基于遗传-粒子群混合算法的测试数据自动生成

针对传统遗传算法（GA）容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法（GA-PSO）的软件测试数据自动生成算法：以粒子群优化算法（PSO）为主线,按PSO算法中标准的速度和位置更新,将GA算法的筛选、交叉、变异与PSO算法的自动更新特征结合在一起,使所有测试数据在局部区域中再次寻找最优值,从而避免了过早收敛,改进了搜索最佳值的能力.仿真实验表明：遗传-粒子群混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力.     

基于变尺度法的网络流量预测模型的优化研究

网络流量预测是网络性能管理的一个重要组成部分,一种好的预测模型能比较准确地判断网络流量的发展趋势,对网络管理起到推进作用。提出了将变尺度法应用于指数平滑模型中,以预测误差平方和（SSE）最小作为目标,构造并自动生成了最佳平滑参数,使网络流量的预测模型得以优化,增强了指数平滑模型对时间序列的适应能力,较好地解决了指数平滑预测模型中,平滑参数靠检验确定且为静态,平滑初值难以确定并导致预测偏差等问题。通过分析,证明了此模型能够较准确地预测出网络的流量,从而提高了网络的服务质量。     

软件测试数据自动生成方法的研究进展

软件测试数据自动生成分为功能测试数据生成和结构测试数据生成.就目前的研究而言,功能测试数据生成方法包括边界值法、等价类划分法、决策表法、因果图法、功能图法、错误推测法、正交实验方法.结构测试数据生成方法包括随机测试数据生成方法、面向目标的测试数据生成方法、面向路径的测试数据生成方法、基于GA的结构测试数据生成方法.功能测试数据生成是按照需求规格说明设计测试数据的方法,测试简单,完全不考虑程序内部结构和内部特性.结构测试数据生成只根据程序的内部结构设计测试数据.在规划测试方案时,需要将两者结合起来应用,加入其他的智能算法是帮助测试数据生成的一个发展方向.     

改进的粒子群算法在测试数据生成中的应用

自动化测试中,测试数据的自动生成技术是提供软件测试效率和效果的瓶颈.粒子群算法(PSO)具有简单、易实现、可调参数少等特点,在测试数据生成方法中得到初步应用.在具体应用过程中,为克服PSO易陷入局部极值的缺陷,对算法进行了改进,应用加入移动步长的混合粒子群算法(SwPSO)自动生成测斌数据,提高了PSO算法摆脱局部极小点的能力.文中对算法的原理和实现做了详细描述,并将其与传统的基于标准粒子群算法(PSO)和遗传算法(GA)来实现软件测试数据自动生成方法进行实验对比.结果表明,改进后的粒子群算法可以更高效地生成测试数据.     

基于改进粒子群算法的测试数据自动生成研究

测试数据的自动产生技术是软件测试的一个重要研究领域,高效的测试数据乍成可以简化测试工作提高测试效率;针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传粒子群混合算法(GA-PSO)的软件测试数据自动生成算法,该算法在粒子群算法的基础上引入了遗传算子(交叉概率P<,c>、变异概率P<,m>),使所有测试数据在局部区域中再次寻找最优值,从而避免过早收敛,改进搜索最佳值的能力;仿真实验表明遗传粒子群混合算法与单纯使用简单遗传算法相比,具有更快的收敛速度,其产生最优解的代数得以大大提前,且精度更高.