本研究将双种群遗传算法引入测试用例排序中以解决单一种群中过早收敛和最终解质量不稳定等问题,通过设置多样性较高的初始解,并在两个进化种群中使用不同的控制参数来协同进化,达到扩大解搜索空间的目的,以降低算法陷入局部最优的风险...本研究将双种群遗传算法引入测试用例排序中以解决单一种群中过早收敛和最终解质量不稳定等问题,通过设置多样性较高的初始解,并在两个进化种群中使用不同的控制参数来协同进化,达到扩大解搜索空间的目的,以降低算法陷入局部最优的风险;同时使用引入权重因子的平均方法覆盖率作为适应度函数,利用Boltzmann选择法实现不同进化阶段选择压力的自适应变化,期望加快算法后期收敛速度。最后在具有真实故障的数据集Defects4J上进行对比验证,结果表明:本文算法在平均故障检测率(average percentage of fault detection,APFD)方面优于单一种群遗传算法,且这种性能的提升在统计学上是显著的。展开更多
文摘本研究将双种群遗传算法引入测试用例排序中以解决单一种群中过早收敛和最终解质量不稳定等问题,通过设置多样性较高的初始解,并在两个进化种群中使用不同的控制参数来协同进化,达到扩大解搜索空间的目的,以降低算法陷入局部最优的风险;同时使用引入权重因子的平均方法覆盖率作为适应度函数,利用Boltzmann选择法实现不同进化阶段选择压力的自适应变化,期望加快算法后期收敛速度。最后在具有真实故障的数据集Defects4J上进行对比验证,结果表明:本文算法在平均故障检测率(average percentage of fault detection,APFD)方面优于单一种群遗传算法,且这种性能的提升在统计学上是显著的。
