一种基于改进遗传算法的测试用例自动生成研究

测试用例的生成是软件测试领域的关键技术问题。近年来,受生物进化思想启发得出的一种全局优化算法的遗传算法用于测试用例的自动生成方向的研究,对于软件测试的自动化有着重要的影响。为了生成高效的测试用例,笔者提出了一种改进的遗传算法,该算法采用实数编码方式,采用逻辑覆盖原则,将遗传算法的适应度函数进行改进并加入遗传导向控制,这样有利于种群的多样性遗传,避免种群早熟收敛现象,并结合Delaunay三角网生成程序进行说明,验证了该算法的有效性。     

基于K-means聚类的组合测试用例生成优化算法

针对组合测试生成的测试用例在程序结构测试中出现冗余的问题,应用K-means聚类算法对基于蚁群算法生成的组合测试用例集进行聚类优化。以白盒测试中的逻辑覆盖为依据,将测试用例程序覆盖差异度作为分类的量化标准,根据测试代价决定聚类数目,在每个聚类簇中抽取处于中心点的测试用例构成新的集合。实验结果表明,该算法可以有效减小测试用例集的规模;对比分析不同覆盖准则,可找到在测试用例标准化过程中最优的逻辑覆盖方法。     

基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于粒子群算法的火电厂机组负荷优化分配

通过研究粒子群(PSO)优化算法的基本原理,分析了该算法中各个参数的不同取值对算法搜索能力和收敛速度的影响,并将PSO优化算法应用于电厂机组负荷优化分配问题的研究。通过在3台机组系统的应用,验证表明较之遗传算法等传统优化算法,PSO优化算法在优化结果、搜索区间控制以及收敛速度等方面具有较好的特性,能更好地达到或接近全局最优解。     

基于IRAPSO的组合测试用例生成方法

最小覆盖表的生成是组合测试研究领域的一个关键问题,虽然粒子群优化算法是生成最小覆盖表的方法之一,但该算法存在易陷入局部最优和搜索精度低等问题。针对该问题提出了一种改进的约简自适应粒子群算法。该方法首先对粒子群优化算法的进化方程进行约简,消去其速度项,得到约简的粒子群进化方程;然后提出了惯性权重的自适应调整策略并且在适应值策略中引入汉明距,以提高该算法生成测试用例的覆盖率。与已有算法的比较结果表明,该算法在克服粒子群优化算法易陷入局部最优等问题的同时能够在较短的时间内生成规模更小的覆盖表。     

一种改进的粒子群算法——PSO-Powell

该文针对PSO容易陷入局部最优的缺陷,提出了PSO-Powell辨识算法。该算法首先进行PSO的全局搜索,以全局搜索的最好粒子作为进行Powell搜索的起始点进行搜素,克服了PSO容易陷入局部最优点的缺陷。通过测试用例的测试,证明了该算法的有效性;并对非线性Hammerstein模型和典型的三级串联模型进行了常规方法和该文算法的辨识,对比结果表明了该算法对于辨识参数具有大范围选取能力。仿真结果表明该算法是模型参数辨识的一个有效方法。     

基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法（SGA）存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法（IASHGA）,并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真．仿真结果表明,改进的算法较之常规遗传算法（SGA）和粒子群优化算法（PSO）,不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题．为水轮机调速器PID参数优化研究提供了新途径．     

基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法(SGA)存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法(IASHGA),并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真.仿真结果表明,改进的算法较之常规遗传算法(SGA)和粒子群优化算法(PSO),不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题.为水轮机调速器PID参数优化研究提供了新途径.     

一种基于多种群分层的粒子群优化算法

为解决粒子群优化(PSO)算法收敛速度慢,易于早熟的不足,采用控制理论的分层思想,提出了多种群分层PSO算法(HSPPSO).在第1层采用多种群粒子群并行计算.第2层把每个种群看成一个粒子,种群的最优值作为当前粒子的个体最优值,进行第2层粒子群优化.并把优化结果返回到第1层.在PSO算法的运行过程中,对有集聚倾向的粒子进行速度变异处理,重新初始化速度.最后对4个典型的测试函数进行了测试,研究结果表明,与基本微粒群算法比较,作者提出的算法提高了算法的收敛速度和收敛精度,改善了算法的性能.本算法对大规模系统的优化问题求解提供了一个新的思路.     

基于PSO优化的SMO算法研究及应用

顺序优化(SMO)是支持向量机(SVM)的一种有效训练算法,但SMO的参数选择问题是算法性能优劣的关键所在,只有选择了合适的参数才能使算法性能达到最优。因此,在详细介绍了SMO算法的基础上,着重研究了基于微粒群优化(PSO)的SMO算法的双层优化原理,并通过仿真进行了应用研究,将该方法的有效性进行了验证。实验结果表明,经过PSO优化的SMO算法与其他算法相比具有更高的准确性。     

基于量子粒子群算法的测试数据自动生成算法

本文针对现在流行的进化算法生成测试数据存在参数设置难、算法复杂度高、易陷入局部最优解等缺点,提出了一种应用于软件测试中的基于量子粒子群算法（QPSO）的测试数据自动生成算法。该算法是在粒子群（PSO）算法基础上引入量子理论的思想。解决了PSO算法搜索空间有限,容易陷入局部最优解的问题。通过具体实验证明,该方法是有效可行的,其效率也明显高于GA算法和PSO算法。     

一种新改进的粒子群优化算法

针对粒子群优化算法容易陷于局部最优的情况,将蚁群算法的信息素机制引入到粒子群算法中,保证了粒子间的多样性,从而有效克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。     

基于PSO-DE算法的分布式光伏优化配置研究

为解决分布式光伏电源接入配电网的优化配置问题,提出一种基于粒子群和差分进化的PSO-DE算法,同时构建了包含网损最小、投资成本最低、电压质量最优的无偏好多目标分布式光伏选址定容综合优化模型。首先对差分进化算法的变异过程进行改进,然后利用粒子群算法对差分进化算法中的缩放因子和杂交因子进行优化,采用标准测试函数对PSO-DE算法进行测试和参数敏感度分析,验证了算法的客观性和稳定性;并利用无偏好可变权重对多目标模型进行处理;最后以分布式光伏选址定容优化的实际应用为例,并与其他算法对比,验证了模型和算法的有效性和实用性。     

采用HC-MARPSO算法的软件测试数据生成方法

在吸引排斥粒子群算法(ARPSO)基础上,引入新的种群多样性度量指标和排斥操作,提出改进的吸引排斥粒子群算法(MARPSO)。结合爬山算法(HC)的局部收敛能力和改进的吸引排斥粒子群算法避免早熟的特点,提出基于爬山算法和改进吸引排斥粒子群算法(HC-MARPSO)的软件测试数据自动生成方法。实验结果表明,该算法在生成测试数据的效率上高于遗传算法、粒子群算法。     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

改进的变参数粒子群优化算法

为了提高标准粒子群优化(PSO)算法在收敛速度和优化精度上的性能,提出一种改进的变参数粒子群优化(MAPSO)算法.该方法以进化状态因子计算策略和进化状态估计模型为基础,引入了算法参数控制和变异算子,提高了算法的收敛速度和全局优化能力.在多个基准单峰和多峰优化问题上,对已有的2种算法和MAPSO算法进行了测试和比较,结果表明：在优化精度上,MAPSO算法在6个基准测试函数的4个测试函数上都优于另2种算法;在收敛速度方面,MAPSO算法在5个测试函数上都优于其他2个算法,体现了MAPSO算法在多个性能指标上的优越性.     

采用扰动加速因子的自适应粒子群优化算法

针对粒子群算法容易陷入早熟收敛和搜索效率不高等问题,分析了几个现有的改进粒子群优化算法．在粒子对称分布有利于提高搜索结果的基础上,对粒子群优化算法进行了改进．改进后的算法可以在运行过程中的不同阶段自适应地以余弦函数的变化方式调整惯性权重系数;在加速因子线性变化的基础上,基于一定的条件对加速因子进行扰动;并确定了相应条件参数的参数取值．通过几个经典的函数,对该算法进行了验证,并与相关文献中改进的粒子群优化算法进行了对比．结果表明,新算法不仅显著提高了收敛速度,而且能有效地改善早熟现象．     

基于Tent映射的混沌粒子群优化算法

针对粒子群算法在迭代后期易陷入局部最优的不足,采用Tent映射所产生的混沌序列在粒子个体最优点和全局最优点附近进行混沌搜索,利用混沌搜索的全局遍历性和随机性提高了粒子群优化算法的全局搜索能力和抗早熟收敛性能。几个典型测试函数的仿真结果证明了该算法的可行性。     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。