一种改进粒子群算法测试数据自动生成方法.docVIP

一种改进粒子群算法的测试数据自动生成方法 　　摘要：线性递减惯性权重粒子群算法中，搜索后期较小的惯性权重使粒子具有很强的局部搜索能力。但惯性权重太小，容易使所有的粒子聚在一起损失多样性，找到最优解的可能性较低，易产生早熟现象。提出了一种利用方差动态调整惯性权重的方法，引入基于适应度方差的惯性权重调整因子。当出现早熟现象时，通过调整因子适当增大惯性权重的值，以扩大搜索范围，增加找到最优解的可能性。当未出现早熟现象时，继续采用线性递减惯性权重策略，加快收敛速度。实验结果表明，该算法具有较高的搜索成功率 关键词：惯性权重；早熟收敛；LDWPSO 算法；SPSO算法；搜索成功率 DOIDOI：10.11907/rjdk.161971 中图分类号：TP312 文献标识码：A文章编号文章编号2016）009004603 基金项目基金项目： 作者简介作者简介：安新（1990-），女，山东泰安人，山东科技大学计算机科学与工程学院硕士研究生，研究方向为软件项目管理、软件测试；何明祥（1969-），男，安徽合肥人，博士，山东科技大学计算机科学与工程学院副教授、硕士生导师，研究方向为数据库系统、信息处理、人工智能、数字矿山。本文通讯作者为何明祥 0引言 软件测试是发现软件缺陷的过程，贯穿于软件生命周期的各个阶段，是保证软件质量的重要手段。软件测试中大约40%的时间用在测试数据设计阶段[1]。随着软件复杂度和软件规模的增大，测试开销和工作量也相应增加，传统的手工生成测试数据已不能满足要求，测试数据自动生成对提高测试效率、减少测试开销具有重要意义。在对测试数据自动生成方法的研究中，粒子群算法以其设置参数少、简单易实现、收敛快而受到研究者的青睐 Shi等[2]提出线性递减惯性权重策略，使得搜索初期，粒子具有较好的全局搜索能力，搜索后期具有较好的局部搜索能力。但后期过小的惯性权重容易使整个粒子群陷入早熟，找到最优解的可能性较小；田甜等[3]提出一种非线性动态调整惯性权重策略，解决了线性递减权重策略中容易出现的早熟现象 针对粒子群算法中易出现的早熟问题，本文提出一种基于方差的动态调整惯性权重的粒子群优化（FCWPSO）算法。算法思想为：总体上遵循线性递减惯性权重策略，当出现早熟现象时，通过调整因子适当增大惯性权重的值，跳出局部极值，扩大搜索范围，增加找到最优解的可能性 1基本粒子群算法 粒子群优化（Particle Swarm Optimization，PSO）算法由Eberhart 、Kennedy[3]于1995年提出，基本思想是研究和模拟鸟类的觅食行为。每只鸟相当于一个粒子，属于问题的候选解，飞行空间相当于问题的搜索空间，捕食过程相当于寻找最优解的过程[4]。设粒子总数为N，起始状态为所有粒子被随机分配在D维搜索空间中，每个粒子均有一个D维位置向量Xi=（xi1，xi2，…，xiD）和一个D维速度向量Vi=（vi1，vi2，…，viD），每个粒子通过跟踪个体极值Pbesti=（pi1，pi2，…，piD）和全局极值Gbest=（g1，g2，…，gD）来更新自身的位置速度。个体极值是该粒子自身搜索到的历史最优值，全局极值是粒子群体搜索到的最优值。每个粒子通过不断更新自身位置和速度找到最优解。位置和速度更新见式（1）、式（2） Vt+1i=wVti+C1Rand1（）（Pbesti-Xti）+C2Rand2（）（Gbest-Xti）（1） Xt+1i=Xti+Vt+1i（2） 其中：Vti、Xti分别为第t代中第i个粒子的速度和位置；Vt+1i、Xt+1i分别为第t+1代中第i个粒子的速度和位置；w为惯性权重，是保持原速度的系数；C1为粒子追随自身个体极值的权重，即粒子对自身的认识，一般设为2；C2为粒子追随粒子群全局极值的权重，即粒子对群体的认识，一般设为2；Rand1（）、Rand2（）为0到1之间的随机数；Pbesti为第i个粒子的历史最优值；Gbest为群体的最优值 2基于方差的动态调整惯性权重方案 2.1常用粒子群优化算法及存在问题 （1）简化粒子群优化（SPSO）算法。胡旺等[5]指出粒子群的进化过程与速度无关，速度大小可能导致粒子不能沿正确的进化方向运动，最终不能有效地找到最优解。因此，提出了无速度参数的简化粒子群优化（Simple Particle Swarm Optimization，SPSO）算法，如式（3）所示，避免了由速度导致的后期收敛慢、精度低的问题，且简化了粒子进化过程 Xt+1i=wXti+C1Rand1（）（Pbesti-Xti）+C2Rand2（）（Gbest-Xti）（3） （2）线性递减惯性权重粒