSO算法的路径软件测试用例生成方法

针对路径测试中的软件测试用例生成的问题,提出了一种基于改进PSO算法的软件测试用例生成方法。首先,采用分值函数叠加方法来构造PSO算法中的适应度函数,并对粒子位置更新策略进行改进。接着,构建算法的控制流程图并进行目标路径选择。然后,利用程序插装收集个体的适应度值。最后,测试数据生成程序执行,得到合适的测试数据。通过在三角形分类判别案例程序上的实验结果表明,提出的软件测试用例生成方法能够生成更合适的测试用例,且有效减少了生成所需时间。     

基于粒子群优化的测试数据生成及其实证分析

运用元启发式搜索进行结构性测试数据生成已经被证实是一种有效的方法.在讨论基于搜索的测试数据生成基本框架的基础上,以分支覆盖作为测试覆盖准则,给出了基于粒子群优化(particle swarm optimization, PSO)的测试数据生成算法,并通过分析分支谓词的结构特征提出了一种新的适应函数构造形式.在此基础上,针对一些公开的程序集开展对比性实验分析,证实粒子群优化算法在平均覆盖率、全覆盖成功率、平均收敛代数和搜索时间4项指标上均要优于遗传算法和模拟退火算法.同时,编程实现了4种典型的PSO变体算法并进行测试数据生成效果的实证分析,结果表明：基本PSO是解决测试数据生成问题的首选算法,而综合学习式PSO算法的表现则相对较差.     

量子行为粒子群算法在基因聚类中的应用

在PSO算法的基础上提出的基于量子行为的QPSO算法,并将其应用到基因表达数据集上。QPSO基因聚类算法是将N条基因根据使TWCV（Total Within-Cluster Variation）函数值达到最小分到由用户指定的K个聚类中。根据K-means算法的优点,利用K-means聚类的结果重新初始化粒子群,结合QPSO和PSO的聚类算法提出了KQPSO和KPSO算法。通过在4个实验数据集上利用K-means、PSO、QPSO、KPSO、KQPSO 5个聚类算法得出的结果比较显示QPSO算法在基因表达数据分析上具有良好的性能。     

改进的粒子群模糊聚类方法

针对基于粒子群的模糊聚类算法以隶属度编码时对噪音敏感,以及处理样本数小于样本维数的数据集效果较差等问题,通过改进其中的模糊聚类约束方法,提出一种改进的基于粒子群的模糊聚类方法.当样本对各类的隶属度之和不为1时,新方法在粒子群优化得出的隶属度基础上,根据样本与各类之间的距离对隶属度进一步分配,以使隶属度满足模糊聚类约束条件.新方法显著地改善了在隶属度编码下使用粒子群进行模糊聚类的效果,并通过典型的数据集进行了验证.     

基于论域空间模糊划分的粗集神经网络

针对粗集神经网络构建过程中的论域空间划分问题,提出一种基于模糊聚类的论域划分方法。将带交叉变异算子的粒子群优化算法(PSO)与模糊C-均值聚类算法(FCM)相结合,给出一种新的模糊聚类算法CMPSO-FCM,该算法具有良好的搜索能力和聚类效果。提出一种基于信息熵的模糊粗糙集决策规则获取方法,并用获取的规则指导粗集神经网络的构建。实验结果表明,该方法构造的神经网络具有更精简的结构、较好的分类精度和泛化能力。     

基于改进粒子群算法的测试数据自动生成研究

测试数据的自动产生技术是软件测试的一个重要研究领域,高效的测试数据乍成可以简化测试工作提高测试效率;针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传粒子群混合算法(GA-PSO)的软件测试数据自动生成算法,该算法在粒子群算法的基础上引入了遗传算子(交叉概率P<,c>、变异概率P<,m>),使所有测试数据在局部区域中再次寻找最优值,从而避免过早收敛,改进搜索最佳值的能力;仿真实验表明遗传粒子群混合算法与单纯使用简单遗传算法相比,具有更快的收敛速度,其产生最优解的代数得以大大提前,且精度更高.     

混合拓扑结构的粒子群算法及其在测试数据生成中的应用研究

粒子群算法(PSO)的拓扑结构是影响算法性能的关键因素,为了从根源上避免粒子群算法易陷入局部极值及早熟收敛等问题,提出一种混合拓扑结构的粒子群优化算法(MPSO)并将其应用于软件结构测试数据的自动生成中。通过不同邻域拓扑结构对算法性能影响的分析,采用一种全局寻优和局部寻优相结合的混合粒子群优化算法。通过观察粒子群的多样性反馈信息,对每一代种群粒子以进化时选择全局拓扑结构模型(GPSO)或局部拓扑结构模型(LPSO)的方法进行。实验结果表明,MPSO使得种群的多样性得到保证,避免了粒子群陷入局部极值,提高了算法的收敛速度。     

基于模糊c-means与自适应粒子群优化的模糊聚类算法

已有的粒子群模糊聚类算法需要设置粒子群参数并且收敛速度较慢,对此提出一种基于改进粒子群与模糊c-means的模糊聚类算法。首先,使用模糊c-means算法生成一组起始解,提高粒子群演化的方向性;然后,使用改进的自适应粒子群优化方法对数据进行训练与优化,训练过程中自适应地调节粒子群参数;最终,采用模糊c-means算法进行模糊聚类过程。对比实验结果表明,所提方法大幅度提高了计算速度,并获得了较高的聚类性能。     

基于MPI的并行PSO混合K均值聚类算法

传统的串行聚类算法在对海量数据进行聚类时性能往往不尽如人意,为了适应海量数据聚类分析的性能要求,针对传统聚类算法的不足,提出一种基于消息传递接口(MPI)集群的并行PSO混合K均值聚类算法。首先将改进的粒子群与K均值结合,提高该算法的全局搜索能力,然后利用该算法提出一种新的并行聚类策略,并将该算法与K均值聚类算法、粒子群优化(PSO)聚类算法进行比较。实验结果表明,该算法不仅具有较好的全局收敛性,而且具有较高的加速比。