软件模糊测试中畸形输入数据的自动构造

提出一种畸形输入数据自动构造算法。基于软件二进制补丁比对结果及目标函数调用图,设计适应值函数,对同一种群中所有个体进行评估,寻找优秀个体并遗传到子代中。实验结果表明,该算法能够生成到达或接近到达软件脆弱点的输入数据,简化逆向分析人员构造软件畸形数据的过程。     

基于摘要技术的混合模型流数据聚类算法

传统的数据库管理系统和数据查询算法不能很好地支持对流数据的查询已经被广泛认识,因而需要研究新的流数据模式查询算法.提出了一种基于摘要技术的在线快速混合模型流数据聚类算法,该算法为分阶段混合模型聚类过程.算法首先时最初到达的流数据用多维网格结构进行划分,对划分形成的每一个单元进行数据摘要,提取足够的统计信息.对该摘要运行基于模型的贪心聚类算法,聚类形成的混合模型的摘要信息存储在永久摘要数据库中,从而形成初始聚类混合模型;在聚类模型的维持过程中,当不断有流数据到达时,对到达的数据块用多维网格结构进行划分,对划分形成的每一个单元提取足够的摘要信息.对该摘要运行基于模型的贪心聚类算法形成聚类混合模型.在判断是否可以把新到达的模型合并到现有的混合模型中去时,提出了三种合并标准.实验表明,该算法减少了分类误差,其速度也比传统的基于模型的贪心聚类算法大大加快.     

软件体系结构层次的软件适应性预测模型

结合经验数据和专家知识,基于贝叶斯网建立了软件体系结构层次的结构特征、变化原因与软件适应性之间的因果关联模型,即软件体系结构层次的软件适应性预测模型,扩展贝叶斯网学习算法解决了该预测模型中较弱因果关系的发现问题.最后给出应用预测模型在软件体系结构层次上评估软件适应性的方法和实例.     

一种软件人性格近似度度量模型

提出一种软件人个体性格度量模型.为了对软件人无限可列的性格进行度量比较,假定每个软件人都存在一个"性格"特征向量,个体之间的性格差异总是由线性空间的距离表示,由此建立软件人和一个软件人群的线性方程.分别在有解和无解的情况下求出距离,根据该距离定量确定软件人以及软件社会中性格趋同的程度,实现聚类或其他判别运算.通过设定3组实验数据,验证该模型具有一定的实际意义.     

考虑新技能学习机制的软件项目调度人工蜂群算法

考虑新技能的学习机制,建立软件项目调度问题的数学模型.该模型融入员工对新技能的学习、新技能熟练度的增长、投入度的自适应变化以及已有技能熟练度变化等实际因素,通过寻找最佳员工任务分配方案,最小化软件项目的工期和成本.为求解该模型,提出一种引入问题启发信息的离散人工蜂群算法.将多元学习策略应用于引领蜂阶段,在保证种群多样性的同时,加强算法全局搜索能力.在跟随蜂阶段采用一种基于启发信息的变异机制,保留最优个体中契合度较高的员工信息,并根据不同个体目标值的优劣采用相异的变异方式,针对性地进行搜索,以增强算法的局部寻优能力.实验结果表明,与已有算法相比,所提算法在不同规模的软件项目调度问题中均能够搜索到更优的分配方案.     

面向航天型号软件缺陷预测的属性选择方法

针对当前航天型号软件模块故障预测中度量属性过多而影响分类模型效率、准确率和数据收集困难的问题,以NASA公布的MDP数据集为基础,设计了基于Logistic回归模型的属性选择算法;通过该算法在6个数据集上的应用选择了对航天型号软件质量影响较大的4个属性,并将其在12个软件中进行验证,说明了该算法的有效性,选择的4个度量属性可为当前航天型号软件的度量提供参考和依据。     

基于差分隐私保护的谱聚类算法

针对传统的聚类算法存在隐私泄露的风险,提出一种基于差分隐私保护的谱聚类算法。该算法基于差分隐私模型,利用累计分布函数生成满足拉普拉斯分布的随机噪声,将该噪声添加到经过谱聚类算法计算的样本相似度的函数中,干扰样本个体之间的权重值,实现样本个体间的信息隐藏以达到隐私保护的目的。通过UCI数据集上的仿真实验,表明该算法能够在一定的信息损失度范围内实现有效的数据聚类,也可以对聚类数据进行保护。     

进化计算在软件智能修复中的应用

提出一种基于进化计算的软件智能修复算法IREA。采用控制流图作为进化个体的编码方式,在确定适应度函数时,考虑控制流图节点集的势和结构相似度2个因素,将软件的修复过程转化为适应度指导的进化过程,从而实现软件智能化修复。实验结果表明,该算法具有可行性和有效性。     

RFID标签到达率的动态自适应灰色模型预测算法研究

针对动态环境中RFID标签到达率估计问题,提出动态自适应灰色预测算法来预测标签到达率。该算法采用到达率反向突变规则知识判断到达率变化趋势,使建模长度可动态地自适应标签到达率变化,克服了预测准确性与跟踪速度之间的矛盾,由此提高了算法预测的准确性。在实验中,用正弦强度函数的非平稳泊松过程来模拟标签到达率的随机变化。结果表明:在少量数据的随机数据环境中,预测算法能够有效地预测数据,且准确性高于一般灰色预测算法和指数平滑算法。     

动态Kriging优化算法求解昂贵约束优化问题

针对昂贵单目标约束优化中真实模型计算费时且现有算法收敛速度慢的问题,提出了动态Krging优化算法以提高计算效率.该算法首先将所有约束条件转换为一个约束函数,然后采用拉丁超立方体采样(LHS)法进行采样,分别建立真实模型目标函数和约束函数的Kriging代理模型,同时结合真实模型对代理模型估计进行误差矫正,采用非支配个体选择、保留和替换机制不断更新样本库和Kriging代理模型.最后将进化最优种群代入真实模型计算其最优值.通过13个标准函数测试表明该算法具有较高的精确度和稳健性,明显减少了真实模型的评价次数.