第十一章 智能軟件測試技術(shù)

第11章智能軟件測試技術(shù)課后習(xí)題及答案請結(jié)合自己熟悉的機(jī)器學(xué)習(xí)編程框架，完成安全缺陷報(bào)告預(yù)測模型的構(gòu)建。基于監(jiān)督學(xué)習(xí)的預(yù)測模型，基于半監(jiān)督的預(yù)測模型，基于無監(jiān)督的預(yù)測模型，基于回歸方法的預(yù)測模型，基于屬性約束的預(yù)測模型。請結(jié)合自己熟悉的機(jī)器學(xué)習(xí)編程框架，完成軟件缺陷預(yù)測模型的構(gòu)建。簡述本節(jié)所講的幾種智能搜索算法的優(yōu)劣性。遺傳算法：優(yōu)點(diǎn)：1.與問題領(lǐng)域無關(guān)切快速隨機(jī)的搜索能力。

2.搜索從群體出發(fā)，具有潛在的并行性，可以進(jìn)行多個(gè)個(gè)體的同時(shí)比較，robust.

3.搜索使用評價(jià)函數(shù)啟發(fā)，過程簡單

4.使用概率機(jī)制進(jìn)行迭代，具有隨機(jī)性。

5.具有可擴(kuò)展性，容易與其他算法結(jié)合。缺點(diǎn)：1、遺傳算法的編程實(shí)現(xiàn)比較復(fù)雜,首先需要對問題進(jìn)行編碼,找到最優(yōu)解之后還需要對問題進(jìn)行解碼,

2、另外三個(gè)算子的實(shí)現(xiàn)也有許多參數(shù),如交叉率和變異率,并且這些參數(shù)的選擇嚴(yán)重影響解的品質(zhì),而目前這些參數(shù)的選擇大部分是依靠經(jīng)驗(yàn).

3、沒有能夠及時(shí)利用網(wǎng)絡(luò)的反饋信息,故算法的搜索速度比較慢，要得要較精確的解需要較多的訓(xùn)練時(shí)間。

4、算法對初始種群的選擇有一定的依賴性，能夠結(jié)合一些啟發(fā)算法進(jìn)行改進(jìn)。

5、算法的并行機(jī)制的潛在能力沒有得到充分的利用，這也是當(dāng)前遺傳算法的一個(gè)研究熱點(diǎn)方向。蟻群算法：優(yōu)點(diǎn)：1.蟻群算法與其他啟發(fā)式算法相比，在求解性能上，具有很強(qiáng)的魯棒性（對基本蟻群算法模型稍加修改，便可以應(yīng)用于其他問題）和搜索較好解的能力。2.蟻群算法是一種基于種群的進(jìn)化算法，具有本質(zhì)并行性，易于并行實(shí)現(xiàn)。3.蟻群算法很容易與多種啟發(fā)式算法結(jié)合，以改善算法性能。缺點(diǎn)：1.如果參數(shù)α和β設(shè)置不當(dāng)，導(dǎo)致求解速度很慢且所得解的質(zhì)量特別差。2.基本蟻群算法計(jì)算量大，求解所需時(shí)間較長。3.基本蟻群算法中理論上要求所有的螞蟻選擇同一路線，該線路即為所求的最優(yōu)線路；但在實(shí)際計(jì)算中，在給定一定循環(huán)數(shù)的條件下很難達(dá)到這種情況。粒子群算法：優(yōu)點(diǎn)：粒子群優(yōu)化具有相當(dāng)快的逼近最優(yōu)解的速度，可以有效的對系統(tǒng)的參數(shù)進(jìn)行優(yōu)化。粒子群算法的本質(zhì)是利用當(dāng)前位置、全局極值和個(gè)體極值3個(gè)信息，指導(dǎo)粒子下一步迭代位置。其個(gè)體充分利用自身經(jīng)驗(yàn)和群體經(jīng)驗(yàn)調(diào)整自身的狀態(tài)是粒子群算法具有優(yōu)異特性的關(guān)鍵。PSO算法的優(yōu)勢在于求解一些連續(xù)函數(shù)的優(yōu)化問題。缺點(diǎn)：問題最主要的是它容易產(chǎn)生早熟收斂（尤其是在處理復(fù)雜的多峰搜索問題中）、局部尋優(yōu)能力較差等。PSO算法陷入局部最小，主要?dú)w咎于種群在搜索空間中多樣性的丟失。人工魚群算法：優(yōu)點(diǎn)：具有較快的收斂速度，可以用于解決有實(shí)時(shí)性要求的問題；對于一些精度要求不高的場合，可以用它快速的得到一個(gè)可行解；不需要問題的嚴(yán)格機(jī)理模型，甚至不需要問題的精確描述，這使得它的應(yīng)用范圍得以延伸。缺點(diǎn)：后期收斂速度慢、求解精度低和易陷入局部最優(yōu)禁忌搜索算法：有較強(qiáng)的通用性，算法的收斂的速度快，但是算法只在局部的開發(fā)能力較強(qiáng)，在全局的開發(fā)能力較弱，這樣只能搜索局部的最優(yōu)解爬山算法：優(yōu)點(diǎn)：該算法每次從當(dāng)前解的臨近解空間中選擇一個(gè)最優(yōu)解作為當(dāng)前解，直到達(dá)到一個(gè)局部最優(yōu)解一定可以找到某種解決問題的方法。缺點(diǎn)：會陷入局部最優(yōu)解，而不一定能搜索到全局最優(yōu)解。模擬退火算法：以接受當(dāng)前一個(gè)比當(dāng)前解要差的解，所以是有可能脫離這個(gè)局部的最優(yōu)解，模擬退火算法的收斂速度是比較慢一點(diǎn)的，但是精確程度卻是可以通過不斷的計(jì)算而得到提高，從而達(dá)到全局的最優(yōu)解。簡述遺傳算法的過程。遺傳算法的基本運(yùn)算過程如下：a)初始化：設(shè)置進(jìn)化代數(shù)計(jì)數(shù)器t=0，設(shè)置最大進(jìn)化代數(shù)T，隨機(jī)生成M個(gè)個(gè)體作為初始群體P(0)。b)個(gè)體評價(jià)：計(jì)算群體P(t)中各個(gè)個(gè)體的適應(yīng)度。c)選擇運(yùn)算:將選擇算子作用于群體。選擇的目的是把優(yōu)化的個(gè)體直接遺傳到下一代或通過配對交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇操作是建立在群體中個(gè)體的適應(yīng)度評估基礎(chǔ)上的。d)交叉運(yùn)算：將交叉算子作用于群體。遺傳算法中起核心作用的就是交叉算子。e)變異運(yùn)算：將變異算子作用于群體。即是對群體中的個(gè)體串的某些基因座上的基因值作變動。群體P(t)經(jīng)過選擇、交叉、變異運(yùn)算之后得到下一代群體P(t+1)。f)終止條件判斷:若t=T,則以進(jìn)化過程中所得到的具有最大適應(yīng)度個(gè)體作為最優(yōu)解輸出，終止計(jì)算。請查閱相關(guān)文獻(xiàn)