积分商城

最新搜索： ch32x315 海尔单片机 创龙 RK3562 6层PCB 芯片包 STM32CubeMX-Win
您现在的位置是：首页 > 技术资料 > 一种基于Kalman滤波和粒子群优化的测试数据生成方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种基于Kalman滤波和粒子群优化的测试数据生成方法

更新时间：2019-12-24 08:21:04 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：Kalman滤波粒子群优化 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

为减少进化代数,提高路径覆盖成功率,提出了多邻域Kalman滤波PSO测试数据生成方法.在该方法中将粒子固定划分到不同邻域中,各邻域内指定一个粒子向全局最优粒子学习,其余各粒子向所在邻域中最优粒子学习,而全局最优粒子利用无速度项的简化PSO进化.在此过程中,除全局最优粒子外的各粒子利用Kalman滤波方程更新粒子的位置.实验表明,相较于基本PSO和其他PSO方法,即使是覆盖困难的路径,本文方法也具有进化代数少、路径覆盖成功率高及性能稳定的特点.


部分文件列表

文件名 大小
一种基于Kalman滤波和粒子群优化的测试数据生成方法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
10  
Vol． 45 No． 10  
Oct． 2017  
第
期
电
子
学
报
2017  
10  
ACTA ELECTRONICA SINICA  
年
月
Kalman  
一种基于  
滤波和粒子群优化的  
测试数据生成方法  
1
1，2  
1
2
1，3  
4
， ， ， ， ，  
薛 猛 姜淑娟 张争光 钱俊彦 张艳梅 曹鹤玲  
( 1.  
，
中国矿业大学计算机科学与技术学院 江苏徐州  
221116; 2.  
，
541004;  
桂林电子科技大学广西可信软件重点实验室 广西桂林  
210093; 4. 450001)  
河南工业大学信息科学与工程学院 河南郑州  
3.  
，
南京大学计算机软件新技术国家重点实验室 江苏南京  
，
:
，
，
Kalman  
PSO  
．
摘
要
为减少进化代数 提高路径覆盖成功率 提出了多邻域  
滤波  
测试数据生成方法 在该方法  
中将粒子固定划分到不同邻域中 各邻域内指定一个粒子向全局最优粒子学习 其余各粒子向所在邻域中最优粒子学  
PSO Kalman  
滤波方程  
，
，
，
．
，
习 而全局最优粒子利用无速度项的简化  
进化 在此过程中 除全局最优粒子外的各粒子利用  
PSO ， ， 、  
方法 即使是覆盖困难的路径 本文方法也具有进化代数少  
． ，  
更新粒子的位置 实验表明 相较于基本  
PSO  
和其他  
．
路径覆盖成功率高及性能稳定的特点  
:
;
; Kalman ;  
滤波 邻域拓扑  
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
测试数据生成 粒子群优化  
:
TP311. 5  
:
A
: 0372-2112 ( 2017) 10-2473-11  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 10． 023  
文献标识码  
文章编号  
电子学报  
A Test Data Generation Method Based on Kalman Filter and  
Particle Swarm Optimization Algorithm  
1
1，2  
1
2
1，3  
4
XUE Meng ，JIANG Shu-juan ，ZHANG Zheng-guang ，QIAN Jun-yan ，ZHANG Yan-mei ，CAO He-ling  
( 1. School of Computer Science and Technology，China University of Mining and Technology，Xuzhou，Jiangsu 221116，China;  
2. Guangxi Key Laboratory of Trusted Software，Guilin University of Electronic Technology，Guilin，Guangxi 541004，China;  
3. State Key Laboratory for Novel Software Technology，Nanjing University，Nanjing，Jiangsu 210093，China;  
4. College of Information Science and Engineering，Henan University of Technology，Zhengzhou，Henan 450001，China)  
Abstract: A test data generation method named multi-neighborhood Kalman filter PSO( MNKFPSO) was proposed  
to reduce the evolution number and to improve the success rate of path coverage． Particles except the global best one update  
themselves’positions using Kalman filter． One of them is allotted to a fixed neighborhood． A designated particle learns from  
the global best particle，others learn from the best in one neighborhood． And the global best particle’s position changes by a  
simple PSO which discards the particle velocity． The experimental results show that it can generate test data covering the  
specified path in the less evolutionary using MNKFPSO and has high success rate of path coverage even though the paths  
difficult to cover． The algorithm also exhibits a stable performance．  
Key words: test data generation; particle swarm optimization ( PSO) ; Kalman filter; neighborhood topology  
［1］  
．
件单元测试中的一个基本问题  
1
引言  
［2］  
Harman  
2001  
等
于
年首次提出基于搜索的软件  
．
测试数据生成是软件测试的一个重要环节 路径  
( Search-Based Software Engineering，SBSE)  
，
概念 尝  
工程  
试使用一些元启发式搜索算法解决软件工程领域的问  
SBSE  
，
覆盖是一种较为常用的覆盖 即在被测程序的参数输  
．
题 基于搜索的测试数据生成技术是  
领域的一个  
，
入域内寻找能使程序按照指定路径执行的数据 是软  
， ，  
重要分支 受到了研究人员的广泛关注 成为软件测试  
: 2016-08-07;  
: 2017-04-23; :  
责任编辑 孙瑶  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61502497，No． 61562015，No． 61673384，No． 61602154) ;  
( No． 2015M581887) ;  
中国博士后科学基金 广西可信软  
( No． KFKT2014B19) ; ( No．  
徐州市科技计划项目  
( No． KX201530) ;  
件重点实验室研究课题  
KC15SM051) ;  
南京大学计算机软件新技术国家重点实验室开放课题  
( No． 16A520005)  
河南省高等学校重点科研项目计划资助  
2474  
2017  
年
电
子
学
报
［3 ～ 6］  
．
．
数据生成领域极为活跃的一个研究方向  
测试数据生成问题通过构造适应度函数转化成数学函  
( Genetic Algorithm，  
该技术将  
目标跟踪等领域得到了广泛应用  
Kalman  
滤波算法首先使用式  
( 3) ( 4)  
的时间更新  
，
，
方程 根据上一时刻的后验估计值来估计当前时刻的  
数优 化 问 题 利 用 遗 传 算 法  
［7 ～ 16］  
GA)  
、
( Particle Swarm Optimization，  
，
;
粒 子 群 优 化  
状态 得到当前状态的先验估计值 然后再使用当前时  
( 5) ( 6) ( 7)  
的测量更新方程来修正  
［17 ～ 23］  
PSO)  
满足相应覆盖要求的测试数据  
，
算法等元启发式搜索算法寻找最优解 生成  
刻的测量值通过式  
．
， ，  
这个估计值 得到当前时刻的后验估计值 即当前时刻  
［24］  
Monson  
Seppi  
，
从关注粒子的运动出发 运用  
．
和
的最优估计值  
Kalman  
，
Kalman  
Kalman  
(
滤波的时间更新方程 不考虑控制作  
滤波更新粒子的位置 提出了  
KSwarm Kalman ，  
滤波过程中 观  
滤波和  
离散  
PSO  
．
) :  
相结合的  
算法 在  
用及系统过程噪声  
，
测值直接使用粒子邻域内的最优解 是以该算法的收  
X
= AX  
( 3)  
( 4)  
t| t － 1  
t － 1  
T
， ，  
敛速度较快 需要的进化代数较少 在基准函数优化中  
P
= AP A + Q  
t － 1  
t| t － 1  
［24］  
．
，
但是 作者在文中并没有对滤波  
表现了优越的性能  
器的构造进行深入的探讨和分析 当我们尝试将其应  
PSO  
Kalman  
:
滤波的测量更新方程  
离散  
T
T
－ 1  
．
K = P  
t
H ( HP  
H + R)  
( 5)  
( 6)  
t| t － 1  
t| t － 1  
^
X = X  
t
，
，
用到测试数据生成中时 发现相对于基本  
算法  
+ K ( Z － HX  
t
)
t| t － 1  
t
t| t － 1  
KSwarm  
算法在测试数据生成问题上的性能提升并没有  
P = ( I － K H) P  
t
( 7)  
t
t| t － 1  
． ，  
基准函数优化表现的显著 经过分析和实验验证 本文  
: X  
t － 1  
; X  
时刻的系统状态变量  
其中  
为
为状态一  
t| t － 1  
t － 1  
Kalman PSO  
滤波  
提出了应用于测试数据生成的多邻域  
; A  
步预测变量 为状态转移矩阵  
; P 、P  
t － 1  
t － 1  
t
和 时  
为
t
( Multi-Neighborhood Kalman Filter PSO，MNKFPSO)  
算
; P  
; Q  
为过  
刻的滤波均方误差  
程激励噪声协方差矩阵 用于表示状态转移矩阵与实  
; H ; K Kalman  
为一步预测均方误差  
t| t － 1  
．
法 实验表明  
: MNKFPSO  
算法在具有高路径覆盖成功  
，
，
率的同时 需要的进化代数较基本  
PSO  
PSO  
和其他 算  
际过程之间的误差  
为系统观测矩阵  
; Z ，  
为观测值 联  
t
为
t
，
法明显减少 具有极大的优势  
．
; R  
滤波增益  
为测量噪声协方差矩阵  
K
合滤波增益 对一步预测值  
t
X
，
进行修正 以得到最  
t| t － 1  
2
相关概念  
^
X ．  
t
优估计值  
2. 3  
2. 1 PSO  
算法  
邻域拓扑  
［25］  
PSO  
Kennedy  
Eberhart  
1995  
于
算法最早是由  
年提出的一种基于群体智能的随机启发式搜索算法  
PSO ( 1) ( 2)  
所示的含惯性权  
和
粒子的邻域拓扑是指邻域内粒子之间连接和信息  
．
，
共享的方式 决定了粒子的运动轨迹受哪些粒子信息  
本文所述基本  
是指如式  
． ， ;  
影响 在静态邻域拓扑中 粒子的数目是固定的 而动态  
［26］  
．
的方法  
设种群中含有的粒子数目为  
重
．
邻域拓扑中的粒子是动态变换的 常见的邻域拓扑结  
N，  
搜索空间维度为  
: 、 、 、  
构有 全互联结构 环形结构 冯诺伊曼结构 随机拓  
［28］  
D， i  
第 个粒子位置  
x = ( x ，x ，…，x ) ， v = ( v ，  
速度  
iD  
i
i1  
i2  
i
i1  
．
等 不同的邻域拓扑结构对  
PSO  
扑
算法性能有较大  
［29］  
v ，…，v ) ，  
各粒子历史上搜到的最优位置为  
i2  
p = ( p ，  
i
iD  
i1  
，
影响  
但是最佳效果的拓扑结构和所选择的基准测  
p ，…，p ) ．  
iD  
g =  
整个种群历史上搜索到的最优位置为  
i2  
．
试函数有密切关系  
( g ，g ，…，g ) ， ． t  
即全局最优解 当种群进化到第 代  
D
1
2
:
粒子被划分到各邻域一般有两种方法 一是根据  
，
时 粒子的速度和位置更新公式如式  
( 1) ( 2)  
．
所示  
， ;  
粒子的编号 按照邻域拓扑结构进行划分 二是按照粒  
t
t － 1  
t － 1  
t － 1  
t － 1  
t － 1  
［30］  
v =  
i
v
ω
+ c r ( p － x ) + c r ( g － x ) ( 1)  
2
i
1
1
i
i
2
i
，
子之间的欧氏空间距离进行划分  
该方法虽然经过  
t
t － 1  
t
i
x = x + v  
i
( 2)  
i
， ， ，  
实验效果较好 但计算量太大 且需要大量存储空间 一  
c
c
，r  
1
r
和 是  
2
( 0，1)  
之间  
其中学习因子  
和
均为常数  
1
2
．
般不使用 本文多邻域拓扑采用第一种依据粒子编号  
，
均匀分布随机数 惯性权重 ω 的取值一般位于  
［0. 2，  
．
划分的方法  
0. 9］．  
3
Kalman  
PSO  
滤波和 的测试数据生  
基于  
t － 1  
( 1) ，g  
中
t － 1  
式
代表种群所有粒子截止  
代曾搜  
成方法  
，
索到的最优位置 因此也称为全局版的  
PSO．  
当使用粒  
t － 1  
i
子 所在邻域的所有粒子曾搜索到的最优位置  
Lb  
3. 1 KSwarm  
代
算法的改进  
t － 1  
g
，
时 称为局部版的  
PSO．  
，
经过分析及实验验证 为使  
KSwarm  
算法能有效应  
替
，
用于测试数据生成 做如下两点改进  
:
2. 2 Kalman  
滤波  
［31］  
［27］  
， “start”  
① 在原算法中 邻域拓扑采用  
，
结构 为了  
Kalman  
Kalman  
1960  
在 年第一次提出的  
滤波  
是
，
能获得更快的收敛速度 本文设计了多邻域拓扑结构  
． 、  
一种线性最小方差估计理论 在航天 计算机图像处理  
、

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号