Optimization of Test Case Generation using Genetic Algorithm (GA)
测试提供了保证软件性能的方法。软件行业的总目标实际上是为最终用户提供高质量的软件。然而，与软件测试相关的一些潜在问题是非常重要的，需要注意这些问题。这些问题是有效地生成，测试用例的优先级等，这些问题可以通过关注和集中来克服。在软件测试领域中，最大的问题之一就是如何获得一个与测试用例相关联的合适集来确认软件。一些其他的战略和方法也提出了有关航运照顾这些问题中的大多数。遗传算法属于进化算法。进化算法在测试自动生成中有着重要的作用，是当前研究的热点，本文利用遗传算法对软件测试相关问题进行了研究。此外，在应用一些分析之后，产生了更好的解决方案，即可行性和可靠性。由于遗传算法能够生成优化的测试用例，因此本研究提出了遗传算法的实现方法。在此基础上，本文给出了一个基于遗传算法的测试用例优化生成系统。
2016-12-28 cs.NE cs.SE
Advancing System Performance with Redundancy: From Biological to Artificial Designs
红细胞是许多生物过程的基本特征，如遗传、视觉、肌肉和神经系统;但其功能尚未完全了解。冗余的传统解释是，它作为一种容错机制，这导致冗余的实际应用在人造系统的可靠性增强。相反，我们以前的工作已经证明了一个例子，冗余可以被设计成仅仅用于提高系统的其他方面，即准确度和精度。这种设计的灵感来自于人类视觉的双目结构，我们相信这可能会分享类似的操作。在本文中，我们提出了一个统一的理论，描述如何利用冗余是可行的，通过两个互补的机制：代表性冗余（RPR）和纠缠冗余（ETR）。除了以前的作品，我们指出两个额外的例子，我们的新的理解冗余可以应用到证明系统的优越性能。一个是人类肌肉骨骼系统（HMS）--一个生物学实例，另一个是深层残余神经网络（ResNet）--一个人工对应物。我们设想，我们的理论将提供一个框架，为未来发展的生物启发的冗余人工系统，以及协助研究的基本机制，管理各种生物过程。
2018-02-14 cs.IT cs.NE math.IT
A Novel Simplified Swarm Optimization for Generalized Reliability Redundancy Allocation Problem
网络系统通常用于各种领域，诸如电网、物联网（IoT）和燃气网络。可靠性冗余分配问题（Reliability Redundancy Allocation Problem，RRAP）是一种著名的可靠性设计工具，当系统从串并联结构扩展到更一般的网络结构时，需要开发RRAP。因此，本研究提出了一种新的RRAP称为通用RRAP（GRRAP），适用于网络系统。采用二进制加法树算法（BAT）求解网络可靠性问题。由于GRRAP是一个NP难问题，一个新的算法称为二进制添加简化群优化（BSSO）也提出了这项研究。BSSO结合了BAT的准确性和SSO的效率，可以有效地减少解决方案空间，加快找到高质量解决方案的时间。实验结果表明，BSSO优于三个著名的算法，遗传算法（GA），粒子群优化（PSO），群优化（SSO），在六个网络基准测试。
2021-10-01 cs.NE cs.NI
Lexicase Selection Parameter Analysis: Varying Population Size and Test Case Redundancy with Diagnostic Metrics
本研究通过诊断度量分析词典选择中种群规模与测试用例冗余的影响，发现小种群利于开发，大种群维持更多专家，冗余测试用例会阻碍专家维持，需根据问题特征谨慎设定参数。
2024-07-21 cs.NE
Solution to Quadratic Equation Using Genetic Algorithm
二次方程是最简单的非线性方程，求解二次方程是人们固有的兴趣之一。提出了一种基于遗传算法求解二次方程的新方法。遗传算法（Genetic Algorithm，GAs）是一种解决优化问题的技术。用这种方法生成了试解。已经计算出了许多例子，在大多数情况下，我们找到了精确的解。我们已经讨论了不同的参数对所开发的算法的性能的影响。通过对不同方程的严格检验，得出了相应的结论。
2013-06-19 cs.NE
Synthesis of Parametric Programs using Genetic Programming and Model Checking
Bar Ilan University（巴伊兰大学）
形式化方法应用基于数学原理的算法来增强系统的可靠性。尝试从验证、模型检验或根据系统的正式规范测试系统到自动构建系统，这是很自然的。经典的算法综合理论提供了有趣的算法，但也令人震惊的高复杂性和不可判定性的结果。结合模型检验和测试，遗传编程的使用提供了一个强大的启发式综合程序。该方法不是完全自动的，因为它由设置规格和参数的用户进行微调。它也不能保证总是成功并收敛到满足所有所需属性的解决方案。然而，我们成功地将其应用于相当重要的示例，并设法找到解决方案，以应对困难的编程挑战，以及改进和纠正代码。我们在这里描述了几个版本的我们的方法合成顺序和并发系统。
2014-02-27 cs.AI cs.NE cs.SE
An efficient genetic algorithm for large-scale transmit power control of dense industrial wireless networks
工业无线局域网（IWLAN）的密度越来越大，这不仅是因为无线应用已渗透到工厂和仓库，还因为对冗余的需求不断增加，以实现强大的无线覆盖。代替以最大发射功率对所有节点通电，大规模地控制所有无线节点的发射功率成为不可避免的挑战，以便减少干扰并使覆盖适应环境中的最新阴影效应。因此，本文提出了一种有效的遗传算法（GA）来解决这个发射功率控制（TPC）问题的密集的无线局域网，命名为GATPC。有效的人口初始化，交叉和变异，并行计算，以及专门的加速措施，以定制GATPC的大规模优化，这是内在的参与这个问题。与大多数覆盖相关的优化算法无法处理恶劣的工业室内环境中普遍存在的阴影效应相比，GATPC使用考虑三维障碍物阴影效应的经验单斜率路径损耗模型，以实现准确而简单的覆盖预测。在实际工业案例中的实验验证和数值实验表明，GATPC在超大规模的可扩展性，分辨率运行时高达37倍的加速，以及实现自适应覆盖和最小化干扰的解决方案质量方面具有良好的性能。
2017-08-12 cs.NE cs.NI
A Genetic Algorithm-Based Solver for Very Large Jigsaw Puzzles
Bar-Ilan University（巴伊兰大学）；Center for Automation Research, University of Maryland（马里兰大学自动化研究中心）
在本文中，我们提出了第一个有效的自动化，遗传算法（GA）为基础的拼图求解器。我们引入了一个新的程序合并两个“父”的解决方案，以改进的“子”的解决方案，通过检测，提取，并结合正确组装的拼图片段。所提出的求解器具有最先进的性能，可以更快、更准确地解决以前尝试过的谜题，也可以解决以前从未尝试过的大小谜题。其他贡献包括创建一个以前无法使用的大型图像基准。我们分享数据集和我们所有的结果，用于未来的测试和比较评估拼图游戏解决方案。
2017-11-17 cs.CV cs.NE
Type-2 fuzzy reliability redundancy allocation problem and its solution using particle swarm optimization algorithm
South Asian University（南亚大学）
提出了一类模糊多目标可靠性冗余分配问题（FMORRAP），该问题在第2类模糊不确定性下，使系统可靠性最大化，同时使系统费用最小化.在建议的配方，高阶不确定性（如参数，制造，环境和设计师的不确定性）与系统建模与区间2型模糊集（IT 2 FS）。区间2型隶属函数（IT 2 MF）的不确定性足迹通过捕获来自多个系统专家的多个意见来容纳这些不确定性。我们考虑IT 2 MF来表示子系统的可靠性和成本，根据其配置，使用可拓原理进一步聚合以评估总系统可靠性和成本，即，串联并联和并联串联。我们提出了一种基于粒子群优化（PSO）的新的解决方法来解决FMORRAP。为了证明两个配方，即，串联并联FMORRAP和并联串联FMORRAP的适用性，我们进行了实验模拟各种数值数据集。决策者/系统专家为目标（系统可靠性和成本）分配不同的重要性，这些偏好由权重集表示。最优结果从我们的解决方案的方法，和帕累托最优前沿建立使用这些不同的权重集。实施遗传算法（GA），比较我们提出的解决方案所获得的结果。对粒子群算法和遗传算法进行了统计分析，发现基于粒子群算法的Pareto解优于遗传算法。
2020-05-02 cs.AI cs.NE math.OC
GAAF: Searching Activation Functions for Binary Neural Networks through Genetic Algorithm
Zhejiang University（浙江大学）；Pacific Northwest National Laboratory（太平洋西北国家实验室）
二进制神经网络（BNN）在边缘设备和移动系统等成本和功耗受限的领域显示出良好的应用前景。这是因为它的计算和存储需求显著减少，但代价是性能下降。为了缩小精度差距，在本文中，我们提出了一个补充激活函数（AF）之前的符号为基础的二值化，并依靠遗传算法（GA）自动搜索理想的AF。这些AF可以帮助在前向传递中从输入数据提取额外信息，同时允许在后向传递中改进梯度近似。通过我们基于遗传算法的搜索识别出了15个新的AF，而在不同的数据集和网络模型上测试时，其中大多数AF的性能都有所提高（在ImageNet上高达2.54%）。我们的方法提供了一种新的方法来设计通用和特定应用的BNN架构。我们的代码可在http://github.com/flying-Yan/GAAF上获得。
2022-06-05 cs.LG cs.NE
Accelerated Genetic Programming Hyper-Heuristics for Simulation-Based Scheduling via Agentic AI
Research Engineering Team REANNZ New Zealand；Centre for Data Science；Artificial Intelligence \& School of Engineering；Computer Science Victoria University of Wellington New Zealand
本文提出基于Claude智能体AI的系统性重构方法，用于解决Python项目调度仿真代码的运行瓶颈，使运行时间大幅缩短，年节省大量核心小时与成本。
2026-08-21 cs.AI cs.NE cs.SE
The DNA of Calabi-Yau Hypersurfaces
Cornell University（康奈尔大学）；LMU Munich（慕尼黑大学）
利用遗传算法优化弦论紧化中的轴子衰变常数和轴子-光子耦合，通过扩展二维面的精细正则三角剖分消除冗余，在最大多胞体上实现高效优化。
2026-08-04 cs.NE hep-ph hep-th
Randomness Evaluation of a Genetic Algorithm for Image Encryption: A Signal Processing Approach
本文提出了一种用于图像保密通信的分组密码的随机性评估方法。GFHT密码是一种遗传算法，它结合了基因融合（GF）和水平基因转移（HGT），两者都是从细菌的抗生素耐药性中得到的启发。对称加密密钥由四对染色体和多层随机序列组成。加密由单个块中的主要密钥代理的GF开始，然后HGT执行混淆，其中基因是像素，染色体是行和列。从图像散列值中提取的Salt用于实现一次性密码本（OTP）方案，因此一个像素的修改生成不同的加密密钥，而不改变主密码短语或密钥。因此，实现了99%的极端雪崩效应。基于随机矩阵理论、功率谱密度、雪崩效应、二维自相关、像素随机性检验和卡方假设检验的随机性评价表明，加密图像具有均匀白噪声的统计特性，实验结果验证了理论模型的正确性。与混沌遗传密码的性能比较表明了GFHT算法的优越性。
2020-08-09 cs.CR cs.NE
Model Selection and Overfitting in Genetic Programming: Empirical Study [Extended Version]
Czech Technical University in Prague（捷克布拉格技术大学）
遗传编程已经非常成功地解决了大面积的问题，但它作为一个机器学习算法的使用一直受到限制。原因之一是过拟合的问题，这不能像传统方法那样容易解决或抑制。另一个与过拟合密切相关的问题是从总体中选择最终模型。在这篇文章中，我们提出了我们的研究，解决这两个问题：过拟合和模型选择。我们比较了几种方法来处理随机抽样技术（RNN）的基础上，使用验证集，所有的模型选择的重点。我们对每种方法进行了人工和真实世界数据集的彻底测试，并将其与使用完整训练数据作为基线的标准方法进行了比较。
2015-05-04 cs.LG cs.NE
Dual-Individual Genetic Algorithm: A Dual-Individual Approach for Efficient Training of Multi-Layer Neural Networks
Soongsil University（崇实大学）
提出仅含 Leader 与 Follower 两个体的增强遗传算法，通过自适应层维度和 Pareto 排序优化二值图像分类网络，以更低成本取得高于梯度方法的训练准确率。
2025-06-10 cs.AI cs.NE
Guiding the Search Towards Failure-Inducing Test Inputs Using Support Vector Machines
本文提出 NSGA-II-SVM，利用 SVM 模型迭代引导遗传搜索聚焦可能揭示故障的测试输入区域，并在自动代客泊车系统上验证其优于现有可学习进化测试与随机搜索。
2024-01-22 cs.NE cs.SE
An efficient genetic algorithm for large-scale planning of robust industrial wireless networks
与办公室环境相比，工业室内环境对于无线通信来说是苛刻的，因为普遍存在的金属容易引起阴影效应并影响工业无线局域网（IWLAN）的可用性。一方面，它是昂贵的，耗时的，和无效的执行试错人工部署的无线节点。另一方面，现有的无线规划工具仅关注办公环境，使得由于较大的问题大小而难以规划IWLAN，并且所部署的IWLAN在恶劣的工业室内环境中容易受到普遍的阴影效应的影响。为了填补这一空白，本文提出了一个超尺寸模型和一个基于遗传算法的超尺寸（GAOD）算法部署大规模的鲁棒IWLANs。作为超越最先进的无线规划的进步，创建了两个全覆盖层。第二覆盖层在阴影的情况下用作冗余。同时，通过最小化接入点（AP）的数量来降低部署成本;最小AP间空间距离的硬约束避免了覆盖同一区域的多个AP同时被同一障碍物遮挡。在设计用于大规模优化的GAOD时，充分考虑了计算时间和内存占用。以基于贪婪启发式的超维算法（GHOD）和随机OD算法为基准。在两个具有小型和大型室内环境的车辆制造商中，GAOD的性能优于GHOD，其AP减少多达20%，而GHOD输出的AP比随机OD算法减少多达25%。最后，通过一个实际的部署系统验证了该模型和GAOD的有效性。
2017-08-12 cs.NE cs.NI
Surrogate-Assisted Genetic Programming with Phenotypic Characterisation in Dynamic Multi-Mode Project Scheduling
Victoria University of Wellington（惠灵顿维多利亚大学）
本研究针对动态多模式项目调度，提出代理辅助遗传规划结合表型特征表征，通过二进制编码与欧氏距离有效估计适应度，并控制冗余、保留多样性，提升启发式质量。
2026-09-15 cs.AI cs.NE
A Novel Machine Learning Classifier Based on Genetic Algorithms and Data Importance Reformatting
University of Bahrain（巴林大学）
提出基于数据重要性重格式化和遗传算法的GADIC分类算法，通过三阶段流程优化现有ML分类器，在多个数据集上显著提升准确率，最高平均提升达16.79%。
2024-12-17 cs.AI cs.LG cs.NE
Using Genetic Algorithms to Simulate Evolution
Sharon High School（莎伦高中）
进化论是一种理论，认为今天的植物和动物是从过去存在的物种中进化而来的。查尔斯·达尔文和阿尔弗雷德·华莱士等科学家毕生致力于观察物种如何与环境相互作用，生长和变化。我们能够预测未来的变化，以及使用遗传算法模拟的过程。遗传算法使我们有机会向环境提供多个变量和参数，并改变值以模拟不同的情况。通过优化遗传算法，以保持实体在一个环境中，我们能够分配不同的特性，如速度，大小和克隆概率的实体，以模拟真正的自然选择和进化在较短的时间内。了解物种是如何生长和进化的，使我们能够找到改进技术的方法，帮助濒临灭绝的动物生存，并弄清楚疾病是如何传播的，以及使环境不适合它们居住的可能方法。使用来自环境的数据，包括遗传算法和速度，大小和克隆百分比的参数，测试环境中的几个变化并观察物种如何在其中相互作用的能力。在测试了不同的环境与不同数量的食物，同时保持初始种群的数量在10个实体，它被发现，一个环境与稀缺的食物量是不可持续的小和缓慢的实体。所有的环境都在加速，但食物更丰富的环境，可以让生命体存活整整50代，人口也会大幅增长。
2022-09-14 cs.AI cs.NE
Genetic Programming for Evolving a Front of Interpretable Models for Data Visualisation
Victoria University of Wellington（惠灵顿维多利亚大学）
数据可视化是数据采掘中理解大数据集的关键工具。已经提出了许多可视化方法，包括广受好评的最先进的方法t-分布式随机邻域嵌入。然而，最强大的可视化方法有一个显著的局限性：它们从数据集的原始特征创建可视化的方式是完全不透明的。许多领域需要对数据的原始特征进行理解;因此需要使用可理解模型的强大可视化方法。在这项工作中，我们提出了一个遗传编程的方法命名为GPtSNE的可解释的映射从一个数据集发展到高质量的可视化。设计了一种多目标方法，该方法在单次运行中产生各种可视化，从而在视觉质量和模型复杂性之间进行不同的权衡。在各种数据集上对基线方法进行的测试表明，GP-tSNE具有明显的潜力，可以比现有的可视化方法更深入地了解数据。我们通过对候选前沿的深入分析进一步强调了多目标方法的好处，这表明多个模型可以
2020-01-27 cs.CV cs.NE
Evolving Character-Level DenseNet Architectures using Genetic Programming
Victoria University of Wellington（惠灵顿维多利亚大学）
DenseNet架构在图像分类任务中表现出令人印象深刻的性能，但在使用字符级DenseNet（char-DenseNet）架构进行文本分类任务方面的研究有限。目前尚不清楚什么DenseNet架构最适合文本分类任务。char-DenseNets的设计，训练和测试的迭代任务是一个NP难题，需要专家领域知识。进化深度学习（EDL）已被用于自动设计用于图像分类领域的CNN架构，从而减少对专业领域知识的需求。这项研究展示了使用EDL来发展用于文本分类任务的char-DenseNet架构的第一项工作。一种新的遗传编程为基础的算法（GP-Dense）加上一个间接的编码方案，促进了性能的字符DenseNet架构的演变。该算法在两个流行的文本数据集上进行评估，最佳进化模型与四个当前最先进的字符级CNN和DenseNet模型进行基准测试。结果表明，该算法为两个数据集演化出性能模型，在模型精度方面优于两个最先进的模型，在参数大小方面优于三个最先进的模型。
2020-12-03 cs.CL cs.LG cs.NE
