基于模式组合的粒子群优化测试用例生成方法

适应度函数的设计在基于搜索的测试用例生成技术中占据重要的位置,然而在某些特殊的程序中,如存在嵌套、非结构性跳转或因return,break等语句跳出循环的程序,已有的适应度函数无法评价到所有的分支.目前的方法是修改程序的源代码,以使每个分支得到评价.但修改源代码不但可能影响程序的原有结构、引入错误,而且很难实现自动化.针对这一问题,提出一种基于模式组合的粒子群优化测试用例生成方法.首先,将分支条件定义为"模式",即,一类具有相同特征且能提高适应度值的个体集合,并改变其分支函数的插桩方式,可解决分支条件不完全评价的问题;然后,设计一种新的交叉算子,寻找到所有使模式的分支函数值最小的个体,将这些个体中含有模式的部分通过交叉算子组合到一个个体上,既可防止模式在进化过程中被破坏,又可因多种模式的组合而提高个体的适应度值;最后,使用局部搜索策略对种群中的最优个体进行搜索,提高粒子群优化算法的局部搜索精度,进一步提高测试用例生成效率.为了评价该方法的有效性,基于一组基准程序和开源程序进行实验.实验结果表明:对于含有模式的程序,该测试用例生成方法与已有方法相比,在覆盖率和平均进化代数上均有明显优势.     

覆盖表生成的粒子群算法:参数优化和自适应算法

组合测试是一种能有效检测由参数间相互作用所引发错误的软件测试方法,覆盖表的生成是该研究领域的一个重要问题.目前,很多方法已被应用于覆盖表生成,基于演化搜索的粒子群算法尽管能得到较优的解,但其性能容易受到配置参数的影响.本文首先使用试验设计的方法,对不同覆盖表生成的算法参数进行优化,系统分析了参数对算法性能的影响.同时,考虑到对不同的覆盖表,最优的算法参数往往不同,因此进一步提出了一种适用于覆盖表生成的自适应粒子群算法.实验结果表明,在一定的参数取值范围内粒子群算法都能获得较好的结果,且不存在一组对任意覆盖表都能有最优性能的算法参数.通过参数调优,能使粒子群算法获得比已有结果规模更小的覆盖表,同时,与经过参数调优后的算法相比,自适应粒子群算法在大部分情况下有更好的性能.     

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.     

基于组织进化粒子群优化的测试用例自动生成

针对组合测试用例生成问题的具体特点,结合组织进化思想及粒子群优化算法,设计了适合问题求解的编码方式及操作算子等,提出了一种基于组织进化粒子群优化的测试用例自动生成算法。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两两覆盖的测试用例集。仿真实验表明,该方法能有效地降低测试用例数目。     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

基于混合策略自适应学习的并行粒子群优化算法

针对当前各种粒子群优化算法解决问题时存在的局限性,提出一种基于混合策略自适应学习的粒子群优化算法(HLPSO)。该算法从收敛速度、跳出局部极值、探索、开发几个不同角度融合了4种具有不同优势的变异策略,当面对不同形态的复杂问题时通过自适应学习机制选择出合适的策略来完成全局寻优。通过对7个标准测试函数的仿真实验并与其他算法相比较,所得结果表明了所提出的算法具有较快的收敛速度、较高的精度以及很强的跳出局部极值的能力。     

基于实数编码的自适应粒子群优化算法

提出了一种新的自适应粒子群优化算法(AMPSO)。该算法在运行过程中根据粒子群多样性的度量指标大小和当前最优解的大小来确定最优粒子的变异概率以对算法进行自适应变异,从而有效地增强了粒子群优化(PSO)算法跳出局部最优解的能力,使PSO算法既摆脱了后期易陷入局部最优点的束缚,又保持了其前期搜索速度快的优点。对几个典型函数的测试结果表明,该算法是非常有效的。     

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。     

基于自适应粒子群的WSN覆盖优化

数据感知层的无线传感器网络覆盖范围对感知服务质量具有非常重要的意义。鉴于无线传感器网络初始部署的随机性所造成的覆盖冗余、覆盖空洞以及粒子群算法自身的早熟收敛等问题,提出一种基于二项感知覆盖的自适应虚拟力粒子群优化算法,以优化网络的有效覆盖率。该算法通过在网络中添加移动节点来进行位置调度的重部署分布,并计算种群进化程度和相对聚合程度以自适应调节惯性权重,同时利用适应度方差阈值判断当前状态是否需要引入虚拟力策略的干扰。文中重点分析了初始部署类别和移动节点占比对重部署覆盖性能的影响,并给出了相应的算法实现。仿真实验表明,相比ACPSO,DACPSO,DVPSO算法,改进的粒子群算法的覆盖率达到了98.33%,并且具有较高的移动效率,充分证明了该算法的有效性。     

基于改进自适应粒子群算法的目标定位方法

针对现有目标定位求解算法推导复杂和自适应粒子群算法仍存在收敛速度慢、计算量大的缺点,提出了一种基于速度自适应和变异自适应融合的改进粒子群算法。该算法在速度自适应粒子群算法的基础上,优化选择粒子,并根据种群适应度方差值进行自适应变异,增强算法快速收敛的能力。仿真结果表明该方法能有效地提高目标定位精度,在随机噪声干扰方差为。.5的条件下,定位均方误差不超过1. 5m,且收敛速度增快,计算量减小。     

基于S型函数的自适应粒子群优化算法

针对粒子群算法求解精度低和后期收敛速度慢等问题,提出了一种基于S型函数的自适应粒子群优化算法SAPSO (S-shaped function based Adaptive Particle Swarm Optimization)。该算法利用倒S型函数的特点,实现了对惯性权重的非线性调整,从而更好地平衡算法的全局搜索能力和局部搜索能力;同时,在算法的位置更新公式中引入S型函数,并利用个体粒子自身的适应度值与群体平均适应度值的比值自适应地调整搜索步长,从而提高算法的搜索效率。在若干经典测试函数上的仿真实验结果表明,与已有的几种改进粒子群算法相比,SAPSO在收敛速度和求解精度方面均有较大优势。     

基于微粒群优化的图像分类方法研究

论文提出了一种新的图象分类算法--基于微粒群的图象分类算法.将此算法和K均值聚类算法分别应用于MRI人脑图象的分类,并进行了比较.实验结果表明：基于微粒群的图象分类算法具有较好的全局收敛性,不仅能有效克服K均值算法易陷入局部极小值的缺点,而且全局收敛性能优于K均值算法.     

一种自适应柯西变异的反向学习粒子群优化算法

针对传统粒子群优化算法易出现早熟的问题,提出了一种自适应变异的反向学习粒子群优化算法。该算法在一般性反向学习方法的基础上,提出了自适应柯西变异策略(ACM)。采用一般性反向学习策略生成反向解,可扩大搜索空间,增强算法的全局勘探能力。为避免粒子陷入局部最优解而导致搜索停滞现象的发生,采用ACM策略对当前最优粒子进行扰动,自适应地获取变异点,在有效提高算法局部开采能力的同时,使算法能更加平稳快速地收敛到全局最优解。为进一步平衡算法的全局搜索与局部探测能力,采用非线性的自适应惯性权值。将算法在14个测试函数上与多种基于反向学习策略的PSO算法进行对比,实验结果表明提出的算法在解的精度以及收敛速度上得到了大幅度的提高。     

基于数论方法的微粒群算法

为了改进微粒群优化算法的结果,用数论网格法初始化微粒群的初始位置,对位于当前全局最优点的微粒重新初始化,最后用一种爬行算法求精微粒群寻优的结果.实验表明,改进后的算法能克服标准微粒群算法的困难,获得更好的结果.     

煤矿井下WSN中基于自适应粒子群聚类算法的多sink节点部署

多sink节点的部署是井下传感器网络的重要研究课题,对网络性能的影响很大。针对目前采用的部署方法存在计算过程复杂、收敛速度慢、容易陷入局部最优等问题,在标准粒子群聚类算法的基础上,提出一种基于自适应粒子群聚类算法的井下多sink节点部署算法(简称A-PSOCA算法),在惯性权重系数中考虑了粒子的进化和聚合状况,使改进的算法的自适应能力更强,并在算法迭代过程中引入预防粒子位置重叠策略,防止粒子搜索局部最优化。仿真结果表明,A-PSOCA算法可以得到合理的sink节点位置,算法的收敛速度比标准粒子群聚类算法快1倍,所对应的网络的平均能耗和均衡性以及网络生存期也优于其他基于粒子群算法,适用于井下通信环境。     

基于粒子群算法的无线信道资源分配算法研究

为了 最大化 多媒体无线信道资源分配的网络效用,提出了一种新的基于粒子群算法的信道时间分配算法。该算法能够优化分配给网络内每个设备的时间,以便为每位网络用户 提供最优化的服务质量(QoS)。所提算法结合了多样性增加函数以及基于个体最优值的学习方法,并基于自适应粒子群算法进行了改进,在持续增强QoS的同时加快了收敛速度。在多达40个设备的千兆网络环境内对所提算法进行了测试。实验结果表明,提出的算法能够大大提升资源分配能力,尤其是在网络规模较大的情况下。