一、遗传算法平均截止代数和成功率与种群规模之间的关系（论文文献综述）
党向盈[1]（2020）在《变异分支驱动的软件测试数据进化生成理论与方法》文中指出软件测试是软件开发生命周期中的一个重要过程,其目的是通过检测尽可能多的缺陷来保证软件质量。变异测试是一种面向缺陷的测试技术,一个变异语句对应一个缺陷,包含这些变异语句的新程序称为变异体。变异分支是基于变异测试的必要条件,由被测语句和它的变异语句构成。变异测试是一种评估测试集充分性的典型技术,也常常用于辅助生成测试数据。一般情况下,在进行软件测试时,程序的输入作为需要生成的测试数据。遗传算法一直被广泛的应用于高效生成测试数据。多种群遗传算法是一种高性能的遗传算法,它的种群由多个子种群组成的,种群的个体具有潜在的并行性,使得它在软件测试中具有更强的处理能力和效率。在进行变异测试时,往往生成大量的变异体,不仅导致高昂的测试代价,而且生成杀死这些变异体的测试数据也是一项艰巨的任务,尤其对于难杀死的变异体（顽固变异体）。针对以上问题,本文研究变异分支驱动的软件测试数据进化生成理论与方法。首先,针对覆盖众多变异分支的测试数据难生成问题,以变异分支之间相关性的知识为驱动,提出一种变异分支构建可执行路径的测试数据进化生成方法。该方法基于变异分支之间的执行相关性,形成若干新变异分支;再采用统计分析方法,基于新变异分支与被测语句构建一或多条可执行路径。由此将变异分支覆盖问题转化为路径覆盖问题。之后,建立基于路径覆盖测试数据生成的数学模型,并采用多种群遗传算法生成覆盖这些路径的测试数据。实验结果表明,所提方法能生成较少的可执行路径,且运行时间短,而且可执行路径能覆盖所有的变异分支,进而高效生成比较小的测试集。然后,借鉴上面变异分支的研究成果,针对杀死众多变异体的测试数据难生成问题,以变异分支之间相关性和变异分支自身特征的知识为驱动,提出一种变异分支模糊聚类的测试数据进化生成方法。该方法借鉴“分而治之”的思想,基于弱变异测试准则,选择杀死难度高的变异分支（顽固变异体）为聚类中心,先模糊聚类变异分支。之后建立基于分支覆盖约束的测试数据生成数学模型。再针对多个簇,基于强变异测试准则,采用多种群遗传算法生成测试数据。实验结果表明,模糊聚类方法有助于降低变异测试的执行代价;多种群遗传算法以并行方式高效生成高质量测试数据。接着,改进上面进化算法,针对顽固变异体的测试数据难生成问题,以变异分支与搜索域关联知识为驱动,提出一种变异分支覆盖难度引导的测试数据进化生成方法。该方法首先基于变异分支的覆盖难度确定变异体的顽固性。之后,建立路径约束的变异测试数据生成问题的数学模型。对于顽固变异体,考虑到能杀死它们的测试数据形成的域比较小,基于多种群协同进化遗传算法设计一种动态缩减搜索域的进化策略,生成测试数据。实验结果表明,所提评价变异体顽固性的指标是合理的;动态缩减搜索域有助于高效生成具有高质量的测试数据。最后,改进上面传统数学模型,解决覆盖多顽固变异分支测试数据难生成问题,以变异分支与输入变量之间相关性的知识为驱动,提出基于程序输入分组变异分支的测试数据进化生成方法。该方法将输入变量与变异分支相关性的判定转化为输入变量与目标路径相关性的判定;再基于相关输入分量分组变异分支。之后,针对多个变异分支组,选取相关输入变量作为决策变量,建立一种多任务测试数据生成数学模型;最后,基于多种群遗传算法生成测试数据。实验结果表明,所提方法移除不相关变量,有助于缩减搜索域;并且分组变异分支,有利于采用多任务方式生成测试数据,显着提高测试数据生成的效率。综上所述,所提理论和方法以变异分支为驱动,融合进化算法、聚类和统计分析等方法生成软件测试数据,是自动化、人工智能、应用数学,以及计算机等多个学科的有机交叉。研究内容具有明确的应用背景和产业需求,富有鲜明的新颖性和挑战性,研究成果不仅提高了软件测试数据的生成效率,保障软件产品质量,而且丰富了变异测试理论,对于软件测试具有重要的理论意义和实用价值。
周星奇[2]（2020）在《基于改进遗传算法的供热管网阻力系数辨识》文中指出供热管网阻力系数辨识是构建供热管网水力计算模型中的关键技术,是提高供热管网相关研究实际应用价值的关键。阻力系数优化辨识问题是一个多维度、非线性、大探索空间的困难优化问题,目前常见的优化算法在此问题上存在一定困难,因此本文面向供热管网阻力系数辨识,聚焦优化算法改进这一核心问题,设计了一种符合工程需要的改进遗传算法。本文的主要研究工作包括:1.针对阻力系数辨识问题的特点和现有遗传算法存在的问题,提出一种基于辅助个体的三父代交叉遗传算法,并对算法性能进行了实验验证,采用多个不同测试函数对改进算法和现有算法进行对比实验,验证了改进算法在搜索平衡性、搜索成功率等方面的优势。2.将改进遗传算法应用于供热管网阻力系数辨识,分析了遗传算法与该问题的结合的步骤,并给出了使用遗传算法进行供热管网阻力系数辨识的具体流程、编码方案和约束条件处理方法;最后,通过两个案例进行优化辨识对比实验,实验结果表明,提出的改进遗传算法在解决供热管网阻力系数辨识问题上有一定优势。3.针对供热管网实际需求,进行供热管网可视化平台开发,给出了GIS数据库设计与建立过程,详细分析了系统的功能需求和其逻辑关系,重点描述了软件中水力计算和阻力系数辨识功能的实现思路,给出软件界面设计,最后通过一个案例展示软件功能。
丁榕艺[3]（2020）在《基于择优选择策略差分算法的供水管网优化设计研究》文中认为供水管网是投资巨大的城市基础设施。对供水管网进行优化设计,不仅有利于保证供水可靠性,还能降低工程造价,具有重要研究意义。由于供水管网优化设计是一类复杂的离散组合问题,现阶段智能优化算法在求解该类问题上具有独特优势。现有研究表明,智能优化算法（如遗传算法、粒子群算法、蚁群算法等）中的差分算法适用于求解供水管网优化问题。然而,差分算法在处理大型供水管网优化问题时存在计算效率低、易早熟问题。针对该问题,研究者从不同方面对差分算法进行改进,例如改进其变异或交叉操作。区别于以往研究,本文提出基于择优选择策略的差分进化算法,其通过改进差分算法的选择策略,提高差分算法计算效率的同时获得更高精度的解。本文的研究内容及取得成果包括:1.基于现有供水管网优化设计建模方法,使用MATLAB调用EPANETH软件对供水管网进行优化设计。首先,分析了供水管网优化设计的水力计算理论及数学模型;其次,总结了EPANETH软件水力计算原理及建模流程;最后,论述了EPANETH软件与MATLAB软件如何通过EPANETH工具箱建立调用关系。2.针对传统差分算法选择策略不利于快速降低种群多样性的问题,提出一种择优选择策略差分算法。首先,对所提出的择优选择策略差分算法原理进行阐述;其次,以New York Tunnels管网、Hanoi管网、Balerma Network管网三个供水管网为例,对择优选择策略差分算法可行性进行分析,证明择优选择策略差分算法与传统差分算法在参数组合相同的情况下,计算效率分别提高了43.60%、46.70%、72.86%;最后,对择优选择策略差分算法的参数灵敏度进行分析,实验结果表明相对于其它优化算法,所提算法采用更小计算量找到了BN案例的新最优解（1.921337€M）,这表明所提算法在计算效率与搜索能力上的优越性。具体地,比NSGA-Ⅱ（1.9215€M）、NLP-DE（1.923€M）、HD-DDS（1.941€M）算法分别节省91.26%、34.86%、57.04%的计算量。3.针对大型供水管网优化需对参数组合进行反复多次校核的问题,提出一种新的渐进式参数校核方法。首先,在参数组合中进行少量的优化运行后,根据解质量对参数组合进行灵敏度分析;其次,估计出包含最佳参数组合的区间;最后在该区间内进行多次的优化运行以确定出最佳参数组合。结果表明,使用该校核方法找到了BN案例已知最优解,使所提算法在允许计算量内实现成本最小化、算法性能最大化,有助于分析参数组合的灵敏度。
姚坤[4]（2019）在《基于Docker的分布式天文应用集群计算研究》文中研究表明平方公里阵望远镜（SKA）即将开始建设,各子工作包也将进入关键设计评估阶段。其中,科学数据处理器（SDP）是SKA重要的工作包之一。伴随着建设进度的不断推进,面对即将到来的海量天文数据,提高数据处理能力、降低能耗开销和快速自动部署天文应用软件等问题逐渐成为当下亟待解决的主要问题。在这些主要问题中,快速自动部署天文应用软件因为能够为提高数据处理能力提供有效支持的同时有助于降低能耗开销,成为了需解决的首要问题。针对这一问题,同时考虑到基于云与容器技术的容器云是SDP未来可能采用的平台技术,本论文在容器云平台之上对基于Docker的分布式天文应用集群计算展开研究。研究内容以基于MPI的分布式天文海量数据处理技术为核心,较为常用的可见度函数校准软件SAGECaL为具体研究对象,分别从自动部署的实现和负载均衡最优化这两方面展开。论文主要研究工作包括:（1）研究基于MPI的分布式天文应用集群的自动部署方法。使用自动化脚本并配合Docker Swarm容器编排组件,设计并实现能有效支持使用MPI进行分布式计算的天文应用集群自动部署框架。通过提供交互友好的用户接口,用户只需提供较少的必要参数即可完成集群计算、终止并删除集群和进入集群节点查看运行情况等多种操作。自动部署过程中部署模块会根据集群节点规模选择多因素容器静态调度算法或是批量调度动态调度算法来适应单应用和集群混合部署的应用场景。实验结果表明,本论文所提出的自动部署方法极大地提高了分布式天文应用集群的部署效率。（2）基于遗传算法以天文应用集群整体负载均衡为优化目标进行批量调度算法研究。研究内容主要是将待部署的天文应用集群的所有节点作为一个整体放到物理机集群动态负载环境中,通过进化类算法探寻部署方案的最优解。进化类算法是个“算法簇”,这其中包含多种具体的算法均可以探寻函数最优解。为给SKASDP将来的实际使用提供可靠的保障,本论文选用进化类算法中研究相对全面的遗传算法为基础来开展批量调度算法的研究。建立在SKA-SDP对海量天文数据处理的可靠性需求之上,本论文所研究的批量调度算法紧密围绕保障算法绝对收敛和避免陷入局部最优解这两个核心需求来展开研究。批量调度算法的实现使用了精英保留策略保障遗传算法绝对收敛,通过双种群小生境策略配合改进的自适应遗传算法进化策略来将局部最优解尽量逼近全局最优解。实验结果表明本论文的批量调度算法能够在绝对收敛的前提下调度成功率达到100%,与其他调度算法相比能够更有效的使天文应用集群达到整体负载均衡的效果。本论文研究的分布式天文应用集群自动部署方法和基于遗传算法的批量调度算法有效解决了分布式天文应用集群部署使用困难和计算资源使用效率不高的难题,具有一定的实用性。相关研究内容也为多种类型天文应用软件同时在容器云环境下进行敏捷部署提供了有益的思路,具有一定的应用和推广价值。
丁蕊[5]（2019）在《面向目标关系的多目标优化算法研究》文中研究说明多目标优化问题广泛存在于生产实践中。根据目标数目不同,本文将多目标优化问题细分为经典多目标优化问题、高维多目标优化问题和超多目标优化问题;根据最优解与目标间的对应满足程度不同,提出一类特殊的多目标优化问题。传统多目标优化问题默认目标间存在竞争关系。目标间常见的其他关系还包括相似、冗余、协作、约束和不相关的关系。由于较多的目标数,高维和超多目标优化算法的性能仍面临挑战。传统多目标优化算法搜索问题的最优妥协解,不适于求解目标需要完全满足的特殊多目标优化问题。本文针对不同类型的多目标优化问题,根据目标关系研究求解方法。从提高算法性能角度,研究目标间默认竞争关系的高维多目标优化算法,以及具有相似或冗余关系的超多目标优化算法;从问题求解效率角度,对具有约束关系的多目标优化问题提出分层优化的求解算法,对具有协作关系的特殊多目标优化问题提出求解方法。本文主要贡献和具体研究内容包括以下四方面。（1）针对经典算法NSGA-III在求解具有竞争关系的高维多目标优化问题时存在的不能确定搜索整个解空间和单项目标最优解不能确定参与进化的问题,提出了基于双存档策略的高维多目标优化算法。基准测试函数上的实验表明,所提算法能够更快找到分布性更优的解集。该方法也适用于经典的基于分解的多目标优化算法和基于参考点的其他多目标优化算法。（2）对于目标间存在相似和冗余关系的超多目标优化问题,提出了基于自适应生长树聚类的目标约简求解方法,克服了聚类数目难以确定和目标样本点形状复杂时不恰当聚类的问题;提出基于目标聚合的约简方法,克服了删除冗余目标导致的最优解多样性缺失的问题。基准测试函数上的实验表明,所提方法在HV、IGD和综合指标上都具有更好的性能。（3）针对具有约束关系的多目标优化问题,提出了分层优化的求解方法,克服了传统多目标优化算法搜索妥协解的问题,能够使搜索到的最优解确定性地满足约束目标。以冰壶比赛对阵编排问题为实例验证分层优化求解方法的性能。实验表明,所提方法能够找到满足实践需求的最优解。（4）提出了求解需要每个最优解确定性的完全满足一个目标的特殊多目标优化问题的通用框架,克服了传统多目标优化算法在具有竞争关系的目标间寻找妥协解而导致无法完全满足各目标分量需求的问题。对于具有协作关系的多个目标优化问题,设计了分析及利用目标关系信息的优化框架,在软件测试数据生成问题实例中给出了路径表达方式和具体的求解算法。实验表明,所提方法能够有效求解具有协作关系的多个目标优化问题。对于目标间存在不同关系的不同类型的多目标优化问题,本文根据目标关系和问题特点研究高效实用的优化算法,为后继研究不同类型的多目标优化问题求解方法提供了基础。
褚骁庚[6]（2017）在《敏捷自主卫星调度算法研究》文中指出敏捷卫星调度问题可以看做是卫星从备选观测目标集中选取一个能满足所有观测约束的目标子集进行观测,并获得对应的观测收益。该问题的求解目标是最大化卫星的观测收益。其主要约束条件有,时间窗约束、姿态机动的转换时间约束,固存（固态存储）约束和电量约束。与非敏捷卫星不同,敏捷卫星的俯仰能力可使卫星能通过一定观测姿态在不对目标过顶时即可对目标进行成像。这能大幅度提高卫星对目标的观测时间窗长度,但是也增加了问题的求解难度。一是时间窗的增长增大了求解空间,二是多维的姿态机动能力使得转换时间约束具有了时间依赖的特性。因此,敏捷调度问题的关键约束是由时间窗约束和时间依赖的姿态机动约束组成的时序约束。对时序约束的处理效率决定了求敏捷卫星调度问题可行解的质量。本文以敏捷卫星调度问题中时间依赖的时序约束为着力点,逐步展开了对敏捷自主卫星调度问题在不同应用场景下相关调度算法的研究。论文的主要工作有:（1）对时序约束下敏捷卫星调度问题设计了一个分支定界算法。针对敏捷卫星调度问题中关键的时序约束,本文设计了一个能高效处理时序的分支定界算法。该算法能在合理的时间内,求出敏捷卫星单轨调度问题的全局最优解。论文对算法中的解空间与解表达、初始化方法、对称性消除剪枝策略、支配剪枝策略和上下界剪枝策略进行了详细的介绍。最后,通过仿真实验验证了算法的有效性和求解效率,并分析了初始化方法、支配剪枝策略和下界更新策略等机制对算法求解效率的影响。由于时序约束是敏捷卫星调度问题的关键约束,所以该分支定界算法的研究也为论文其他研究工作打下了基础。（2）提出了一个能有效解决海面搜救场景应用需求的双星星簇,并为其中的敏捷自主卫星设计了对应的在线调度算法。近年来,如何利用多种观测手段有效提高海面搜救的效率成为了多个学科的关注热点。针对海面搜救场景中特殊的应用需求,本文提出了一个可以有效应对海面搜救任务的双星星簇,该星簇由一颗在前端飞行的宽幅目标发现星和一个在紧随发现星飞行的高分辨率目标识别星组成。借助于敏捷卫星在线调度算法,该星簇可在发现海面移动目标的后,立即对目标进行高分比率成像进行识别。基于分支定界的研究工作,本文为高分辨率敏捷卫星设计了一个在线调度算法。最后,通过仿真实验对比了双星星簇与传统管控模式下对海面移动目标的识别效率,也对在线调度算法的相关性能进行了分析。（3）设计了一个可用于星上观测目标决策的决策模型,并研究了如何利用地面计算资源对决策模型进行训练。为进一步拓宽敏捷自主卫星的应用场景,使敏捷自主卫星能有效处理时序约束和固存、电量的资源约束,本文设计了一个可用于星上观测目标决策的决策模型。常规敏捷卫星在线调度时,卫星只能根据临近目标（即将有观测时间窗的目标）的相关信息来决策下一个进行观测的目标。这种“短视”的调度方法会导致卫星过早地消耗掉固存和电量的观测资源,从而使卫星在场景的中后期由于观测资源的不足而不得不放弃对高收益的目标进行观测。本文提出了一个可在星上使用的观测目标决策模型来帮助卫星做出更理性的决策,该模型可利用卫星运行历史数据在地面段完成学习训练。在该决策模型的帮助下,卫星在每次决策下一个观测目标时能统筹历史数据中的全局指导信息,避免过早消耗掉观测资源,提高在场景中的全局观测收益。最后,用仿真实验验证了该方法的有效性。（4）讨论了多颗敏捷自主卫星的星座组网结构,并对多星在线协同规划的相关算法进行了研究。本文立足于当前卫星平台的相关技术,对多颗敏捷自主卫星的星座组网模式进行了分析,提出了分布集中式的星型星座结构。该星座结构能使多颗敏捷卫星在兼顾各自常规观测目标的情况下,提高星座整体的应急目标动态响应能力。然后,对所提星型结构星座对动态应急目标的协同分配策略进行了研究。提出了十个星间协同分配策略,并通过仿真实验对各个算法的特点进行分析。最后,利用机器学习中支持向量机的相关技术,进一步优化了星座对应急目标的协同分配策略,可使星座根据常规目标的分布信息在两个备选协同策略中选取合适的应急目标协同分配策略。
田甜[7]（2014）在《消息传递并行程序测试数据进化生成理论与应用》文中认为随着并行计算技术的发展，越来越多的大规模高精度的科学问题，如图像处理、生物信息、分子动力学模拟，以及天气预报等，可以通过并行程序得到有效解决。并行程序的多个进程并行执行，进程之间通过共享存储或者消息传递的方式进行交互，协同完成计算任务。与串行程序相比，并行程序更加复杂，可靠性要求更高，这意味着并行程序的测试尤为关键。已有学者提出了多种方法，着重测试并行程序进程之间的交互序列，检测死锁、资源冲突和数据竞争等问题。在正确通信的前提下，为了测试程序的其他内部细节，有必要研究并行程序的结构覆盖，以进一步提高并行程序的可靠性。而结构覆盖的关键是使用有效的理论和方法，生成满足一定准则的测试数据。在软件测试领域，尽管遗传算法已经成为一种生成测试数据的重要方法，但是，已有工作主要面向串行程序。本文针对路径覆盖问题，研究消息传递并行程序测试数据进化生成理论及其应用。首先，研究了用于路径覆盖测试数据生成的协同进化解决方案。针对一类确定执行的并行程序，建立测试数据生成问题的数学模型；根据某一进程路径与程序输入的相关性，提出一种新的协同进化遗传算法。该方法中，包含多个子种群和一个合作团体群，每个子种群用来优化与某一进程路径相关的输入分量，基于这些种群的优良个体，合作团体群优化所有的输入分量。通过多个子种群与合作团体群的交替协同进化，求解上述优化模型，进而高效生成期望的测试数据，同时也为协同进化方法在软件测试中的应用提供新的思路。其次，考虑程序执行过程的不确定性，研究了并行程序单路径覆盖测试数据进化生成方法。当程序中使用一些不确定的通信语句时，由于任务划分、进程调度和网络延迟等原因，并行程序的执行过程也具有的一定的不确定性，这给并行程序的测试数据生成带来很大挑战。对于此类程序，为了降低不确定性执行给测试数据生成带来的影响，定义目标路径的等价路径，并给出判定方法，基于目标路径及其等价路径，建立有针对性的测试数据生成问题的数学模型，并采用遗传算法求解该模型。为不确定执行并行程序的测试数据生成问题，提供合理的解决途径。为了减少测试数据生成过程中的计算量，进一步提出了一种基于覆盖难度选择待覆盖路径的测试数据进化生成方法。该方法首先通过影响路径执行的变量、路径关键条件的复杂度，以及Halstead测度等，在目标路径和等价路径中，选择待覆盖路径，以降低路径覆盖的难度；然后，采用遗传算法生成覆盖相应路径的测试数据，以提高测试数据生成的效率。再次，为了有效解决多路径覆盖问题，研究了多路径覆盖测试数据进化生成方法。建立多路径覆盖测试数据生成问题的数学模型，并提出有针对性的进化求解方案。首先，基于每条给定路径及其等价路径，将多路径覆盖测试数据生成问题建模为一个包含多个目标的优化问题，每一个目标与一条目标路径及其等价路径相关；然后，设计评价个体的适应度函数，提出采用遗传算法求解该模型的方法。在测试数据生成过程中，同时考虑所有的目标路径和等价路径，使得一次运行遗传算法生成所有期望的测试数据。最后，针对很多路径覆盖的测试数据生成问题，研究了基于路径分组的多种群进化求解方案。该方法高效生成测试数据的前提是对目标路径合理分组。为此，首先，研究了用于串行程序很多路径覆盖测试数据并行生成的目标路径分组问题，提出一种新的目标路径分组方法。该方法根据可以利用的计算资源和路径相似程度，将待覆盖的目标路径分成若干组，使得不同组包含的目标路径条数相差很小，且属于同一组的目标路径具有很大的相似程度。以此为基础的测试数据并行生成方法能够充分利用并行计算资源，改进测试数据的生成效率。然后，在该分组方法的基础上，考虑并行程序多进程并行执行的特性，根据计算资源和程序包含的进程数两个因素，确定路径的分组数和每组包含的路径数，综合考虑程序所有进程路径的相似度，将目标路径进行分组。基于每一组路径，建立很多路径覆盖测试数据生成问题的数学模型，并采用多种群遗传算法进行求解，进一步提高了测试数据的生成效率。本文的研究工作在一定程度上，丰富了并行程序测试理论，大大提高了测试数据的生成效率，拓宽了进化算法的应用范围，具有重要的理论意义和应用价值。该论文有图18幅，表31个，参考文献132篇。
袁园[8]（2014）在《上下文感知的Web服务组合优化研究》文中提出随着互联网技术的迅猛发展,Web服务技术得到了广泛应用。单个Web服务由于功能单一不能很好地满足用户多样化的需求,因此Web服务组合的概念被提出。当前Web服务组合中存在以下几个问题：首先,由于互联网中存在大量功能相似甚至相同的Web服务,在进行单个Web服务搜索和Web服务组合方案选择时很耗时,导致服务组合效率不高；其次,在进行Web服务组合时,往往只考虑服务的功能需求和部分非功能需求,而没有综合考虑服务的非功能信息、服务之间的关联信息以及用户喜好等,导致服务组合质量不高。此外,在服务组合方案制定的过程中,往往没有考虑服务之间的关联信息,导致服务组合方案在实际运行中成功率不高。针对以上问题,本文将上下文感知技术引入到Web服务组合方案的选择过程中,在Web服务组合过程中充分考虑Web服务及其组合的各种上下文信息,从组合效率、组合质量和组合成功率等方面对Web服务组合进行优化。本文给出了一种上下文感知的Web服务组合优化方法,定义了服务关联上下文的概念,并将服务关联上下文分为统计关联上下文、接口关联上下文和质量关联上下文。在服务组合方案的选择过程中,通过对服务质量上下文、服务关联上下文以及用户上下文等信息的分析,选择出最佳的服务组合方案。首先,将服务统计关联上下文应用到候选服务组合方案集的生成过程中,提高了候选服务组合方案搜索的效率；其次,将服务质量关联上下文和服务接口关联上下文应用到最终服务组合方案的选择过程中,提高了服务组合质量和组合成功率。采用遗传算法对本文研究的上下文感知的Web服务组合优化问题进行了求解,并结合服务关联上下文,对遗传算法的初始化种群、编码方式、遗传操作、适应度函数等方面进行了改进。最后,通过实验数据对比分析,验证了本文给出的上下文感知的Web服务组合优化方法的有效性。
毛澄映,喻新欣,薛云志[9]（2014）在《基于粒子群优化的测试数据生成及其实证分析》文中进行了进一步梳理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.
张岩[10]（2012）在《路径覆盖测试数据进化生成理论与方法》文中研究指明软件测试是保障软件质量的重要手段，其目的是在测试过程中尽可能多地发现软件存在的缺陷，因而其在整个软件开发过程中占有特别重要的位置。测试数据的好坏直接决定着测试的效果，因此软件测试中关键的问题是设计有效的测试数据。已有研究表明，路径覆盖是一种非常重要的软件测试充分性准则；遗传算法是自动生成路径覆盖测试数据的有效方法，但是已有研究成果在测试数据的生成效率和检错率上都有待提高。本文研究使用遗传算法自动生成路径覆盖测试数据的理论及方法。首先，针对现有方法对穿越难以覆盖节点的稀有数据缺乏保护措施问题，提出了在测试数据进化生成中动态捕捉稀有数据的方法。通过统计每代种群中目标路径各节点被穿越的个体数量，得到个体对生成穿越目标路径测试数据的贡献，以此作为权重调整个体的适应度，使稀有数据的适应度增加，在后续进化中得到保留，从而提高测试数据的生成效率。其次，提出了一种新的多路径覆盖测试数据生成方法。将被测程序表示成一棵二叉树，对目标路径采用赫夫曼编码方法表示成二进制串，依此设计了一种新的适应度函数，综合考虑个体穿越路径与每个目标路径的匹配程度，将提出的方法用于多个基准程序的测试，并与已有方法比较，结果表明所提方法计算量小，生成测试数据效率高。第三，针对已有方法生成的测试数据不能有效发现被测程序的缺陷，尤其是小概率缺陷的问题，提出了一种面向缺陷的路径覆盖测试数据进化生成方法。分别针对单路径和多路径情况，将路径覆盖和缺陷检测问题转化为约束多目标优化问题，以测试数据运行被测程序时发现的缺陷个数和缺陷的危险程度为目标，以穿越目标路径为约束，建立了该问题的数学模型，并提出了有针对性的求解方法。在实际软件测试中的应用表明，所提方法生成的测试数据不但穿越了目标路径，而且能有效检测到目标路径中的缺陷。最后，提出基于搜索空间缩减的路径覆盖测试数据进化生成理论。针对单路径覆盖测试数据生成问题，先确定目标路径与输入变量之间的关系，将可分目标路径分离出与部分分量相关的独立子路径；进化生成测试数据的过程中，固定被穿越子路径对应的输入分量，并缩小交叉和变异操作的范围，使种群在不断缩小的空间里寻找测试数据；然后针对多路径覆盖测试数据生成问题，提出了基于搜索空间缩减的多种群遗传算法，该方法将目标路径按照具有相同子路径进行分组，并确定每组公共子路径对应的分量，使用多个子种群分别进化生成各组目标路径的测试数据，进化过程中固定子种群内被穿越子路径对应的输入分量，并缩小交叉和变异操作的范围，使每个子种群在不断缩减的空间里寻找测试数据，有效提高了每个子种群内目标路径测试数据的生成效率，进而提高多路径覆盖测试数据进化生成效率。本论文所做的工作为路径覆盖测试数据的自动生成提供了新的思路，丰富了基于进化优化的软件测试理论，提高了测试数据的生成效率，保证了测试数据的质量，降低了软件测试成本，具有重要的理论意义和实际应用价值。
二、遗传算法平均截止代数和成功率与种群规模之间的关系（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法平均截止代数和成功率与种群规模之间的关系（论文提纲范文）
（1）变异分支驱动的软件测试数据进化生成理论与方法（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究动机 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 成果及意义 |
| 1.6 论文框架 |
| 1.7 本章小结 |
| 2 相关工作 |
| 2.1 变异测试 |
| 2.2 变异分支 |
| 2.3 软件测试数据生成 |
| 2.4 聚类 |
| 2.5 多种群遗传算法 |
| 2.6 本章小结 |
| 3 变异分支构建可执行路径的测试数据进化生成 |
| 3.1 研究动机 |
| 3.2 整体框架 |
| 3.3 变异分支构建可执行路径 |
| 3.4 基于路径覆盖的测试数据生成数学模型 |
| 3.5 基于MGA覆盖多路径测试数据生成 |
| 3.6 实验 |
| 3.7 本章小结 |
| 4 变异分支模糊聚类的测试数据进化生成 |
| 4.1 研究动机 |
| 4.2 整体框架 |
| 4.3 模糊聚类变异分支 |
| 4.4 基于分支覆盖约束的测试数据生成数学模型 |
| 4.5 基于MGA测试数据有序生成 |
| 4.6 实验 |
| 4.7 本章小结 |
| 5 变异分支覆盖难度引导的测试数据进化生成 |
| 5.1 研究动机 |
| 5.2 整体框架 |
| 5.3 确定变异分支覆盖难度 |
| 5.4 基于路径覆盖约束的测试数据生成数学模型 |
| 5.5 基于CGA的搜索域动态缩减测试数据生成 |
| 5.6 实验 |
| 5.7 本章小结 |
| 6 基于程序输入分组变异分支的测试数据进化生成 |
| 6.1 研究动机 |
| 6.2 整体框架 |
| 6.3 基于程序输入分组变异分支 |
| 6.4 基于相关输入变量的测试数据生成数学模型 |
| 6.5 基于MGA多任务测试数据生成 |
| 6.6 实验 |
| 6.7 本章小结 |
| 7 结论 |
| 7.1 本文所做工作 |
| 7.2 需要进一步研究的问题 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（2）基于改进遗传算法的供热管网阻力系数辨识（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 国内外热网阻力系数辨识研究现状 |
| 1.2.2 存在问题及不足 |
| 1.3 研究内容与组织结构 |
| 第2章 基于图论原理的供热管网水力数学模型 |
| 2.1 供热管网基本定律及基本方程 |
| 2.1.1 管网水力计算基本公式 |
| 2.1.2 管网拓扑结构的矩阵表达 |
| 2.1.3 基于图论的管网水力计算模型 |
| 2.2 供热管网水力模型求解 |
| 2.2.1 方程线性化处理 |
| 2.2.2 方程求解过程 |
| 2.3 本章小结 |
| 第3章 基于辅助个体的三父代交叉遗传算法 |
| 3.1 AITPX算子描述 |
| 3.1.1 算法基本结构 |
| 3.1.2 辅助个体三父代交叉基本流程 |
| 3.1.3 辅助个体生成 |
| 3.1.4 AITPX落点性质及原理说明 |
| 3.2 AITPX参数设置分析 |
| 3.2.1 Scale因子数值实验分析 |
| 3.2.2 辅助个体相关分析 |
| 3.2.3 维度按概率交叉 |
| 3.3 数值实验与结果分析 |
| 3.3.1 测试函数 |
| 3.3.2 实验设计 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第4章 基于AITPX-GA的供热管网阻力系数辨识 |
| 4.1 供热管网阻力系数的优化辨识模型 |
| 4.1.1 优化目标函数 |
| 4.1.2 约束条件 |
| 4.2 遗传算法在辨识中的应用 |
| 4.2.1 算法应用基本流程 |
| 4.2.2 优化辨识相关问题处理 |
| 4.3 辨识案例测试 |
| 4.3.1 测试案例1 |
| 4.3.2 测试案例2 |
| 4.4 辨识结果及分析 |
| 4.4.1 测试案例1 |
| 4.4.2 测试案例2 |
| 4.5 本章小结 |
| 第5章 基于GIS的可视化管网模型软件开发及案例测试 |
| 5.1 GIS二次开发简介及其在供热中应用 |
| 5.1.1 GIS二次开发 |
| 5.1.2 GIS在供热中的应用 |
| 5.2 GIS数据库设计 |
| 5.2.1 空间数据文件建立 |
| 5.2.2 属性数据文件建立 |
| 5.3 系统设计 |
| 5.3.1 系统主要功能分析 |
| 5.3.2 功能实现 |
| 5.3.3 界面设计 |
| 5.4 应用案例测试 |
| 5.4.1 阻力系数辨识功能展示 |
| 5.4.2 水力计算可视化功能展示 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的科研成果 |
| 致谢 |
（3）基于择优选择策略差分算法的供水管网优化设计研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外供水管网智能优化方法研究进展 |
| 1.3.1 智能优化方法研究进展 |
| 1.3.2 改进型智能优化方法研究进展 |
| 1.4 研究内容与创新点 |
| 1.4.1 研究内容 |
| 1.4.2 创新点 |
| 1.5 技术路线 |
| 第二章 供水管网水力计算理论及建模原理 |
| 2.1 供水管网水力计算理论 |
| 2.1.1 供水管网水流特征 |
| 2.1.2 供水管网沿程水头损失计算 |
| 2.1.3 供水管网基本水力方程 |
| 2.2 供水管网优化设计数学模型 |
| 2.2.1 目标函数 |
| 2.2.2 水力约束条件 |
| 2.2.3 管径约束条件 |
| 2.3 基于EPANETH软件的供水管网优化设计建模原理 |
| 2.3.1 供水管网水力模型求解方法 |
| 2.3.2 EPANETH软件 |
| 2.3.3 EPANETH软件水力计算原理 |
| 2.3.4 EPANETH软件水力模型建模流程 |
| 2.3.5 EPANETH软件与MATLAB软件建立调用关系 |
| 2.4 本章小结 |
| 第三章 传统及择优选择策略差分算法研究 |
| 3.1 传统差分算法原理及特点 |
| 3.1.1 传统差分算法流程及原理 |
| 3.1.2 传统差分算法的特点 |
| 3.2 差分算法在管网优化中的改进研究 |
| 3.3 择优选择策略差分算法研究 |
| 3.3.1 择优选择策略原理 |
| 3.3.2 择优选择策略差分算法的收敛性 |
| 3.3.3 择优选择策略差分算法流程图 |
| 3.4 本章小结 |
| 第四章 择优选择策略差分算法在供水管网优化中的可行性分析 |
| 4.1 择优选择策略差分算法评估指标 |
| 4.1.1 搜索质量评估指标 |
| 4.1.2 收敛性评估指标 |
| 4.2 New York Tunnels管网优化设计 |
| 4.2.1 New York Tunnels管网模型 |
| 4.2.2 优化结果分析 |
| 4.3 Hanoi管网优化设计 |
| 4.3.1 Hanoi管网模型 |
| 4.3.2 优化结果分析 |
| 4.4 Balerma Network管网优化设计 |
| 4.4.1 Balerma Network管网案例 |
| 4.4.2 优化结果分析 |
| 4.5 本章小结 |
| 第五章 择优选择策略差分算法参数灵敏度分析及校核方法 |
| 5.1 基于小型供水管网的择优选择策略差分算法参数灵敏度分析 |
| 5.1.1 New York Tunnels管网中F和 CR参数组合灵敏度分析 |
| 5.1.2 Hanoi管网中F和 CR参数组合灵敏度分析 |
| 5.2 基于大型供水管网择优选择策略差分算法参数灵敏度分析 |
| 5.2.1 参数组合测试及灵敏度分析 |
| 5.2.2 种群规模灵敏度分析 |
| 5.2.3 基于Balerma Network管网不同算法优化解质量对比 |
| 5.3 基于Balerma Network管网渐进式参数校核方法 |
| 5.4 择优选择策略差分算法影响因素分析总结 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.攻读硕士期间的研究成果及参与的科研项目 |
| B.择优选择策略差分算法MATLAB主程序 |
| C.择优选择策略差分算法MATLAB调用EPANETH程序 |
（4）基于Docker的分布式天文应用集群计算研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 前言 |
| 1.1 研究背景 |
| 1.2 论文研究范畴 |
| 1.3 研究意义及价值 |
| 1.4 论文主要研究工作 |
| 1.4.1 可行性验证 |
| 1.4.2 集群自动部署的实现 |
| 1.4.3 批量调度算法研究 |
| 1.5 国内外研究现状 |
| 1.5.1 天文领域中的容器化 |
| 1.5.2 多目标调度算法 |
| 1.6 论文的组织结构 |
| 第二章 相关技术概述 |
| 2.1 容器技术及Docker容器 |
| 2.2 Swarm容器编排组件 |
| 2.3 Overlay网络技术 |
| 2.4 MPI通讯协议及相关实现 |
| 2.5 SAGECaL射电干涉校准程序 |
| 2.6 遗传算法 |
| 2.7 本章小结 |
| 第三章 基于Docker的 SAGECal集群自动部署 |
| 3.1 基本需求分析 |
| 3.2 部署的整体思路 |
| 3.3 容器化的SAGECaL集群整体结构 |
| 3.3.1 SAGECaL集群层次结构 |
| 3.3.2 SAGECaL集群拓扑结构 |
| 3.3.3 镜像的构建与组成 |
| 3.4 自动部署 |
| 3.4.1 初始化 |
| 3.4.2 创建Overlay网络和SAGECaL集群节点 |
| 3.4.3 集群节点的发现与维护 |
| 3.4.4 用户接口 |
| 3.4.5 容错处理 |
| 3.5 多算法协同调度机制 |
| 3.6 本章小结 |
| 第四章 基于遗传算法的批量调度算法 |
| 4.1 已有调度算法的缺陷 |
| 4.2 基本需求分析与约定 |
| 4.3 批量调度的整体思路 |
| 4.4 批量调度 |
| 4.4.1 容器任务资源需求 |
| 4.4.2 染色体编码与解码 |
| 4.4.3 适应度函数 |
| 4.4.4 遗传操作 |
| 4.5 本章小结 |
| 第五章 实验与分析 |
| 5.1 集群自动部署和性能损耗分析 |
| 5.1.1 实验设计 |
| 5.1.2 实验环境 |
| 5.1.3 时效性和合理性 |
| 5.1.4 性能损耗分析 |
| 5.2 批量调度和负载均衡分析 |
| 5.2.1 实验设计 |
| 5.2.2 实验环境 |
| 5.2.3 实验结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 致谢 |
| 参考文献 |
| 附录A 攻读硕士学位期间的成果 |
| 附录B 攻读硕士期间参与的研究工作 |
（5）面向目标关系的多目标优化算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的选题背景及意义 |
| 1.2 研究内容 |
| 1.2.1 多目标优化问题 |
| 1.2.2 目标间的关系 |
| 1.2.3 多目标优化算法 |
| 1.3 多目标优化算法研究现状 |
| 1.3.1 不同求解策略的研究现状 |
| 1.3.2 经典的多目标优化算法 |
| 1.4 标准测试函数及评价指标 |
| 1.4.1 测试函数 |
| 1.4.2 评价指标 |
| 1.5 研究中面临的主要挑战 |
| 1.6 论文主要研究内容和组织结构 |
| 1.6.1 论文主要内容 |
| 1.6.2 论文结构安排 |
| 第2章 竞争目标关系的高维多目标优化算法 |
| 2.1 引言 |
| 2.2 研究背景与动机 |
| 2.3 基于双存档策略的进化算法 |
| 2.3.1 均匀池策略 |
| 2.3.2 单项精英保留策略 |
| 2.3.3 双存档策略的高维多目标优化算法 |
| 2.4 仿真实验及结果 |
| 2.4.1 实验环境和函数 |
| 2.4.2 对比算法 |
| 2.4.3 参数设置 |
| 2.4.4 实验结果 |
| 2.5 性能分析 |
| 2.6 本章小结 |
| 第3章 基于相似或冗余目标约简的超多目标优化算法 |
| 3.1 引言 |
| 3.2 研究背景与动机 |
| 3.2.1 基于聚类的在线目标约简技术 |
| 3.2.2 研究动机 |
| 3.3 相关研究基础 |
| 3.3.1 基于生长树的聚类 |
| 3.3.2 基于距离的目标聚类 |
| 3.4 基于自适应生长树聚类目标约简的多目标优化方法 |
| 3.4.1 自适应最邻近距离 |
| 3.4.2 基于聚合的目标约简 |
| 3.4.3 算法:ORAPTC |
| 3.5 仿真实验及结果 |
| 3.5.1 实验函数与评价指标 |
| 3.5.2 对比算法 |
| 3.5.3 参数设置 |
| 3.5.4 实验结果 |
| 3.6 性能分析 |
| 3.7 本章小结 |
| 第4章 基于分层优化的约束关系多目标优化算法 |
| 4.1 引言 |
| 4.2 研究背景与动机 |
| 4.3 相关研究基础 |
| 4.3.1 求解约束问题的多目标优化法及分层思想 |
| 4.3.2 单亲遗传算法 |
| 4.4 分层优化的约束关系多目标优化算法 |
| 4.4.1 分层优化的模型描述 |
| 4.4.2 分层优化的改进型单亲遗传算法 |
| 4.4.3 冰壶实例求解 |
| 4.5 仿真实验及结果 |
| 4.5.1 实验设置 |
| 4.5.2 实验结果与分析 |
| 4.6 性能分析 |
| 4.7 本章小结 |
| 第5章 基于协作目标信息启发的特殊多目标优化算法 |
| 5.1 引言 |
| 5.2 研究背景与动机 |
| 5.3 相关研究基础 |
| 5.3.1 具有协作关系的多个目标优化问题 |
| 5.3.2 烟花爆炸优化算法 |
| 5.3.3 测试数据生成实例及建模 |
| 5.4 基于协作目标信息启发的多个目标优化算法 |
| 5.4.1 多个目标优化问题求解算法 |
| 5.4.2 测试数据生成实例求解 |
| 5.5 仿真实验及结果 |
| 5.5.1 实验环境及实验数据 |
| 5.5.2 基准程序实验结果 |
| 5.5.3 工业程序实验结果 |
| 5.6 性能分析 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（6）敏捷自主卫星调度算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状综述 |
| 1.2.1 敏捷卫星调度研究现状 |
| 1.2.2 敏捷卫星在线调度研究现状 |
| 1.2.3 多星调度方法总结 |
| 1.2.4 柔性制造中机器学习的应用 |
| 1.2.5 研究现状总结 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 敏捷卫星调度问题 |
| 2.1 敏捷卫星及其成像原理 |
| 2.1.1 对地观测卫星成像原理 |
| 2.1.2 敏捷卫星对地观测过程 |
| 2.2 敏捷卫星调度问题相关约束条件 |
| 2.2.1 具有时间依赖特性的时序约束 |
| 2.2.2 资源约束 |
| 2.3 数学模型 |
| 2.4 敏捷卫星姿态机动特点 |
| 2.5 本章小结 |
| 第三章 时序约束下敏捷卫星分支定界算法 |
| 3.1 算法框架 |
| 3.2 解空间与解表达 |
| 3.3 前瞻构造式初始化方法 |
| 3.4 剪枝策略 |
| 3.4.1 对称消除剪枝策略 |
| 3.4.2 支配剪枝策略 |
| 3.4.3 上下界剪枝策略 |
| 3.5 实验分析 |
| 3.5.1 实验算例设计 |
| 3.5.2 结果与分析 |
| 3.6 本章小结 |
| 第四章 敏捷卫星在线调度算法 |
| 4.1 针对海面目标的双星星簇 |
| 4.2 在线调度算法 |
| 4.3 实验分析 |
| 4.3.1 实验算例设计 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小节 |
| 第五章 星上目标决策模型 |
| 5.1 决策模型的主要内容 |
| 5.2 观测目标的筛选 |
| 5.3 启发式算法集 |
| 5.4 观测方案评价方法 |
| 5.5 地面参数学习 |
| 5.5.1 地面学习的参数 |
| 5.5.2 基于分布估计的学习算法 |
| 5.6 实验分析 |
| 5.6.1 实验设计 |
| 5.6.2 实验结果与分析 |
| 5.7 本章小节 |
| 第六章 多星在线协同规划算法 |
| 6.1 问题描述 |
| 6.1.1 自主卫星协同组网的应用需求 |
| 6.1.2 卫星网络结构设计 |
| 6.1.3 星座协同流程 |
| 6.2 星座的协同任务规划方法 |
| 6.2.1 卫星单星调度算法 |
| 6.2.2 主星应急目标协同策略 |
| 6.3 协同策略实验分析 |
| 6.3.1 实验设计 |
| 6.3.2 实验结果及分析 |
| 6.4 协同分配策略的选择算法 |
| 6.4.1 协同策略分析 |
| 6.4.2 常规目标参数选取 |
| 6.4.3 实验结果及分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 本文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（7）消息传递并行程序测试数据进化生成理论与应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 图清单 |
| 表清单 |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究动机 |
| 1.2 研究目标 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 成果及意义 |
| 1.6 本文结构 |
| 1.7 本章小结 |
| 2 相关工作 |
| 2.1 软件测试 |
| 2.2 基于覆盖的测试数据生成技术 |
| 2.3 测试数据进化生成技术 |
| 2.4 合作型协同进化遗传算法 |
| 2.5 串行程序 |
| 2.6 消息传递并行程序 |
| 2.7 并行程序测试技术 |
| 2.8 本章小结 |
| 3 单路径覆盖测试数据协同进化生成 |
| 3.1 研究背景 |
| 3.2 测试数据生成问题的数学模型 |
| 3.3 基于协同进化遗传算法的测试数据生成 |
| 3.4 性能分析 |
| 3.5 在并行程序测试中的应用 |
| 3.6 本章小结 |
| 4 单路径覆盖测试数据进化生成 |
| 4.1 研究背景 |
| 4.2 等价路径 |
| 4.3 测试数据生成问题的数学模型 |
| 4.4 基于遗传算法的测试数据生成 |
| 4.5 在并行程序测试中的应用 |
| 4.6 本章小结 |
| 5 基于覆盖难度选择目标路径的测试数据进化生成 |
| 5.1 研究背景 |
| 5.2 路径覆盖难度度量 |
| 5.3 测试数据生成问题的数学模型 |
| 5.4 基于遗传算法的测试数据生成 |
| 5.5 在并行程序测试中的应用 |
| 5.6 本章小结 |
| 6 多路径覆盖测试数据进化生成 |
| 6.1 研究背景 |
| 6.2 测试数据生成问题的数学模型 |
| 6.3 基于遗传算法的测试数据生成 |
| 6.4 在并行程序测试中的应用 |
| 6.5 本章小结 |
| 7 串行程序很多路径覆盖测试数据并行进化生成的目标路径分组 |
| 7.1 研究背景 |
| 7.2 基本概念 |
| 7.3 目标路径分组 |
| 7.4 测试数据生成问题的数学模型 |
| 7.5 基于并行遗传算法的测试数据生成 |
| 7.6 性能分析 |
| 7.7 在基准程序和工业用例测试中的应用 |
| 7.8 本章小结 |
| 8 基于分组的很多路径覆盖测试数据进化生成 |
| 8.1 研究背景 |
| 8.2 目标路径分组 |
| 8.3 测试数据生成问题的数学模型 |
| 8.4 基于并行遗传算法的测试数据生成 |
| 8.5 在并行程序测试中的应用 |
| 8.6 本章小结 |
| 9 结论 |
| 9.1 本文工作 |
| 9.2 需要进一步解决的问题 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（8）上下文感知的Web服务组合优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 课题来源 |
| 1.3 国内外研究现状 |
| 1.3.1 Web服务组合优化 |
| 1.3.2 上下文感知的Web服务组合优化 |
| 1.4 论文的研究内容及意义 |
| 1.5 论文的组织结构 |
| 1.6 本章小结 |
| 第2章 基础理论 |
| 2.1 Web服务组合概述 |
| 2.1.1 Web服务 |
| 2.1.2 Web服务组合 |
| 2.1.3 Web服务组合方法分类 |
| 2.2 上下文感知技术 |
| 2.2.1 上下文及其分类 |
| 2.2.2 上下文感知计算 |
| 2.3 组合优化 |
| 2.3.1 组合优化问题概述 |
| 2.3.2 组合优化算法 |
| 2.4 本章小结 |
| 第3章 上下文感知的Web服务组合优化 |
| 3.1 上下文感知的Web服务组合基本框架 |
| 3.1.1 Web服务组合上下文最优值的计算 |
| 3.1.2 上下文属性值归一化和权重系数计算 |
| 3.2 上下文感知的Web服务组合优化框架 |
| 3.2.1 改进的Web服务描述模型 |
| 3.2.2 服务关联上下文的计算方法 |
| 3.3 Web服务组合上下文最优值计算的改进 |
| 3.4 本章小结 |
| 第4章 改进的遗传算法求解上下文感知的Web服务组合问题 |
| 4.1 遗传算法概述 |
| 4.1.1 遗传算法的形式化表示 |
| 4.1.2 遗传算法的算法流程 |
| 4.1.3 遗传算法的特点分析 |
| 4.2 改进的遗传算法求解上下文感知的Web服务组合问题 |
| 4.2.1 初始化种群 |
| 4.2.2 关联矩阵编码方式 |
| 4.2.3 选择操作 |
| 4.2.4 交叉和变异操作 |
| 4.2.5 适应度函数 |
| 4.3 本章小结 |
| 第5章 实验数据对比与分析 |
| 5.1 种群初始化方法的对比分析 |
| 5.2 编码方式对比分析 |
| 5.3 Web服务组合成功率对比分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 下一步研究工作 |
| 参考文献 |
| 攻读学位期间公开发表论文 |
| 致谢 |
（9）基于粒子群优化的测试数据生成及其实证分析（论文提纲范文）
| 1 研究背景 |
| 1.1 基本粒子群算法 |
| 1.2 PSO变体算法 |
| 1.3 相关研究工作 |
| 2 基于PSO的测试数据生成 |
| 2.1 测试数据生成框架 |
| 2.2 适应函数的构造 |
| 3 实验分析 |
| 3.1 实验设置 |
| 3.2 不同类型搜索算法的对比分析 |
| 3.3 算法稳定性分析 |
| 3.4 PSO变体算法的对比分析 |
| 4 结语 |
（10）路径覆盖测试数据进化生成理论与方法（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| Extended Abstract |
| 目录 |
| 1 绪论 |
| 1.1 研究目标 |
| 1.2 研究内容 |
| 1.3 研究方法 |
| 1.4 成果及意义 |
| 1.5 本文结构 |
| 1.6 本章小结 |
| 2 相关工作综述 |
| 2.1 软件测试方法 |
| 2.2 基于搜索的测试数据生成 |
| 2.3 基于约束多目标进化优化的测试数据生成 |
| 2.4 缺陷检测与定位 |
| 2.5 存在的问题 |
| 2.6 本章小结 |
| 3 基于稀有数据捕捉的路径覆盖测试数据进化生成 |
| 3.1 稀有数据捕捉的必要性 |
| 3.2 测试数据贡献度 |
| 3.3 基于稀有数据捕捉的测试数据进化生成 |
| 3.4 性能分析 |
| 3.5 实例分析 |
| 3.6 在程序测试的应用 |
| 3.7 本章小结 |
| 4 基于赫夫曼编码的多路径覆盖测试数据进化生成 |
| 4.1 采用赫夫曼编码表示路径的必要性 |
| 4.2 路径的赫夫曼编码 |
| 4.3 基于赫夫曼编码的测试数据进化生成 |
| 4.4 性能分析 |
| 4.5 在程序测试的应用 |
| 4.6 本章小结 |
| 5 面向缺陷的单路径覆盖测试数据进化生成 |
| 5.1 缺陷检测的必要性 |
| 5.2 用于单路径覆盖和缺陷检测的测试数据生成问题的模型 |
| 5.3 面向缺陷的单路径覆盖测试数据进化生成 |
| 5.4 实例分析 |
| 5.5 在程序测试的应用 |
| 5.6 本章小结 |
| 6 面向缺陷检测的多路径覆盖测试数据进化生成 |
| 6.1 用于多路径覆盖和缺陷检测问题研究的必要性 |
| 6.2 面向缺陷的多路径覆盖测试数据生成问题模型 |
| 6.3 面向缺陷的多路径覆盖测试数据进化生成 |
| 6.4 实例分析 |
| 6.5 在程序测试的应用 |
| 6.6 本章小结 |
| 7 基于搜索空间缩减的单路径覆盖测试数据进化生成 |
| 7.1 搜索空间缩减的必要性 |
| 7.2 路径与输入变量的相关性 |
| 7.3 搜索空间缩减策略在单路径覆盖测试数据进化生成中的应用 |
| 7.4 性能分析 |
| 7.5 实例分析 |
| 7.6 在程序测试的应用 |
| 7.7 本章小结 |
| 8 基于搜索空间缩减的多路径覆盖测试数据进化生成 |
| 8.1 研究动机 |
| 8.2 搜索空间缩减策略在多路径覆盖测试数据进化生成中的应用 |
| 8.3 实例分析 |
| 8.4 在程序测试的应用 |
| 8.5 本章小结 |
| 9 结论 |
| 9.1 本文所做的工作 |
| 9.2 需要进一步研究的问题 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、遗传算法平均截止代数和成功率与种群规模之间的关系（论文参考文献）
- [1]变异分支驱动的软件测试数据进化生成理论与方法[D]. 党向盈. 中国矿业大学, 2020
- [2]基于改进遗传算法的供热管网阻力系数辨识[D]. 周星奇. 北京工业大学, 2020(06)
- [3]基于择优选择策略差分算法的供水管网优化设计研究[D]. 丁榕艺. 昆明理工大学, 2020(05)
- [4]基于Docker的分布式天文应用集群计算研究[D]. 姚坤. 昆明理工大学, 2019(04)
- [5]面向目标关系的多目标优化算法研究[D]. 丁蕊. 哈尔滨工程大学, 2019(04)
- [6]敏捷自主卫星调度算法研究[D]. 褚骁庚. 国防科技大学, 2017(02)
- [7]消息传递并行程序测试数据进化生成理论与应用[D]. 田甜. 中国矿业大学, 2014(12)
- [8]上下文感知的Web服务组合优化研究[D]. 袁园. 大连海事大学, 2014(09)
- [9]基于粒子群优化的测试数据生成及其实证分析[J]. 毛澄映,喻新欣,薛云志. 计算机研究与发展, 2014(04)
- [10]路径覆盖测试数据进化生成理论与方法[D]. 张岩. 中国矿业大学, 2012(05)