面向数据集覆盖问题的优化算法研究

数据科学时代,基于某些数据集训练机器学习算法是常见的。通过调查或科学实验,可以前瞻性地收集到数据集。最近,已经认识到训练数据集只具有代表性是不够的,如果受训练的系统要很好地处理一些不太流行的类别,则必须包括来自这些类别的足够的例子,这便是数据集覆盖问题。本文在已有的处理数据集覆盖问题的方法的基础上,结合关联规则挖掘相关算法的思想,提出了获取MUP的优化算法,提高了获取MUP的运行效率;另外还提出了计算coverage算法面对数据稀疏问题以及位图过大、内存不足问题的解决思路,最后通过理论分析以及对实际数据集的综合实验,验证了获取MUP优化算法的优越性。

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。

基于遗传算法测试用例集极小化研究

提出了一种应用于软件回归测试过程中的基于遗传算法的最小化测试用例集算法模型。该算法针对在软件回归测试过程中,测试套间内的测试用例间往往存在着重复覆盖测试需求的情况,因而测试套间中将存在着大量的冗余测试用例,将测试用例与测试需求之间的覆盖关系模型转化为集覆盖模型。然后利用遗传算法强大的全局搜索能力,优化在极小化的测试用例空间,较低的测试成本条件下,覆盖回归测试需求。并通过对算法的仿真结果进行分析表明,该算法较一般的优优化算法具有更高算法性能与效率。

基于网格划分的节点调度覆盖算法

利用密集型传感器网络中的冗余节点轮流调度工作能够有效的延长网络生存时间.该文章首先研究了无线传感器网络覆盖率与工作节点数之间的约束关系,在此基础上,确定满足覆盖率要求的最大分组数,并提出了一种简单的基于网格划分的分类节点调度算法,实验结果和理论分析表明,本文提出的算法计算量小,运行时间短,并有效地延长了网络的生存时间.