基于粒子群优化算法的软件测试数据生成研究

遗传算法在软件测试数据自动生成方面应用广泛,但是其自身也存在局限性,如参数难于设置、算法复杂等,而粒子群优化算法执行容易、参数少,能很快地找到最优解。论文提出一种基于粒子群优化算法的软件测试数据自动生成方法,并应用于等边三角形判别程序。实验表明,粒子群优化算法能比遗传算法更高效的生成测试数据。     

基于K-均值聚类粒子群优化算法的组合测试数据生成

在解决组合测试中的测试数据集生成问题时,粒子群优化算法(PSO)在待测数据量增加达到一定程度以后,出现迭代次数增加、收敛速度减慢的缺点。针对该问题,提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域,增强测试数据集的多态性,从而对粒子群优化算法进行改进,增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。     

基于粒子群算法的改进SCOTEM模型测试数据生成方法

UML已经成为建模语言的事实标准,如何从UML模型生成测试用例为面向对象软件测试带来了新的挑战.为测试用例提供测试数据是其中的关键环节.ShaukatAli等人在UML基础上提出SCOTEM模型,但是该模型的测试数据需要人工生成.针对SCOTEM模型进行了改进使其适于灰盒测试,以OCL约束测试数据的生成和运行结果的验证,并提出了一种为基于粒子群算法的改进SCOTEM模型自动生成测试数据的方法.针对不同的覆盖标准,试验结果表明,该方法能够以更高的效率生成高质量的测试数据.     

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.     

基于自适应变异立子群优化算法的测试数据生成

针对粒子群优化算法中群体易出现过早收敛的不足,提出了粒子群优化算法的改进算法AMPSO(adap-tive mutation particle swarm optimization)算法并应用于测试数据生成中.引入约简粒子群优化算法,提高算法搜索速度;在算法进化过程中增加自适应调整策略,定义适应度评价阈值判断群体早熟现象,构建一个改进的自适应变异算子提高粒子变异率;通过实验确定阈值比例系数.结合实验结果从收敛代数和收敛时间两方面对比分析,证明了所提方法不仅能够防止算法出现过早收敛的问题,而且提高了测试数据生成效率.     

基于粒子群优化的测试数据生成及其实证分析

运用元启发式搜索进行结构性测试数据生成已经被证实是一种有效的方法.在讨论基于搜索的测试数据生成基本框架的基础上,以分支覆盖作为测试覆盖准则,给出了基于粒子群优化(particle swarm optimization, PSO)的测试数据生成算法,并通过分析分支谓词的结构特征提出了一种新的适应函数构造形式.在此基础上,针对一些公开的程序集开展对比性实验分析,证实粒子群优化算法在平均覆盖率、全覆盖成功率、平均收敛代数和搜索时间4项指标上均要优于遗传算法和模拟退火算法.同时,编程实现了4种典型的PSO变体算法并进行测试数据生成效果的实证分析,结果表明：基本PSO是解决测试数据生成问题的首选算法,而综合学习式PSO算法的表现则相对较差.     

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SA-PSO的多态路径测试数据生成方法

目前测试数据生成方法多数未考虑到面向对象软件的多态特性,无法运用生成的测试数据对程序的多态信息进行充分的测试。根据多态路径测试数据生成的要求,提出了一种应用模拟退火—粒子群优化(simulated annealing-particle swarm optimization,SA-PSO)混合算法在多态路径测试中生成测试数据的方法,并通过多态性实例对基本粒子群算法、遗传算法、PSO-GA（particle swarm optimization-genetic algorithm）和SA-PSO算法在相同条件     

基于粒子群优化算法处理圆度误差

圆度误差是机械零件及其互换性的重要指标,是产品质量的关键,这里提出一种基于粒子群优化算法计算圆度误差的方法.粒子群优化算法(PSO)是一种进化计算技术.它的优势在于简单容易实现并且没有许多参数需要调整.该方法克服了传统圆度误差最小二乘法评价的局部收敛问题.仿真实验结果表明,本文介绍的方法可以有效、正确地评价圆度误差.     

基于量子粒子群优化算法的车辆路径问题

针对粒子群优化算法的搜索空间有限、容易出现早熟现象的缺陷,提出将一种基于量子行为的粒子群优化算法用于求解车辆路径问题.车辆路径问题是组合优化问题中的NP-难问题.将量子粒子群算法用于车辆路径问题求解,用粒子的位置表示车辆路径,建立车辆路径的数学模型.与粒子群算法相比,量子粒子群算法提高了最优路径搜索的成功率,能更有效的求解问题.     

基于改进粒子群算法的变异体选择优化

变异测试是常用的测试方法之一,变异测试分析的过程中计算开销会比较大,问题主要集中于测试过程中会产生大量的变异体,为了减少变异体的数量,提出用标准粒子群聚类算法进行选择优化,但标准粒子群算法在被测数据量增加到一定数量的时候,它的迭代次数就会增加、收敛速度就会下降。针对以上问题提出基于改进的粒子群算法对变异体进行选择优化。通过对变异体集合进行聚类分区,增强变异体集合的多态性,从而对粒子群算法改进优化。实验结果表明在不影响测试充分度的前提下,使变异体的数量大幅度减少,同时与K-means算法以及标准粒子群算法相比之下,改进后的方法具有更好的优化效果。     

改进的混合粒子群算法

从研究分析粒子群算法和郭涛算法的特点出发,提出一种综合两算法优点的混合算法。新算法改变了粒子的更新方式,以子空间搜索和串行搜索相结合的多点并行搜索,扩大了算法的搜索范围,减少了粒子对初值的依赖,增强了算法跳出局部最优的能力;通过后代较优个体变异产生子群,提高了算法局部寻优能力;实验证明,该算法正确高效。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

基于改进粒子群算法的智能机器人路径规划

针对粒子群算法局部寻优能力差的缺点,提出一种非线性动态调整惯性权重的改进粒子群路径规划算法。该算法将栅格法与粒子群算法进行有效结合,在路径长度的基础上引入安全度和平滑度概念,建立动态调整路径长度的适应度函数。与传统的粒子群算法相比,实验结果表明,改进算法具有较强的安全性、实时性及寻优能力。     

一种Q学习的量子粒子群优化方法

分析了量子行为粒子群优化算法,着重研究了算法中的收缩扩张参数及其控制方法,针对不同的参数控制策略对算法性能的影响特点,提出将Q学习方法用于算法的参数控制策略,在算法搜索过程中能够自适应调整选择参数,提高算法的整体优化性能;并将改进后的Q学习量子粒子群算法与固定参数选择策略,线性下降参数控制策略和非线性下降参数控制策略方法通过CEC2005 benchmark测试函数进行了比较,对结果进行了分析。     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。     

基于改进粒子群优化算法的排课问题

深入分析了排课问题,提出一种基于离散粒子群的排课算法,构建了相应的解题框架。针对粒子群算法有后期收敛速度慢、易收敛于局部最优的缺点,结合排课问题的特点,对粒子群算法作了改进。在三维空间中建立模型,采用避免冲突的种群初始化加快收敛,并且引入变异操作避免陷入局部最优等。实践表明改进后的粒子群算法能有效地解决排课问题。     

基于自适应Tent混沌搜索的粒子群优化算法

为解决粒子群优化算法易于陷入局部最优问题,提出基于自适应Tent混沌搜索的粒子群优化算法。应用Tent 映射初始化均匀分布的粒群,并以当前整个粒子群迄今为止搜索到的最优位置为基础产生Tent混沌序列,混沌序列的搜索范围采用自适应调整方法。该方法可以有效避免计算的盲目性,还能够快速搜寻到最优解。实验表明该算法在多个标准测试函数下都超越了同类改进算法。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。