基于二进制补丁比对的软件输入数据自动构造

在软件二进制补丁比对结果的基础上,提出一种基于目标的适应值函数模型.该模型对同一种群中所有个体评估,寻找优秀个体以遗传到子代中,产生能够到达或接近到达可疑函数的个体数据.该算法不需要源码.实验结果表明,该算法简化了逆向分析人员构造软件畸形数据的过程,为其快速触发软件脆弱点创造了条件.     

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。     

混合股遗传算法及其在智能组卷中的应用

为了在尽可能短的时间内找到问题的最优解,本文在采用股遗传算法高适应度个体遗传速度快、抑制劣质基因的遗传漂移、能够保持群体的多样度、减少早熟收敛现象的发生等优点的基础上,引入了变异过程中的预选择机制来保持优良个体,避免优良基因的丢失,提高种群的整体水平,从而提高算法的性能.将改进的股遗传算法应用于智能组卷,并引入了分段的整数编码和选题过程中的变异操作来提高组卷速度和避免重题的出现.实验结果表明:改进的股遗传算法与标准遗传算法、股遗传算法相比,该算法能大幅度的提高组卷质量.     

交互式遗传算法的改进方法及应用

针对交互式遗传算法中收敛速度慢和容易陷入局部收敛的缺点,提出遗传算法算子的一些改进策略,即利用定位部分优良基因方法,使这些基因较好地遗传到下一代。改进的算法能有效减少无效的交叉操作,收敛速度、全局搜索能力和局部搜索能力比交互式遗传算法均得到了较大的提高。将改进的算法应用于服装设计中,实验结果证明了改进后的算法在平均收敛代数和收敛到最优解的概率都优于遗传算法。     

求解作业车间调度问题的一种改进遗传算法

为了避免遗传算法的早熟收敛问题,降低算法对初始种群的敏感程度,提高收敛速度,建立了以工件完工时间最小和加工设备利用率最高为目标的数学模型,并提出一种改进遗传算法。在约束条件处理中引入可能解空间概念;设计了适应路径柔性调度问题的基于工序的编码。父代个体和交叉变异得到的个体在选择操作中具有同等选择机会,保证最优个体保留到下一代,又能保持子代的多样性。在遗传过程中引入修正种群,实现多种群杂交,以保持种群的多样性。应用实例分析和工程实践表明,算法稳定可靠,运行效率大大提高。     

基于改进遗传算法的可重构计算任务划分

为实现可重构计算中的软硬件任务自动划分,引入了遗传算法来搜寻最优解。为解决标准遗传算法可能出现种群早熟和种群进化后期收敛速度慢的问题,使用了小生境技术来保护种群中基因的多样性。设计了能够随适应度自动改变的自适应遗传算子（杂交算子和变异算子）。对算法进行了50次随机实验,并对结果进行分析。实验表明,改进后的遗传算法搜寻到全局最优任务划分的概率和搜寻到最优任务划分时的进化代数都要优于标准遗传算法。     

基于生物信息编码的自适应IDS编码设计

入侵检测系统IDS研究中需要解决的一个问题是系统的自适应、自学习问题,它严重影响系统对未知攻击或变形攻击的识别能力及系统的开放性。生物机体能够从环境中进行自学习,且通过遗传产生更适应环境的子代。生物性状是由基因控制的。该文从基因编码中寻找到生物机体自学习、自适应能力的机制,并基于此,进行IDS特征数据层次化的编码设计,并给出详细的编码的进化过程即检测过程。     

改进PSO算法的性能分析与研究*

分析了粒子群优化(PSO)算法的进化式,针对其容易发生早熟、收敛速度慢、后期搜索性能和个体寻优能力降低等缺点,结合遗传算法的思想,提出一种新的混合PSO算法——遗传PSO(GAPSO)。该算法是在PSO算法的更新过程中,对粒子速度引入遗传算法的变异操作,对粒子位置引入遗传算法交叉操作。对速度的变异降低了算法后期因种群过于密集而陷入局部最优的可能,对位置的交叉使得父代中优良个体的基因能够更好地遗传给下一代,从而得到更优、更多样化的后代,加快进化过程,提高了收敛速度和群体搜索性能。选取了其他几种典型的改进PS     

求解背包问题的混合粒子群优化算法

提出一种新的遗传思想：父代的基因决定子代继承某一基因的概率,而不是由单纯的交叉产生子代。根据此思想,提出两种利用遗传概率产生子代的方法,并将它们分别与粒子群优化算法相结合得到两种求解背包问题的混合粒子群优化算法。通过数值实验说明了同样的算法采用遗传策略要比交叉策略寻优性更强,分析了变异概率对算法的影响。     

基于蚁群遗传算法的三维飞行器航路规划

关于飞行器航路优化设计问题,航路规划是任务规划系统的一部分,是飞行器自主控制的关键技术.为了能够快速的寻找到最优航路且得到的航路有更少的制动点,在航路问题描述的基础之上,把蚁群算法和遗传算法相结合,提出了一种蚁群遗传算法的三维航路规划方法.设计了具有方差因子的航路评价函数,给出了一种关于面的规划空间的构造方法,并在规划空间中,进行蚁群遗传算法的种群初始化,所采用的遗传算子,给出了算法的流程.仿真结果证明了算法的正确性和有效性.     

基于量子遗传算法的软件测试数据自动生成

测试数据的自动生成是测试阶段最关键的技术问题,改进软件测试方法,对提高软件测试的自动化程度具有十分重要的现实意义;在测试数据的自动生成的方法中,遗传算法虽然取得了较好的效果,但是这种算法存在缺陷和局限性,而量子遗传算法改善了其不足之处;应用量子遗传算法解决软件测试数据生成问题,克服了传统的以测试数据为核心的测试方法的不足和缺陷,实验结果表明量子遗传算法的测试用例生成效率高于遗传算法;所以,量子遗传算法可以作为一种较为理想的算法进行测试数据的自动生成,对软件测试中的测试数据自动生成具有很强的使用价值。     

基于遗传算法的DM-GA组合测试数据生成方法

测试数据生成是组合软件测试的重要部分,生成高质量的测试数据对于软件测试具有重要意义.针对两两组合测试数据生成问题,结合传统遗传算法,加入了精英策略和自适应变异概率,提出了DM-GA( dynamic mutation rates-genetic algorithm)算法,改善了传统遗传算法容易陷入局部最优以及收敛速度慢等不足,并取得了良好的效果.实验结果表明DM-GA算法可以作为一种较理想的两两组合测试数据生成方法.     

基于区间算法的软件测试数据生成方法

软件测试过程中经常需要对大量的数值计算模块进行穷举测试,传统的软件测试方法就显露出了不足与局限。该文采用区间算法生成测试数据,比较了采用区间算法的软件测试方法和传统的软件测试方法,结果表明,区间代数方法很好地解决了传统测试方法不能解决的问题,发现程序代码中可能的计算异常,判断能否给出程序代码输出变量的上限范围和是否存在不可能达到的分支。     

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.     

基于蚁群算法的软件测试数据自动生成

提出了一种基于蚁群算法的测试数据自动生成方法。该方法采用位串形式编码,实现了被测程序输入空间到蚂蚁路径网络的映射模型。根据程序插装函数定义的路径信息素轨迹强度,蚂蚁进行群体协作搜索最佳路径,生成测试数据。在基本蚁群算法基础上,通过引入变异算子和自适应挥发系数,提高了蚂蚁路径的多样性,克服了早熟停滞的缺陷。和模拟退火遗传算法进行了对比实验研究,结果表明了该方法的可行性,生成测试数据的效率优于模拟退火遗传算法。     

Testing the performance of a 2D nearest point algorithm with genetic algorithm generated Gaussian distributions

Genetic algorithms have successfully been used in automatic software testing. Particularly programming errors and inputs that conflict with time constraints can be found. In this paper, the idea of genetic algorithm based software testing is broadened to algorithm performance testing. It is shown how the best and worst case performance of the algorithms can be found effectively. This information can be further utilized when comparing and improving algorithms. In this paper, the proposed test method is introduced and the advantages of using genetic algorithms are discussed. Furthermore, the proposed method is applied to a 2D nearest point algorithm, which is tested by optimizing the parameters of 2D Gaussian distributions using genetic algorithms in order to find the best and worst case distributions and the corresponding performances.     

基于遗传-蚁群混合算法的软件测试数据自动生成方法

自动化测试可以有效地提高软件测试效率,降低软件开发成本。测试数据自动生成是自动化测试过程中一个非常重要的环节。以路径覆盖为准则,本文提出一种利用遗传-蚁群混合算法来对程序输入域进行搜索的方法,进而生成满足需要的测试数据。经过实验验证,该算法可以有效地生成满足覆盖准则并且分布多样的测试数据。     

基于FDI算法在软件测试实践中的应用

软件测试对于软件系统的性能以及功能都有很重要的意义,是保证软件可靠运行的关键.在软件测试的实践应用中,对于软件故障定位时,提出了基于谓词统计故障定位的算法,也就是FDI频率差异积分算法.在软件测试实践中采用基于FDI频率差异积分算法,可以很好地监控软件程序,测试软件的覆盖率以及执行时间等内存占用情况,并找到软件的故障瓶颈,以便采取更好的方法改进软件性能.探讨了实践中基于FDI频率差异积分算法在软件测试内的应用.     

基于遗传算法的动态可变参数的测试数据自动生成工具

测试数据的生成是实现软件测试自动化的关键,这一技术的实现大大节省了软件开发的时间和费用。利用遗传算法的理论与算法特点,建立了动态可变参数的测试数据自动生成工具。通过该工具的可视化界面可以动态地输入遗传算法参数,而且能够根据不同的路径选择输入相应的适应度函数,克服了以往在源代码中修改适应度函数的缺陷。最后通过两个实验,证明了算法的优越性。     

产生多条路径上测试用例的改进遗传算法

测试用例的产生是软件测试过程中的重要环节，也是瓶颈之一。遗传算法作为一种高效的搜索寻优算法，近年来较多地用于自动化测试中产生测试用例。该文结合数据库管理系统源代码的特点，在基本遗传算法的基础上，结合“位权重”和“邻居影响”的思想，提出了用于产生多条路径上测试用例的改进遗传算法，并通过实验验证了该算法的有效性。