智能优化算法在回归测试关键技术中的应用现状研究

近些年,智能优化算法在软件工程领域得到了广泛的应用,基于搜索的软件工程技术往往通过设计具体问题的适应值函数,并基于该函数在问题的可行解空间中使用优化算法寻求最优解。本文首先介绍了常用的智能优化算法,包括遗传算法、爬山算法、粒子群算法以及蚁群算法,之后分析并研究这些算法在测试数据生成、测试用例选择以及测试用例优先级排序技术中的应用,为有效解决基于搜索的软件工程问题奠定基础,促进回归测试效率的提高。     

空间查询和路径搜索的集成处理策略

在数据库研究中,路径搜索和空间查询处理被认为是两个互不相关的领域,然而在处理具有空间约束的路径查询时,需要数据库系统提供路径计算和空间查询处理两方面的功能.为了处理路径计算中的空间约束,考虑了两类处理策略:(1) 空间运算是否在路径计算之前预处理;(2) 空间对象是否在路径计算之前预选取.基于这两类策略,应用现有的空间连接、R-树空间搜索和空间对象聚类技术,提出4种集成的空间路径查询处理方法.     

知识不确定性问题的粒计算模型

知识不仅是构成人类认知能力的重要基石,也是智能科学研究的基础问题之一.随着智能科学技术研究的发展,知识的不确定性研究受到人们的普遍关注.知识的不确定性来源于知识本身的不确定性以及受外界(客观世界)影响而导致的不确定性.从粒计算模型的角度分析了模糊集理论模型、粗糙集理论模型、商空间理论模型以及其他扩展粒计算模型中知识的不确定性问题,并对知识不确定性问题的研究工作进行了讨论和总结,对有待研究的重要问题进行了展望.     

基于蒙特卡洛Q值函数的多智能体决策方法

多智能体决策问题是人工智能领域的研究热点.与单智能体决策问题相比,多智能体决策的策略搜索空间更大.分布式局部感知马尔可夫决策过程(Dec-POMDPs)建立了不确定环境下多智能体决策问题的通用模型,自提出以来受到很大关注,但是求解Dec-POMDPs问题计算复杂度高,内存占用大.基于此,提出一种新的Q值函数表示-----蒙特卡洛Q值函数$(Q_MC)$,并从理论上证明$Q_MC$是最优Q值函数$Q^\ast$的上界,能够保证启发式搜索到最优解;运用自适应抽样方法,平衡收敛准确性和求解时间的关系;结合启发式搜索的精确性和蒙特卡洛方法随机抽样的一般性,提出一种基于$Q_MC$的蒙特卡洛聚类/扩展算法(CEMC),CEMC整合了Q值函数求解和策略搜索过程,避免保存所有值函数,只按需求解.实验结果表明,CEMC在时间和内存占用上超过目前性能最好的使用紧凑Q值函数的启发式方法.     

基于搜索空间划分的概念生成算法

概念格作为形式概念分析理论中的核心数据结构,在机器学习、数据挖掘和知识发现、信息检索等领域得到了广泛的应用.概念格的构造在其应用过程中是一个主要问题.提出了一种基于搜索空间划分的概念生成算法SSPCG(search space partition based concepts generation),它将属性集合的幂集看作初始闭包搜索空间,迭代地将每个搜索空间划分为一些子搜索空间,并引入了子搜索空间的有效性判断,只搜索那些能生成正规闭包的子搜索空间,有效地提高了搜索效率;同时,在计算闭包过程中保存一些必要的中间结果,用来提高闭包运算速度.由于所有子搜索空间是独立的,所以该算法可以很容易地扩展为并行算法.在随机生成的数据集和真实数据集上进行的实验测试表明,本算法的时间性能要优于Ganter提出的NextClosure算法.     

求解约束优化问题的文化算法研究

文化算法的主要思想是明确地从进化种群中获得求解问题的知识 (即信念) 并用于指导搜索过程. 本文提出了一种基于多层信念空间的文化算法, 该算法通过对多层信念空间的择优选用将提取的知识用于提高进化计算性能来解决约束优化问题. 应用实例表明该算法具有较好的结果和较少的计算量.     

概率统计下的多粒度搜索算法研究

粒计算的主要思想是在不同粒度层次上对复杂问题进行求解,这在很大程度上体现人类问题求解过程中的智能。文中结合人脑处理复杂问题的多粒度机制和概率统计原理,从粒计算的角度提出一种基于统计期望的多粒度高效搜索模型,从不同粒度层次的商空间上分析统计概率期望的变化规律。通过实验发现,利用该方法搜索目标的效率会随问题空间的细分逐渐降低并趋于稳定,且在不同概率模型上可很大程度地减小不同概率模型问题求解的复杂度。     

基于程序控制流图源代码相似程度分析系统

源代码相似程度分析在软件工程和计算机教学等领域都有重要的应用.软件工程领域的源代码盗窃和著作权纠纷仲裁,计算机教学领域的学生作业作弊分析都需要源代码相似程度的分析.良好的源代码相似程序分析软件还可以应用于相似代码聚类和搜索引擎的源代码搜索领域.尽管源代码相似程度分析问题由来已久,但是这个问题并没有令人十分满意和惊喜的研究结果.源代码有其特殊结构,使用传统的纯文本相似度分析显然是不合适的.将首先介绍这个问题的研究历史和进展,简单分析这个问题的难点所在,继而介绍一个新的基于程序控制流图分析的源代码相似程度分析系统,并给出其算法和实现细节.文章最后将分析这个方法的优劣所在,讨论这个方法的进一步改进方向.     

大数据时代软件工程专题前言

软件在人类社会生活中发挥着越来越重要的作用,软件工程研究软件系统构造、开发、运行、维护、演化的创新方法以提高效率和质量.从上世纪五六十年代起,软件工程经历了从结构化、到面向对象、到网络服务化的演进.软件工程研究内容和范围不断扩展,其应用和实践也不断延伸,正发展成为结合人工智能、社会计算、认知科学、数据科学与工程等多学科交叉的领域. 为及时反映我国学者在结合大数据技术的软件工程研究新进展,以及在大数据软件应用的开发方面的最新实践经验,“大数据时代的软件工程”专题围绕上述新兴热点问题,同时也兼顾经典问题的最新突破,征集本领域近期取得的原创性研究成果.专题的征文范围包括（但并不限于）面向特定领域的大数据应用开发、调试、部署及运行管理过程中的软件工程问题、软件工程数据质量问题、面向开源软件生态系统的数据分析、软件生命周期中的数据采集与分析、大规模群体协同的软件开发方法与平台环境、面向软件系统创新与产品线演化的模型、理论与工具、面向特定领域的大数据应用需求分析、用户行为数据收集与系统可用性分析、软件数据分析的代价与价值评估. 专题公开征文,共征得投稿22篇.特约编辑邀请了国内外在该领域有影响力的一组学者参与审稿工作,每篇投稿至少邀请2位专家进行初审.大部分稿件经过初审和复审两轮评审,部分稿件经过了两轮复审.通过初审的稿件还在NASAC 2016大会上进行了现场报告,作者现场回答了听众的问题,并听取了听众的修改建议.最终有13篇论文入选本专题.入选论文覆盖开源软件生态分析、软件分类检测与推荐、软件故障与缺陷预测、面向领域的大数据应用开发方法.     

基于QoS多属性决策的Web服务组合优化方法

从海量候选服务组合计划中选择具有最优/满意服务质量( QoS)的计划,即基于QoS的Web服务组合,是面向服务计算的难题之一。为此,将该问题建模为多属性决策问题,同时针对传统多属性决策方法难以处理海量搜索空间的问题,提出一种结合折中比例法和遗传算法的新型智能进化算法( GACRM )。 GACRM结合了折中比例法的方案排序优势和遗传算法高效的全局搜索能力,能够从海量搜索空间中快速找到全局近似最优解。实验结果表明,该算法不仅能够高效地产生与折中比例法接近的最优方案排序,且在解决大规模Web服务组合问题上具有良好的可伸缩性。     

智能软件工程专栏前言

软件作为信息社会的基础设施,深刻地影响着现代人类文明的进程。自1968年软件工程的概念被提出以来,如何高效地开发高质量的软件一直是计算机科学的研究热点。近年来,随着人工智能技术的发展,人工智能与软件工程开始深度融合,由此形成的全新学科交叉方向——智能软件工程成为了国内外学者关注的焦点和研究重点。智能软件工程主要涵盖两方面:人工智能赋能的软件工程和面向人工智能的软件工程。一方面,以深度学习为代表的人工智能迅猛发展,为软件工程研究提供了全新的方法、技术和工具,显著提高了解决传统软件工程任务的能力。     

软件工程中体系结构的构建

软件体系结构是软件工程中的一个新兴的领域,它与软件工程技术的发展有着相当密切的关系,本文从软件工程技术的发展谈到了软件体系构建的必然性,并且在文章的最后对软件工程的发展现状和未来前景做出了总结.     

量子搜索及量子智能优化研究进展

为了提高智能优化算法的收敛速度及优化性能,目前国内外将量子计算机制和传统智能优化相融合,研究和提出了多种量子进化算法及量子群智能优化算法;为了进一步推动该领域的研究进展,系统地介绍了国内外提出的多种量子搜索及量子智能优化算法,其中包括量子搜索、量子衍生进化、量子神经网络三个方面内容;总结出目前改进量子搜索算法的主要机制和量子计算与传统智能计算的主要融合方式,并展望了量子搜索和量子智能优化有待进一步研究和需要解决的问题。     

子空间搜索广义主成分分析

GPCA(Generalized Principal Component Analysis)是近几年提出的一种数据聚类和降维方法,它通过将样本聚类为不同的子空间得到样本的低维表达.GPCA方法已经被应用于图像分割、图像聚类等问题.原有的GPCA算法具有指数计算复杂度,很难应用于高维数据的实际处理.文中针对此问题,提出了基于子空间搜索的SGPCA算法,将聚类问题分解为单个平面的单个垂直向量的搜索问题,对不同子空间分别搜索,从而实现多项式复杂度算法.实验表明,新方法不仅计算复杂度低,而且对噪声的鲁棒性也更强.     

智能优化在软件测试中的应用综述

软件测试是软件开发活动中一个关键且耗时的环节,其核心是生成满足特定准则的测试数据.随着软件复杂程度的不断增加,软件测试的难度也越来越高.使用遗传算法等智能优化方法解决复杂软件的测试问题,是近年来软件工程领域的一个研究热点.鉴于此,针对智能优化在软件测试的应用进行综述,首先介绍软件测试的基本原理和方法;然后介绍智能优化在...     

网络结构分析的粒计算

网络结构分析是人工智能领域基本问题。应用粒计算方法讨论了网络结构信息计算,从粒计算基本问题角度,采用商空间理论研究了网络结构粒化和粒化后不同粒度空间中的问题,特别是基于粒化如何计算不同粒层的粒间距离问题。应用方面,讨论了大规模网络结构最短路径搜索问题。作为大规模网络路径分析的预处理方法,选择社团作为基本粒,将大规模网络粒化到不同的粒度空间,形成不同粒度商空间的分层递阶粒度链。提出了基于分层递阶粒度链的大规模网络的启发式路径搜索方法。与A*和ALT方法进行了比较,验证了粒计算方法的有效性。     

智能空间研究综述

智能空间是一个将物理世界和信息空间融合起来的重要研究领域,着重于自然的人机交互、适应用户和设备的动态演化,以高效地帮助用户完成任务.本文简要叙述了智能空间的概念、目的、要求、特点和应用,介绍了其主要组成部分的硬件设备、普适网络和系统软件,并且从信息采集、上下文感知计算、中间件、智能决策和执行、安全性五个方面对研究热点进行了详细分析.在描述几个实例的基础上指出智能空间面临的挑战,最后对研究工作做了总结和展望.     

新一代计算的若干问题

新一代计算与传统计算迥然不同,前者以AI问题求解(搜索、启发式方法、符号计算、非确定性算法、基于知识的问题求解等)为核心,以并行处理体系结构为基础,以知识信息处理(自然语言理解、图象识别、语音识别、专家系统等)为应用;而后者以确定性过程算法为核心,以顺序(von Neuman)体系结构为基础,以数值数据处理为应用。传统计算强调的是严格的“计算”,而新一代计算强调的则是“搜索与推理”。本文概略讨论新一代计算中的若干重要问题,包括新一代计算语言与程序设计,新一代计算模型与体系结构,新一代计算知识表示,新一代计算与软件工程,新一代计算与非标准逻辑,以及新一代计算与超并行结构等。     

多任务优化算法综述

基于计算智能“隐并行性”实现多任务优化(multi-task optimization, MTO),是当前研究的热点和前沿技术.与传统单任务优化算法相比,通过挖掘群体智能内在并行和内涵并行同时优化多个任务,可显著提高问题求解质量以及缩短任务求解时间.首先,对MTO相关英文/中文文献进行梳理,总结MTO研究进展和趋势;然后,基于多因子优化(multifactorial optimization, MFO)和多种群演化(multi-population evolution, MPE)两种不同信息共享框架,从多任务搜索空间设计、种群数量、种群规模、依托算法、信息迁移节点、交互信息、时间和空间复杂度以及复杂系统等角度对比二者异同;接着,从信息迁移节点、方式和类型3方面重点阐述MTO核心理论;最后,从探究MTO复杂系统层级智能涌现行为、多任务种群多样性控制以及应用领域拓展3方面展望未来研究方向.     

智能技术支持的小学新型学习空间创设与实践

近年来,在智能技术的推动下,传统学习空间功能过于单一,难以满足学生个性化需求等问题逐渐凸显.因此,人们开始思考学习空间的设计与重构.本文首先对学习空间的理论基础进行了梳理,并结合案例,以人工智能、物联网、大数据等智能技术为支撑,从物理、虚拟、社会、个人四个维度构建了智能技术支持的小学新型学习空间模型,旨在为新型学习空间...