一种基于关联规则挖掘的粗糙集约简算法

针对粗糙集理论中的约简这个重要问题进行了研究,引入关联规则挖掘中的支持度和置信度概念,提出一种基于关联规则挖掘算法思想的约简算法,从而得到更有效的约简。

萤火虫算法在测试用例集约简中的应用

为了研究智能算法在测试用例集约简中的应用,本文提出一种基于萤火虫算法的测试用例集约简算法。将测试用例集约减问题转化为二元优化的集覆盖问题;对萤火虫算法进行改进,通过设置萤火虫细胞的方法,将萤火虫位置转化为0/1序列;将萤火虫算法与贪心算法相结合,进行求解。对不同程序和不同规模的测试用例集的仿真实验,在相同的测试次数下,萤火虫算法得到最优解的次数高于贪心算法和优化的GRE算法,萤火虫算法约简后测试开销比贪心算法减少了12.6%,比优化的GRE算法减少了2.3%。结果表明:该算法在约简能力和稳定性方面均优于传统算法。

集约简算法和改进遗传算法混合求解集合覆盖问题

集合覆盖问题是一个经典的组合优化问题,在实践中得到了广泛的应用。提出一种集合覆盖问题的混合算法:通过集约简算法,它成为最简单的网络;然后通过选择染色体的种群启发式改进的遗传参数获得最佳的解决方案。模拟实验表明,当测试集的规模比原来的问题小十倍以内时集约简算法效果明显;在全局搜索最小和收敛速度上改进遗传算法具有明显的效果。

利用粗糙集约简算法改进BP神经网络负荷预测模型

传统神经网络预测模型受网络结构复杂性和样本复杂性的影响,容易出现"过学习"或低泛化能力。利用粗糙集理论中的几种属性约简算法对与负荷相关的各种历史数据进行约简,剔除与决策信息不相关的属性。实例证明该方法简化了BP神经网络的输入变量,从而缩短了神经网络模型的训练时间,提高了预测性能。

一种基于K中心点算法的测试用例集约简方法

测试用例集约简的目的是用尽可能少的测试用例充分测试给定的测试目标。引入聚类分析中K中心点(K-medoids)算法的思想将每一个测试用例作为一个结点并寻找其相似性,将得到的聚类分析结果再根据测试需求从各簇中选择测试用例,从而得到约简的测试用例集。仿真实验的结果证明了该方法的可行性和有效性。

基于人工免疫算法的高效回归测试用例集约简机制

为了在海量回归测试用例中剔除冗余测试用例,优化回归测试的效率,提出一种基于人工免疫算法的高效回归测试用例集约简机制.首先,构建测试需求覆盖模型,其次,通过适应度函数刻画测试用例集的测试总开销,利用人工免疫算法强大的全局搜索能力约简回归测试用例集.基于真实工程代码构建实验验证了所提机制的有效性,实验结果表明:同现有基于遗传算法的机制相比,在不同的迭代阈值下,平均约简成功率分别从10%,35%和80%提升至100%,同时平均冗余覆盖比率从98%,95%和109%降低到21%,55%和90%,测试用例集约简效果明显;在约简效率方面,所提机制平均迭代次数均小于25次,而对比方案的迭代次数均大于50次,用例约简效率大幅提升.

基于Memetic算法的仿真用例集约简技术

在芯片项目中,回归测试是一项重复进行的工作,需耗费大量资源,用例集的反复执行可确保设计的正确性,但会产生较大的测试运行代价。将遗传算法的特点与局部搜索策略的优点有机结合,对约简问题进行数学建模,设计了Memetic算法,对其中的全局策略和各算子、局部策略进行了改进,以功能覆盖率为衡量标准,在完全覆盖的情况下,Memetic算法较标准遗传算法的收敛速度更快,用例集更精简,并较大程度地降低了回归测试的运行代价。

基于智能优化算法的测试用例集约简

现代智能电表程序的更新迭换速度不断加快,程序经常发生变化,对智能电表的测试提出了更高的要求,如何提高回归测试的效率,已成为当前一个研究焦点。测试开销的降低是提高回归测试效率最直接的表现,而测试用例集约简是降低测试开销的必要手段之一。以萤火虫算法为基础,文章提出了一种应用于智能电表测试用例集约简问题上的优化算法。首先,该算法用二元优化集覆盖问题来代表智能电表程序的测试用例集约简问题;然后,改进传统的萤火虫算法,通过细胞自动机分类模型,将萤火虫的位置转换为0/1矩阵;最后,结合贪心算法,求解得到最优的测试用例子集。通过对不同的智能电表程序和不同规模测试用例集进行仿真,实验结果显示萤火虫算法相比同类算法在相同测试次数上获得测试开销最优解和最优子集的比例都取得了更好的效果。

基于遗传算法的测试用例集约简研究

针对软件测试中存在用例集规模过于庞大,导致测试成本增加的问题,提出了一种基于遗传算法的测试用例集约简方法。算法首先用二进制编码表示种群个体、设计适应度函数,然后经过选择、交叉、变异一系列遗传操作,去掉冗余测试用例。实验结果表明,测试用例集规模明显变小,实现了以最少的测试用例达到最大的需求覆盖。

基于二分K-means的测试用例集约简方法

测试用例集约简是软件测试中的重要研究问题之一,目的是以尽量少的测试用例达到测试目标。为此,提出一种新的测试用例集约简方法。应用二分K-means聚类算法对回归测试的测试用例集进行约简,以白盒测试的路径覆盖为准则,对每个测试用例进行量化,使每个用例变成一个点。以黑盒测试的功能需求数作为聚类数,在聚类结果的每一簇中,按照离中心点的距离进行排序,依次从每一簇中选择测试用例,直至满足所有测试需求,得到约简的测试用例集。实验结果表明,该方法能有效地减小测试用例集的规模,降低用例集检错率。

基于传统H算法改进的回归测试用例优化算法

回归测试用例的优化选择是为了达到良好的回归测试覆盖率,提高回归测试效率。根据回归测试用例优化问题的性质和自身条件,针对五种经典传统启发式算法存在的不足,论述了如何改进传统H算法得到回归测试用例优化选择的局部更优解,并给出了算法的框架、程序、结构流程及具体实现。最后,通过大量算法分析和实例研究对改进后的H算法和其它算法求得的子集总代价进行对比,结果表明:新算法比传统经典算法和目前流行的一些智能算法能求得更优的解,证明了算法的可行性。

基于快速SVDD的无线传感器网络Outlier检测

Outlier是基于无线传感器网络的数据收集应用中常见的数据故障类型,严重影响数据质量。本文提出一种基于快速SVDD的无线传感器网络Outlier检测方法,其基本思想是:首先利用快速SVDD算法获得包含正常样本的最小球形边界,然后通过该边界判断未知样本的类别,本法采用训练集约减策略和基于二阶逼近的SMO算法来加速SVDD的训练。基于合成数据和真实数据的仿真实验表明,该方法在确保分类精度的同时,运行速度快,内存开销小,适用于资源有限的无线传感器网络。

回归测试用例优化选择研究综述

回归测试是软件生命周期中一项频繁进行且又开销巨大的测试过程。回归测试用例的优化选择是为了达到良好的回归测试覆盖率,提高回归测试效率。首先对测试用例优化选择研究的背景和基本概念进行介绍,然后对当前的研究工作现状和进展进行了全面而深入的综述,同时对比分析了各种优化算法适用的环境和实验研究结果,进一步指出了目前研究成果中存在的不足和对H算法的改进思路及设想,为后续研究改进算法工作的展开奠定了基础,最后对该领域内值得进一步研究的问题进行了讨论。

粗糙集在政府部门绩效评价系统中的运用

本文研究了粗糙集理论在政府部门绩效评价系统中的应用,尝试基于粗糙集理论的数据挖掘方法,启发式算法,可以挖掘出最简化的绩效评价产生式的规则知识.