基于自适应遗传算法的测试用例生成工具

提出一种“对组合”测试用例生成算法。给出“对组合”索引表的概念。在索引表的基础上,实现一种自适应遗传算法生成测试用例集合。介绍使用该方法开发的测试用例自动生成工具GATG。实验证明,该方法基本达到国际同类工具的平均水平,具有较好的使用价值和应用前景。     

从WSBPEL程序中学习Web服务的不确定动作模型

智能规划是一种比较有前途的Web服务组合(WSC)方法.用规划进行WSC需要Web服务(WS)的动作模型,而让工程师来写它却很困难.考虑到现存WSC解决方案多用Web服务业务流程语言(WSBPEL)手工编写,可从现存方案中提取动作模型.由于WS本身有不确定性,且现存方案中蕴含对WS的语义要求,所以学习的应是体现流程语义且包含条件效果的不确定动作模型.为此,先将WSBPEL程序转成保留流程语义的标签转换系统(LTS);然后将动作模型学习技术扩展到包括条件效果的不确定规划(NDP),并从LTS中学习动作模型.实现了ARMS-WS系统,它可从WSBPEL程序中学习WS的不确定动作模型.     

基于交补集和Pignistic变换的证据组合方法

针对D-S证据组合公式及其改进公式的局限性,提出一种基于交补集权重和Pignistic概率变换的改进组合方法。基于交补集理论推导出新的基本概率分配函数,对交补集权重因子进行量化,得到基于交补集权重的证据组合公式,利用Pignistic概率变换法对已获得的各命题的信度值进行重新分配,以降低组合顺序对合成结果的影响,同时可获得更可靠的决策依据。实例分析结果表明,与其他改进方法相比,该组合方法在解决冲突证据、一票否决、鲁棒性、公平性和决策有效性等方面均有明显的优势。     

基于多模式组合推理机制的确诊方法研究

基于经典专家系统模型建立的疾病诊断系统仅单次性地推理和知识运用,知识资源利用效率低、准确度低、对比度缺失。为此,研究以确诊山羊疾病为例,引入多模式组合推理确诊机制,设计诊断系统体系架构,构造源于概率的自学习贝叶斯推理和基于模式识别的语义距离测度的不同理论背景的多模式组合推理诊断算法。实验结果表明,组合推理诊断模型提高知识库利用率,增加了对比度,准确率达到85%,取得较好的综合诊断效果。     

基于最大应用模板的服务组合模型

针对面向服务架构中的服务组合问题,提出基于最大应用模板的动态应用定制与服务组合模型,采用最大应用模板描述一类应用的业务逻辑,根据用户输入自动演化生成个性化的应用定制,并以此实现服务组合,采用基于信用的服务质量保证机制和动态重构技术保证组合的服务质量,设计并实现基于该模型的一站式服务平台DACSC,对相关算法进行仿真验证。结果表明该模型可以自动实现应用定制和服务组合,并能降低用户交互次数和服务调度次数,保证组合服务的高可用性。     

基于非线性组合模型的交通流预测方法

为开发智能交通系统,提出一种基于RBF和ARIMA网络非线性组合模型的短时交通流预测方法,采用三层结构的RBF网络将2种单一预测方法——RBF和ARIMA网络进行非线性组合,利用实测数据对3类方法进行仿真实验,结果表明,非线性组合模型的预测准确性高于各自单独使用时的准确性,组合模型发挥了2种单一方法各自的优势,是短时交通流预测的有效方法。     

基于组件的加权组合错误注入测试方法

在传统错误注入方法的基础上,结合组合变异测试技术,提出一种面向组件的错误注入加权组合测试方法。对组件环境的注入条件设置加权因子,在组件集成测试系统平台下面向第三方组件进行注入测试,自动生成XML格式的测试监控日志。实验结果表明,该方法能依据组件的软件环境发现并分析从高风险到低风险的组件漏洞。     

P2P环境下基于语义的Web服务组合研究

利用OWL-S语言描述Web服务,在组合操作中加入语义信息,实现了Web服务组合的自动化。为了提高Web服务的搜索速度,采用Chord路由算法。构建了一个P2P环境下基于Chord网络的Web服务组合模型,在其上实现了基于语义的Web服务组合,最后通过实例给出了语义Web服务自动组合过程。     

一种高效的Web服务组合方法

随着Web服务的迅速发展,Web服务组合已经成为一个研究的热点.但是如何找到行之有效的Web服务组合方法仍然是研究人员需要解决的难题.针对这个问题,提出了一个高效的Web服务构造树算法.该算法引入了Web服务前提集的概念,并用贪婪算法和索引算法来构造Web服务前提集.实验表明索引算法具有更好的性能.     

短期电力负荷最优组合预测模型的研究

组合预测是将几种预测方法所得的预测结果选取适当的权重进行加权平均的一种预测方法.将组合预测思想运用到电力负荷预测系统中,通过方法参数最优化、方法自动筛选和权重最优化,构建最优组合预测模型.实践证明,组合预测比单个方法预测具有更高的预测准确性.