12、基于链接学习交叉的测试用例选择

基于链接学习交叉的测试用例选择

1. 背景与相关算法

在测试环境中，NSGA - II 是测试用例选择（TCS）中最常用的多目标进化算法（MOEAs）。然而，简单变异算子的进化算法（EAs）在处理高变量组合问题时表现不佳，因为 EAs 的有效性很大程度上取决于混合和保留良好部分解的能力。

为了改进 EAs 的可扩展性，先前的研究提出了利用链接信息的变异算子。链接信息可以通过多种技术推断，如贝叶斯网络、依赖结构矩阵和层次聚类。

Gene - pool Optimal Mixing Evolutionary Algorithm（GOMEA）是最新的基于链接的进化算法之一。它使用层次聚类学习链接树结构，并利用这些信息创建新解。具体步骤如下：
1. 推断链接树 ：在每一代中，GOMEA 使用 UPGMA 算法推断链接树。UPGMA 是一种自下而上的方法，基于基因（问题变量）的相似性进行聚类，相似性通过归一化互信息计算。
2. 生成 Family Of Subsets（FOS） ：UPGMA 的结果是一个链接结构，即 FOS。FOS 是一个集合，其中每个子集表示一组链接在一起的基因索引。
3. 创建新解 ：GOMEA 通过迭代地将每个子集应用到父个体上，并仅接受严格改善适应度函数的更改来创建新解。

不过，GOMEA 存在一些局限性。它不是为多目标问题（如 TCS）设计的，并且使用计算昂贵的局部搜索启发式方法，通过多次适应度评估尝试所有可能的链接结构。

2. L2 - NSGA 算法介绍