两两组合测试数据自动生成算法的改进

为实现测试用例的全覆盖,给出一种改进的两两组合测试数据自动生成算法。利用矩阵方法自动生成初始测试数据集,在此基础上通过组合匹配思想对初始测试数据集进行测试数据增补。实验结果表明,该算法简单高效,且具有产生测试数据少、时间消耗小的特点。     

基于改进遗传算法的组合服务选择方法

针对目前组合服务选择中所采用的遗传算法寻优性不足的问题,提出一种改进的遗传算法,通过采用自适应交叉、自适应变异、随机遍历选择等改进策略来提高算法的性能.仿真结果表明,改进后的遗传算法能够将适应度值提高7%左右,并且随着组合服务中原子服务数目的增加,优势越明显,因此该方法尤其适用于原子服务数目比较大的环境.     

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。     

成对组合测试数据的整体优化和生成方法

测试数据生成是组合测试的一个关键问题,但是组合测试用例集的构造问题的复杂度是NP完全的。提出了一种成对组合测试用例集整体优化和生成的方法。该方法通过编码机制将测试用例数据的生成问题转换为一个基于二进制编码的最优化问题,同时使用遗传算法对此编码空间进行搜索,并对所发现的最优个体进行解码,构造产生最佳测试用例集。实验结果表明,该方法简单高效,且具有解的质量高、时间消耗小的特点。     

基于自适应遗传算法的路径测试数据生成

针对简单遗传算法容易产生早熟收敛的问题,提出一种自适应遗传算法,用以自动生成测试数据。通过把程序插装法与该遗传算法相结合,实现了路径测试数据的自动生成。将三角形分类程序作为实例对其进行性能测试,实验结果表明,基于自适应遗传算法的测试数据自动生成系统能自动改变选择概率和交叉概率,提高了自动生成测试数据的效率。     

遗传算法中交叉和变异概率选择的自适应方法及作用机理

在指出了传统遗传算法中交叉和变异概率的选择具有盲目性的基础上, 提出了遗传算法中交叉和变异概率选择的改进措施, 对其作用机理进行了深入的分析, 指出改进算法体现了自适应策略. 用一个非常复杂的数学函数对新算法进行了测试, 结果表明改进算法克服了传统遗传算法难以解决的早熟和局部收敛的问题.     

基于模拟退火遗传算法的测试数据生成研究

在软件测试中,如何才能生成高效的测试用例一直是人们研究的热点.提出了一种基于模拟退火的遗传算法,用于测试数据的生成.该算法有效克服了传统GA局部搜索能力差和早熟现象.同时也有效改善了SA全局搜索能力差的问题.随后提出了一个基于模拟退火遗传算法的测试数据自动生成的系统框架结构.并重点介绍了如适应度函数选取问题、编码问题和遗传算子改进问题等关键技术.实验结果表明.该苒法运用在测试数据自动生成领域.其效率和效果都优于传统的遗传算法.     

基于遗传算法的路径测试数据自动生成研究

针对遗传算法在运算过程中产生的早熟问题,提出一种自适应动态优化策略(SAOGO),用以自动生成测试数据。通过优化变异概率等手段,实现了路径测试数据的自动生成。将Triangle(三角形判别问题)作为被检测程序进行性能测试,实验结果表明,基于该策略的测试数据自动生成系统能自动调整变异概率和保持优秀个体,有效的解决了早熟问题,同时也提高了自动生成测试数据的效率。     

用遗传算法实现软件结构测试数据的自动生成

软件结构测试数据的自动生成是实现软件测试自动化的关键，这一技术的实现可大大节省用于软件开发地时间和费用。因而意义十分重大，本文首先阐述了软件结构测试，按路径生成结构测试数据等基本概念，然后就目前按路径生成结构测试数据的两种主要方法－符号执行和程序直接执行进行了论述和比较。     

融合变异测试的路径覆盖测试数据进化生成方法

针对检测缺陷的测试数据生成效率低下问题,提出变异测试和路径覆盖测试技术结合的测试数据生成方法。首先,采用变异测试技术生成的变异分支融入程序,生成新的被测程序;然后,在原路径集中挑选目标路径,通过分析变异分支与路径关联关系,将变异分支融入路径。最后,基于遗传算法生成覆盖路径的测试数据。实验结果表明,多种群遗传算法生成测试数据的时间,比单种群遗传算法节约了41.15%。由此可见,对于覆盖多路径测试数据生成,多种群遗传算法的效率比单种群遗传算法高。     

N因素S水平的配对测试集生成算法研究

在分析配对测试及其有效性的基础上,给出了一种新的关于n因素s(s≥2)水平的配对测试集生成算法。实验表明该算法与以往一些算法相比具有一定的优越性,最后将该算法运用于一个具体实例,并较详细地介绍了该实例的测试集生成过程。     

一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

基于两两覆盖准则的遗传算法测试用例生成

软件参数的组合测试是发现参数组合问题的重要方法,但是参数组合测试面临着组合爆炸问题,成对测试可以有效降低测试成本。提出了一种基于遗传算法的成对测试生成方法,该方法用于选择当前局部优化覆盖的测试用例,在此基础上构建满足成对测试基准的测试用例套,结果表明该方法能在不降低测试覆盖精度的情况下有效降低了测试用例数量。     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

一种基于混合遗传算法的聚类方法

针对遗传算法在聚类时存在的搜索速度慢和早熟的问题,将禁忌搜索的自适应优点引入遗传操作来改良其全局搜索性能,并采用带有权重的相似性度量方法,提出了一种基于混合遗传算法的聚类算法.通过与常用的聚类方法的实验结果比较,表明这种方法具有良好的聚类效果.     

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。     

基于神经网络和遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法.用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数.通过仿真实验表明该方法具有较高的实时性和有效性.     

基于遗传算法的虚拟物体变形研究

为缩短工艺构思的时间,增加构思的效率,通过虚拟物体变形进行工艺设计构思.采用基于遗传算法实现虚拟物体的变形.应用数学模式搭配遗传算法演变造型的方法产生了特殊的效果,不仅可给予设计者以更多的思考空间,而且增加了设计人员进行构思时的思考方向.     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.