基于云模型的智能计算策略研究

论文摘要

自然界以及人类社会中存在着大量的不确定性事物，如何表示和处理这些不确定的事物，一直是科学界的一个瓶颈。不确定性中主要包括随机性和模糊性两个方面。针对概率论和模糊集合理论在处理不确定性知识上的不足，我国学者李德毅教授提出了云模型的概念。云模型是将随机性和模糊性进行有机结合来处理和分析不确定性的新理论，其主要内容包括云模型的定义、数字特征、云发生器、虚拟云、云变换和云的不确定性推理等。云模型是将自然语言中的定性概念和定量表示之间进行互相转化的不确定模型，它在处理知识的不确定性方面的优良特性，使得在短短十几年的时间里，云模型理论及其应用的研究正逐渐成为一个研究热点。但目前国内外对云理论的研究和应用还处于初级阶段，尚不成熟和完善。本文在分析和总结已有理论和研究现状的基础上，对云模型的相关理论进行了更深入的探讨，并将云模型应用到了新的领域，提出了新方法，拓展了云模型的应用范围。本文主要对云模型在时间序列相似性度量和软件测试数据自动生成两个方面进行了研究：(1)云模型在时间序列相似性度量中的应用。主要是利用云模型在定性知识表示中的优良特性来定性描述时间序列在宏观上的特征，针对时间序列至关重要的趋势信息，增加子序列的概要信息作为时间序列局部的趋势变化的描述，结合这两方面的信息进行相似性度量，通过实验验证了云模型在时间序列相似性度量上的有效性。(2)云模型在软件测试数据自动生成中的应用。主要是利用了云模型在定性知识表示和定性定量转化中的优良特性在进化计算领域应用中的优越性来自动生成软件测试数据。根据测试数据自动生成的要求，结合基于云模型的进化算法的特点，把该进化算法应用到软件测试数据自动生成中，选择并构造了合适的适应值函数，实现了测试数据的自动生成。最后将该算法与其它方法进行对比实验，结果表明该算法在生成测试数据的高效性以及稳定性上都具有明显的优越性。最后总结了整个论文研究工作的成果以及存在的不足，并展望了云模型在时间序列相似性度量和软件测试数据自动生成中需要进一步研究的方向。

论文目录

• 中文摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景
• 1.2 课题意义
• 1.3 国内外研究现状
• 1.4 本课题主要工作
• 1.5 论文结构
• 第二章 云模型相关理论
• 2.1 云模型基本概念
• 2.1.1 云和云滴
• 2.1.2 云模型的数字特征
• 2.1.3 3En 规则
• 2.2 正态云的普适性
• 2.3 正态云发生器（简称云发生器）
• 2.4 小结
• 第三章 云模型在时间序列相似性度量上的应用
• 3.1 时间序列分析
• 3.1.1 时间序列的模式表示
• 3.1.1.1 频域表示法
• 3.1.1.2 符号表示法
• 3.1.1.3 奇异值表示法
• 3.1.1.4 分段线性表示法
• 3.1.2 时间序列的相似性度量
• 3.2 常用的时间序列相似性度量方法
• 3.2.1 欧氏距离
• 3.2.2 动态时间弯曲
• 3.2.3 基于形态的相似度量
• 3.3 相似性度量问题的讨论
• 3.4 基于云模型的相似性度量方法
• 3.5 实验
• 3.5.1 命中率实验
• 3.5.1.1 采用高速公路行车数据进行验证实验
• 3.5.1.2 采用 UCR 时间序列数据集进行验证实验
• 3.5.2 最匹配效果实验
• 3.5.3 基于云模型的时间序列相似性度量的讨论
• 3.6 小结
• 第四章 云模型在软件测试数据自动生成上的应用
• 4.1 软件测试数据自动生成研究意义和研究现状
• 4.2 软件测试数据自动生成策略
• 4.2.1 随机法
• 4.2.2 静态法
• 4.2.3 动态法
• 4.3 基于云模型的进化算法
• 4.4 云模型与软件测试数据自动生成的结合
• 4.4.1 适应值函数的构造
• 4.4.2 基于云模型的测试数据生成算法
• 4.5 实验
• 4.5.1 生成等边三角形结构测试用例
• 4.5.2 生成直角三角形结构测试用例
• 4.6 小结
• 结论与展望
• 参考文献
• 致谢
• 个人简历及在学校期间的研究成果及发表的学术论文