一种基于分枝定界法的串行测试任务调度算法

目前的自动测试系统中,对于串行任务的测试一般是以整个任务为粒度,这就导致两个任务可能需要重复设置相同的状态或重复测试相同的内容,延长了测试时间,降低了测试效率。针对这个问题,建立了基于图论的串行测试任务时序模型,用"图"来描述串行任务的测试时间与测试顺序的关系,将实际工程问题转化为图论中的数学问题。在任务时序模型的基础上,提出了一个串行测试任务调度算法。对于多个需要串行测试的任务,利用该算法可以得到测试时间最短的串行任务序列。该算法是借助整数规划问题中分枝定界法的思想实现的,通过相关理论和具体实例对算法的正确性和复杂性进行了分析。在实际系统中对该算法进行了实验验证,结果表明给定任务的测试效率提高了40%以上。

基于改进粒子群的并行自动测试任务调度方法

为解决航空电子设备在进行大规模多线程自动测试任务时任务调度效率低、资源利用率低的问题,设计负载均衡筛选机制,建立了并行测试静态资源调度模型,提出了基于粒子编解码的改进粒子群任务调度方法。通过混沌初始化序列和决策权重选择双向学习或引斥力机制,提高了粒子群算法效率和准确性。在此基础上,针对自动测试中的重调度问题,以待测件紧急度为判据建立不同目标函数,完成测试过程紧急件的测试,提高了调度方法的动态规划能力。通过仿真实验验证了调度方法能够有效提升并行测试任务调度效率和资源利用率。

基于改进自适应遗传算法的并行测试任务调度

针对并行测试任务调度需要避免资源竞争、系统死锁与饿死,导致调度方案优化困难的问题,提出了一种基于改进自适应遗传算法的任务调度算法。该算法设计了种群相异度函数作为评价种群多样性的标准,并根据种群相异度自适应调节交叉与变异概率以保证整个迭代过程中种群的多样性。在某自动测试系统中的测试结果和算法对比表明,该算法可以有效解决并行测试任务调度问题,能够减小陷入局部最优解的可能性,提高算法搜索最优解的效率与准确性,实现较好的搜索性能。

基于混合人工蜂群算法的并行测试任务优化研究

并行测试技术可以同时进行多个任务的测试,提高资源利用率,节约测试成本;并行测试调度问题是一种复杂的组合优化问题,是并行测试技术的核心要素;并行测试系统作为并行测试技术的载体,自身的性能和求解效率尤其重要;文章对并行测试完成时间极限定理进行了研究,建立了并行测试任务调度的数学模型,分析了传统元启发式算法求解并行测试问题的不足,提出了基于动态规划的递归搜索技术和人工蜂群算法相结合的混合人工蜂群算法,并采用整数规划精确算法和遗传算法对混合人工蜂群算法进行验证;得出结论采用混合人工蜂群算法进行并行测试任务的调度节约了接近50%的时间,降低了约20%的硬件资源占用,提高了测试效率,可以满足工程实际的应用。

基于蚁群算法的并行测试任务调度

并行测试的任务优化调度是并行测试技术的核心问题。提出了一种用于解决并行测试任务调度问题的改进蚁群算法,通过该算法可以获得测试时间最短的任务调度序列。给出了并行测试任务调度问题的数学模型,设计了启发式函数和状态转移概率的计算公式。采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟。给出了应用实例,实际应用表明该算法是有效的,能很好地解决此类多维动态组合优化问题。

基于混合遗传退火算法的并行测试任务调度优化

并行测试任务的优化调度是并行测试技术的核心问题之一。可以充分利用混合遗传退火算法优异的全局最优搜索能力来寻找具有最大并行率的并行任务序列。首先,建立了并行测试任务调度问题的数学模型;给出了并行率的定义,设计了一种满足资源约束与任务时序约束的基因编码方法及相应的遗传退火操作方案。最后,对实例进行仿真实验,结果验证了该算法的有效性及优越性。

基于随机遗传算法的并行测试任务调度研究

针对并行自动测试系统开发中测试序列产生问题,提出了基于随机遗传算法测试任务调度方法,算法可以产生大量、高效的并行测试序列,解决了并行自动测试系统开发中的关键问题。文中首先对问题进行科学分析,得出并行测试任务调度是NP完全问题的结论;然后从算法原理、算法流程等方面对并行测试随机遗传调度算法进行了详细阐述;最后通过提高效率37.33%的实例验证了算法的高效性。

人工蜂群算法在并行测试任务调度中的应用

并行测试是下一代自动测试系统的关键技术之一,而并行测试任务调度是并行测试的核心内容;首先建立并行测试调度的数学模型,根据人工蜂群算法解决动态调度优化问题的优势,提出基于人工基于蜂群算法的并行测试任务调度方法;并给出应用实例,仿真实验表明:该算法收敛快、准确率高,能有效解决并行测试调度优化问题。

基于蚁群算法的测试任务调度优化方法

复杂系统测试通常存在任务复杂、测试时间长、资源浪费等问题,对资源和任务进行合理调度具有重要实用价值。提出基于蚁群算法的测试任务并行任务调度优化方法,对测试问题进行描述,与蚁群算法结合,设计了启发函数、状态转移规则;根据算法流程获得测试时间最短的任务调度序列;针对任务序列多解的问题,提出资源均衡度的评价标准,得到最优的资源任务调度序列。基于蚁群算法解决了复杂测试系统任务调度问题,对某实际测试系统资源任务集进行调度仿真,并与随机穷举法对比验证算法的有效性,结果表明该方法能大大节约测试时间。测试实例与当前常用的半串行测试进行对比,测试效率提升了43. 07%;所得结果为最短测试时间任务调度序列中资源均衡度最高的。

基于混合遗传算法的并行测试任务调度研究

并行测试任务调度核心是将资源合理地分配给测试任务,合理排列任务的执行顺序,最终使整个系统任务执行时间最短。本文提出了一种基于改进的混合遗传算法的并行任务调度算法,并以该算法为基础运用WPF和SQL Server技术实现了一个任务调度工具软件。算法采用一种结合贪婪算法思想的基因编码方式和交叉变异方法;设计了尺度变换的适应度函数,采用确定式采样选择方法,提高了种群质量。试验结果表明该方法及该工具软件可以有效地解决并行测试任务调度问题。

基于遗传蚁群算法的并行测试任务调度与资源配置

针对多UUT(Unit Under Test)并行测试任务调度与资源配置问题,提出了一种遗传蚁群融合算法.应用遗传蚁群融合算法能快速、准确地寻找到具有最大成本效率的多UUT并行测试资源配置和任务序列.建立了多UUT并行测试任务资源描述的数学模型,分析了多UUT测控资源合并的条件,得出最短并行测试时间基础上的最少资源需求,给出了成本效率的定义,设计了一种满足多UUT并行测试任务调度的基因编码方法和路径选择方案.算法初期利用遗传算法的快速收敛性,为蚁群算法提供初始信息素分布,蚁群算法采用双向收敛的信息素反馈方式,避免了对参数的依赖,减少了局部收敛性,加快了收敛速度.实例表明,该算法能很好地解决多UUT任务资源最优调度与配置问题.

基于共享模型的通用ATS并行测试任务调度算法研究

为了完成通用ATS并行测试,寻找任务调度的最优解,介绍了基于遗传算法的共享模型的任务调度算法,利用所提出的遗传操作,对调度问题进行了求解,最后对算法进行了实验验证;结果表明,该算法能够有效解决资源分配和任务调度问题,能快速给出最优调度方案,且对于相同的调度问题,任务完成时间优于其它算法。

基于图染色理论和遗传蜂群算法的并行测试任务调度

针对并行测试中任务优化调度这一关键性问题,提出了一种图染色理论和遗传蜂群算法相结合的任务调度优化算法。首先,建立了基于图染色理论的并行测试任务关系模型,用图来描述测试任务占用仪器资源的情况;然后,在测试任务关系模型的基础上,将遗传算法特有的交叉、变异操作与人工蜂群(ABC)算法相结合搜索最优解,能够有效避免算法早熟并且加速算法收敛;最终得到并行度最大的任务分组方案。经仿真验证,所提方法能有效地实现并行测试,提高自动测试系统的测试效率。

基于DPSO算法的并行测试任务调度

为解决并行测试任务调度复杂、难以优化的难题,利用惯性因子动态调整的粒子群算法(dynamic particle swarm optimization,DPSO)建立任务间存在约束关系的并行测试任务调度模型,给出模型求解算法,并通过仿真实验验证该模型的有效性和DPSO算法应用于并行测试任务调度的可行性。

基于遗传禁忌算法的并行测试任务调度

并行测试任务优化调度是并行测试技术的核心内容之一。针对并行测试任务调度复杂、难以优化的难题,结合遗传算法的早熟收敛特性和禁忌搜索法自适应优点,提出了解决此问题的遗传禁忌算法。可充分利用其优异的全局最优搜索能力来寻找具有最大并行率的任务序列,避免算法早熟。建立了并行测试任务调度的数学模型;设计了一种满足资源约束与任务时序约束的基因编码方法。给出了实例运算,结果证明了该算法的有效性及优越性。

基于改进粒子群算法的并行测试任务调度

并行测试任务调度问题是并行测试技术中的关键问题。文章提出了基于改进粒子群算法的任务调度方法,给出了粒子群算法的算法原理和算法流程,通过该算法可以有效得到测试时间最短的任务调度序列,在此基础上,为了解决粒子群算法易早熟收敛的问题,提出了基于搜索替换的改进方案。实验表明,该算法是有效的,能很好地解决此类优化问题。

基于改进离散粒子群禁忌算法的并行测试任务调度

针对并行测试任务调度问题特点,提出了一种解决并行测试任务调度的离散粒子群禁忌算法,设计了符合并行测试任务调度特点的粒子初始化编码方式、粒子位置转移公式以及禁忌搜索邻域。通过与禁忌搜索相结合,避免了离散粒子群算法早熟问题。通过实验以及算法对比,表明提出的算法是快速有效的,能够很好地解决并行测试任务调度问题,求得测试总时间最短的任务调度序列。

基于模拟退火禁忌遗传算法的并行测试任务调度

为了解决并行自动测试系统中并行测试任务调度复杂、优化困难的问题,提出了一种把遗传算法、禁忌搜索算法和模拟退火算法结合到一起的新型静态并行测试任务调度方法,在遗传算法中引入模拟退火算法和禁忌搜索算法的核心思想,避免了遗传算法早熟收敛的问题,从而得到总测试时间最短,具有最大并行率的任务调度序列.这种新型调度算法具有较低的运算复杂度,可在较短时间内得到大量高效的并行测试序列,并且可以有效避免局部最优解,并逐渐收敛到全局最优解.实例仿真结果证明了该算法的有效性和优越性.

并行测试任务调度算法研究

介绍一种基于并行测试完成时间极限定理分析和设计的TS-TL（task scheduler based on UUTs model and limit theorem of parallel test finish time）算法。该算法运用极限定理确定了并行完成所有任务的最短时间，与传统的串行测试和TS-T算法相比，有效缩短了测试时间，提高了测试效率，为实际测量过程提供了理论依据。

一种基于UUTs模型的并行测试任务调度算法

基于Task Scheduler算法提出了TSU(Task Scheduler based on UUTs model)算法。与前者相比,TSU算法的主要优点是:(1)把UUTs作为固定资源,减少了所需分析资源的数量;(2)生成的任务调度序列可以直接应用于并行自动测试系统的UUTs模型,具有更高的可读性和工程应用价值。经实例验证,TSU算法是一种有效的并行测试任务调度算法。