覆盖表生成蚁群算法探索与挖掘.pptVIP

Computational Method (Search Method) evolve test case evolve test set random search greedy search local search (HC, SA, TS, …) global search (GA, ACO, PSO, …) 05 Covering Array Generation 06 Shiba Toshiaki等人对遗传算法和蚁群算法在覆盖表生成问题中的应用进行了研究，并与其他算法如AETG进行了对比； Xiang Chen等人对蚁群算法在组合测试变强度覆盖表生成中以及生成排序问题中的应用进行了研究； Changhai Nie等人提出了基于搜索的组合测试，其中包括对蚁群算法覆盖表生成覆盖表的研究； 研究现状（覆盖表） 覆盖表生成蚁群算法变种研究 覆盖表生成蚁群算法参数调优 整表演化覆盖表生成蚁群算法 07 研究内容 基于Hadoop的分布式实验过程 08 研究问题 Q1 蚁群算法变种在求解覆盖表生成问题上是否存在差异，何种算法变种更加适合求解覆盖表生成问题？ Q2 算法参数配置对实验结果又怎样的影响，是否存在一个最优参数配置？ Q3 能否通过解结构调整的方式提升算法的性能？ Q4 如何通过分布式技术节约实验部分的时间开销？ 9 算法变种研究 Step 1：设置算法参数，初始化未被覆盖组合对队列UncoverList； Step 2：当UncoverList不为空，继续，否则，算法终止； Step 3：计算启发值（A），设置全局最优解，设置迭代计数器NC； Step 4：设置迭代最优解，令每只蚂蚁从F1移动到Fe（B）； Step 5：更新迭代最优解，更新全局最优解； Step 6：局部信息素更新（C）； Step 7：全局信息素更新（D）； Step 8：选择最好的结果作为一条测试用例加入到CA_Set； 10 算法变种研究 启发值计算(A) 路径选择 (B) 局部信息素更新 (C) 全局信息素更新 (D) 方式1 方式2 AS IS BS AS ? ? ? ? ? ? ? ACS ? ? ? ? ? ? ? MMAS ? ? ? ? ? ? ? 11 参数 类型 范围 AS ACS MMAS 信息素指数α 浮点型 0α≤5 ? ? ? 启发值指数β 浮点型 0β≤5 ? ? ? 信息素残留系数ρ 浮点型 0ρ≤1 ? ? ? 蚂蚁数量m 整形 0 ? ? ? 迭代次数NC 整形 0 ? ? ? 信息素初值τinit 浮点型 0≤τinit≤10 ? ? ? ACS路径选择概率q0 浮点型 0 q01 ?? ? ?? 局部更新系数φ 浮点型 0φ≤1 ?? ? ?? 信息素上界τmax 浮点型 τmin τmax≤5 ?? ?? ? 信息素下界τmin 浮点型 0 τminτmax ?? ?? ? 对单个参数进行研究 参数组合pair-wise实验 局部优化 算法参数配置调优 参数较多，参数配置空间庞大 需要对多个覆盖表进行验证 每次验证至少需要进行30次重复实验 12 算法参数配置调优：单参数影响实验 1 单参数影响实验（以α为例） 参数α对AS算法性能的影响 参数α对ACS算法性能的影响 参数α对MMAAS算法性能的影响 13 算法参数配置调优：pair-wise实验 2 参数配置pair-wise实验 ——以AS为例 ? MCA1 CA2 CA3 MCA4 MCA5 CA6 CA7 CA8 MCA9 MCA10 总和 总均值 C1 100 110 72 101 102 33 43 18 51 118 748 780.6667 C2 94 100 66 93 94 31 41 18 48 113 698 724.8333 C3 98 103 65 95 97 31 42 18 50 115 714 739.4 C4 96 103 68 94 94 31 42 18 48 111 705 734.6333 C5 95 95 68 96 93 32 41 18 48 112 698 730.6 C6 96 103 68 96 94 32 42 18 48 113 710 738.2667 C7 100 108 70 99 99 33 44 18 50 118 739 765.0667 C8 93 105 70 97 95 31 42 18 48 112 711 739.6333 C9 97 102 67 94 96 32 42 18 49 113 710 735.6667 C10 99 108 68 98 99 32 43 18 50 11