تولید آرایه پوشش کمینه با استفاده از الگوریتم تکامل تفاضلی تطبیقی مبتنی بر تاریخچه موفقیت و کاهش خطی اندازه جمعیت
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 219
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-52-2_002
تاریخ نمایه سازی: 7 آبان 1401
چکیده مقاله:
تست جامع سیستمهای نرمافزاری با تعداد زیادی پارامتر ورودی و ترکیبات بین آنها اغلب باعث وقوع مشکل انفجار ترکیبی میشود. تست ترکیبی t-ستونی تکنیکی است که با تولید آرایهای از نمونههای تست به پوشش حداکثری ترکیبات ما بین پارامترهای ورودی میپردازد. تولید آرایه پوشش کمینه یک مساله بهینهسازی است که الگوریتمهای فراابتکاری زیادی از جمله بهینهسازی مبتنی بر آموزش و یادگیری، ازدحام توده ذرات، ژنتیک و الگوریتم جستجوی فاخته برای حل آن به کار رفتهاند. اگر چه این الگوریتمها توانستهاند آرایههای پوشش با اندازههای کوچک تر را تولید کنند ولی هنوز کمینهسازی کامل انجام نشده است. در این مقاله، یک استراتژی جدیدی برپایه الگوریتم تکامل تفاضلی تطبیقی مبتنی بر تاریخچه موفقیت و کاهش خطی اندازه جمعیت (معروف به LSHADE) که جزو برندگان کنگره IEEE در محاسبات تکاملی است، جهت تولید آرایه پوشش کمینه ارائه میکنیم. نتایج آزمون فریدمن نشان میدهند که استراتژی LSHADE دارای اولین رتبه از نظر معیارهای تولید آرایه پوشش با کمترین اندازه و کمترین تعداد متوسط فراخوانیهای الگوریتمی در مقایسه با استراتژیهای مبتنی بر ریاضی از جمله TConfig، حریصانه از جمله IPOG، Jenny وPICT و فراابتکاری از جمله GS، TLBO،HC-BAT، PSTG، WOA، BAPSO و GSTG است. در حالیکه، از نظر معیارهای تعداد متوسط ارزیابیهای تابع محاسبه وزن و متوسط زمان اجرا، این استراتژی بعد از استراتژی GS، دارای اولین رتبه است. ضمنا، نمودارهای همگرایی سرعت همگرایی بالای این استراتژی را در مقایسه با استراتژیهای فراابتکاری دیگر تایید میکنند.
کلیدواژه ها:
نویسندگان
عین الله پیرا
استادیار، دانشکده فناوری اطلاعات و مهندسی کامپیوتر، دانشگاه شهیدمدنی آذربایجان، تبریز، ایران
وحید رافع
دانشیار، دانشکده فنی مهندسی، دانشگاه اراک، ایران
سجاد اسفندیاری
دکتری کامپیوتر، دانشکده فنی مهندسی، دانشگاه اراک، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :