CN110334026B - 基于cs-spso算法的组合测试用例生成方法 - Google Patents
基于cs-spso算法的组合测试用例生成方法 Download PDFInfo
- Publication number
- CN110334026B CN110334026B CN201910596404.4A CN201910596404A CN110334026B CN 110334026 B CN110334026 B CN 110334026B CN 201910596404 A CN201910596404 A CN 201910596404A CN 110334026 B CN110334026 B CN 110334026B
- Authority
- CN
- China
- Prior art keywords
- test case
- combined
- algorithm
- optimal
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CS‑SPSO算法的组合测试用例生成方法,属于软件测试领域。本发明包括:通过约束分析获得需覆盖的组合集;将取值最多的两个因素进行组合并进行约束分析得到最后的组合;根据类IPO策略确定其余元素的所有组合;将组合分为N个小种群,利用简化粒子群对这N个小种群进行局部搜索,充分发挥简化粒子群局部搜索的优势;再将得到的N个最优粒子作为布谷鸟算法的初始值进行深度优化,生成单条测试用例。位置更新时使用反射墙策略对粒子位置进行边界处理,防止飞出有效的搜索空间。本发明可适用于不同覆盖强度的覆盖表,有效缩减了组合测试用例集的规模,并大幅度提升了组合测试用例的生成效率。
Description
技术领域
本发明属于软件测试领域,具体涉及一种基于CS-SPSO算法的组合测试用例生成方法。
背景技术
软件测试是软件生命周期的一个重要过程,随着软件规模的扩大和复杂度的不断增加,测试将无法做到100%的覆盖,那么选择一个合理且高效的测试方法是节约测试成本以及提高软件质量的关键。组合测试作为一种基于规约的测试方法,具有用例规模小、检错能力强的特点,能够以较低的成本完成相应的测试工作。
粒子群算法作为一种比较新的启发式搜索算法,具有参数设置少、执行速度快、易实现等特点。目前,许多学者对粒子群算法用于生成组合测试用例集的方法进行研究,但是粒子群算法存在极易陷入局部最优的缺点。而布谷鸟算法具有参数少,模型简单,全局搜索能力强,但是收敛速度不快且后期进化种群多样性差的特点。
因此,针对上述问题,本发明提出了一种基于CS-SPSO算法的组合测试用例生成方法。将简化粒子群算法和布谷鸟算法相结合生成CS-SPSO算法,该算法能有效的结合两个算法的优点,避免陷入局部最优且快速找到全局最优解,再将CS-SPSO算法和类IPO相结合,提出一种可以组合测试用例生成方法。该算法在用例规模和时间成本上具有一定的优势。
发明内容
本发明的目的是对标准粒子群算法进行改进,排除了速度因素对粒子优化的影响,加快了运算速度,将简化粒子群算法(simple particle swarm optimization,简称SPSO)与布谷鸟算法(Cuckoo Search,缩写CS)相结合,形成一种CS-SPSO算法,提供了一种基于CS-SPSO算法的组合测试用例生成方法。
定义:
测试用例--假设一个待测软件系统(SUT)受到n个独立因素的影响,这些因素形成一个有限集合F={f1,f2,…,fk},其中第i个因素fi拥有li个可选取值,则其对应的有效取值集可表示为Di={1,2,…,li}。那么,可以称n元组T=(x1,x2,…,xn)其中(x1∈D1,x2∈D2,…,xn∈Dn)为SUT的一条测试用例。
类IPO策略:在组合测试用例生成问题中,经过王子元等人的研究对比可知,类IPO策略比one-test-at-a-time策略更胜一筹。组合问题已经被证实是一个NP-C问题,在使用类IPO策略时,只能考虑使用多项式时间生成近似最优的组合测试用例,因此可将该策略与CS-SPSO策略相结合生成组合测试用例集。
CS-SPSO算法则为简化粒子群算法和布谷鸟算法的结合。将初始种群划分为n个小种群,每个小种群并行进行简化粒子群算法操作,得到n个最优粒子,将其作为布谷鸟算法的初始鸟巢位置,经过布谷鸟算法得到一个最优解。
本发明解决其技术问题所采用的技术方案具体如下:
1.对输入空间进行建模,获取各因素及其取值范围;
2.通过对约束条件分析,获取需覆盖的n个因素的取值组合,即组合覆盖集S;
3.根据n个因素中包含的取值范围个数对n个因素进行非递增排序,按照排序最靠前的两个因素的取值进行组合并进行约束条件的分析,得到两两组合集S′,其中两两组合集S′中包含了若干个两两组合;
4.从S′中随机取出一个两两组合s′,将剩余的n-2个因素与s′生成的所有组合映射成粒子,初始化每个粒子的位置矢量Xi,并分成N个等大的小种群,各小种群在各自所在的领域并行寻优;
5.每个小种群并行计算适应度函数,得到每个粒子的适应值;
6.更新每个粒子的最佳位置pi和整个种群的最佳位置pg,根据粒子与当前最优粒子之间的距离对惯性权重w进行自适应调整,寻找个体最优解和群体最优解,直到达到预设的最大迭代次数;
7.将N个小种群的群体最优解作为布谷鸟算法的初始值,通过Lévy飞行计算出全局最优解,生成单条测试用例;
8.将步骤7生成的单条测试用例存入组合测试用例集TS中,并从组合覆盖集S中剔除已覆盖的组合,得到新的组合覆盖集S(t+1),从两两组合集S′中剔除两两组合s′,得到新的两两组合集S′(t+1);
9.判断两两组合集S′(t+1)是否为空,若否,重复步骤4~8,若是,执行步骤10;
10.判断组合覆盖集S(t+1)是否为空,若是,输出组合测试用例集TS,若否,则随机取出组合覆盖集S(t+1)中的一个取值组合,重复步骤4~9。
进一步的,所述的步骤6具体为:
第i个粒子在第t代时用一个位置指标来描述: 为d维向量,速度变量经过公式推导可忽略;第i个粒子搜索至第t代时的个体历史最优位置为pi=(pi1,pi2,…,pij,…,pid),搜索至第t代时的整个粒子群的历史最优位置为pg=(pg1,pg2,…,pgd),则在第t+1代时,第i个粒子的第j维位置的迭代更新公式如下:
其中,w为惯性权重,对下次移动产生影响,c1和c2为学习因子,r1和r2为[0,1]内的随机数;
w的更新公式如下:
进一步的,所述的步骤7具体为:
7.1将N个小种群各自的历史最优位置pg作为初始鸟巢位置xi;
7.2计算鸟巢位置的适应值fitness(xi)并记录当前最优解,其返回值为鸟巢位置xi在组合覆盖集S中所能覆盖的取值组合的数目;
L~u=t-λ(1<λ≤3)
宿主鸟以一定概率Pa发现外来鸟后重建巢的位置路径,新建的鸟巢的位置公式为:
7.4重复步骤7.2-7.3,直到达到预设的最大迭代次数,返回最优鸟巢位置gBest。
进一步的,所述的步骤8具体为:
8.1更新组合测试用例集TS(t+1)=TS(t)∪{gBest};
8.2计算最优鸟巢gBest所包含的组合s,剔除已覆盖的组合,得到新的组合覆盖集S(t+1)=S(t)-s;
8.3从两两组合集S′中剔除两两组合s′,得到新的两两组合集S′(t+1)=S′(t)-s′。
本发明的有益效果:
本发明考虑了过多干扰参数对算法的优化影响,因此简化了速度这一不必要因素。本文提出的基于改进粒子群算法的布谷鸟搜索优化算法(CS-SPSO)是基于SPSO与CS的混合算法,它保持了SPSO的搜索能力且通过种群划分增加了种群多样性,也继承了CS算法的强全局搜索能力,提高了算法的优化能力也且有效克服了粒子群算法易陷入局部最优的缺陷。经过实验表明,基于CS-SPSO算法在用例规模和时间成本上有一定的优势。
附图说明
图1是改进的类IPO策略的流程图;
图2是CS-SPSO算法的流程图;
图3是本发明基于CS-SPSO算法的组合测试用例生成方法的总体流程图。
具体实施方式
下面结合附图并通过具体实施方式来进一步描述本发明。
如图1~3所示,本发明所述的组合测试用例生成方法,将类IPO策略与CS-SPSO算法相结合,用于组合测试用例生成,包括如下步骤:
步骤1:分析实际问题,计算因素个数n以及每个因素的取值范围Di={1,2,…,li},并通过分析约束条件,获取组合覆盖集S。
步骤2:根据n个因素中包含的取值范围个数对n个因素进行非递增排序,如果遇到个数相等的情况下,进行随机排序。按照排序最靠前的两个因素的取值进行组合并进行约束条件的分析,得到两两组合集S′,其中两两组合集S′中包含了若干个两两组合。
步骤3:从两两组合集S′中随机取出一个两两组合s′,将剩余的n-2个因素与s′生成的所有组合映射成粒子,将s′作为输入值,组合s′可对应于一条仅有部分取值确定的测试用例,采用CS-SPSO算法给缺省的参数选取合适的取值,返回最优鸟巢位置gBest,得到覆盖组合数量最多的单条测试用例,存入组合测试用例集TS中,更新组合测试用例集TS(t+1),具体步骤为:
步骤3.1:设定种群大小为m,初始化每个粒子的位置矢量Xi,并将种群分为N个等大的小种群;
步骤3.2:每个小种群并行计算每个粒子的适应值fitness(Xi);
步骤3.3:更新每个粒子i目前为止的自身最佳位置pi和整个种群的最佳位置pg,根据适应值来确定,适应值越高则粒子越优;
步骤3.4:根据粒子的优劣对惯性权重进行自适应调整,以粒子与当前最优粒子之间的距离作为粒子优劣的评价标准;
步骤3.5:根据下述公式更新每个粒子的位置,
其中,w为惯性权重,对下次移动产生影响,c1和c2为学习因子,r1和r2为[0,1]内的随机数;
步骤3.6:重复步骤3.2~3.5,直到达到预设的最大迭代次数,返回最优粒子pg;
步骤3.7:将N个小种群各自的历史最优位置pg作为初始鸟巢位置xi;
步骤3.8:计算每个鸟巢位置的适应值fitness(xi)并记录当前最优解,其返回值为鸟巢位置xi在组合覆盖集S中所能覆盖的组合数目;
步骤3.9:更新当前最优鸟巢位置gBest;
L~u=t-λ(1<λ≤3)
宿主鸟以一定概率Pa发现外来鸟后重建窝的位置路径,这个路径采用随机方式,所以新建的鸟巢的位置公式为:
步骤3.11:重复步骤3.8~3.10,直到达到预设的最大迭代次数,返回最优鸟巢位置gBest,更新组合测试用例集TS(t+1)=TS(t)∪{gBest}。
步骤4:计算最优鸟巢gBest所包含的组合s,剔除已覆盖的组合,得到新的组合覆盖集S(t+1)=S(t)-s,且在两两组合集S′中剔除s′组合,得到新的两两组合集S′(t+1)=S′(t)-s′。
步骤5:重复步骤3~4,直到两两组合集S′为空。
步骤6:如果集合S′为空,而组合覆盖集S不为空,则在组合覆盖集S中取任意组合重复步骤3~4,直到组合覆盖集S为空。
为了验证本发明的有效性,将在mac操作系统上的Idea工具上,采用Java(JDK1.8)语言编程实现CS-SPSO算法与基本的PSO算法进行对比。本文采用10个具有代表性、复杂程度不同且组合维度不同的实例(见表1)进行实验分析,其中有覆盖矩阵(CA)和混合覆盖矩阵(MCA)各5组。
表1实验采用的10个覆盖表
为了规避CS-SPSO算法执行过程中随机因素对结果产生的影响,故对每组实例独立运行20次取平均值作为实验的对比数据。算法的参数设置为:种群大小m=100,迭代次数NCmax=500,学习因子c1=c2=2,r1和r2是[0,1]内的随机数,wmax=0.9,wmin=0.4,Pa=0.25。
表2 PSO和CS-SPSO算法的比较
表2是从测试用例集规模和算法运行时间这两个方面对不同算法进行比较。从用例规模上看,除了覆盖表CA1、MCA9以外,基于CS-SPSO算法在总体用例规模上都优于基本的PSO算法。在因素的取值个数较多或t-way维度比较高的覆盖表中,其优势更加明显,例如CA5、MCA10等,经对比可发现本发明提出的CS-SPSO算法对缩减测试用例集规模有一定的效果。
从时间性能上看,不考虑CA1、MCA9这些规模不占优势的覆盖表,CS-PSO相较于PSO算法具有一定优势,尤其在CA5、MCA10这些维度比较高的覆盖表上其优势更加明显。由此可见,本发明提出的CS-SPSO算法可有效缩减执行时间。
综上所述,本发明提出的基于改进粒子群算法的布谷鸟搜索优化算法相较于PSO算法,在因素的取值个数较多或t-way维度比较高的情况下,生成测试用例集规模和算法执行时间上具有一定的优势。
Claims (3)
1.一种基于CS-SPSO算法的组合测试用例生成方法,其特征在于包括如下步骤:
(1)对输入空间进行建模,获取各因素及其取值范围;
(2)通过对约束条件分析,获取需覆盖的n个因素的取值组合,即组合覆盖集S;
(3)根据n个因素中包含的取值范围个数对n个因素进行非递增排序,按照排序最靠前的两个因素的取值进行组合并进行约束条件的分析,得到两两组合集S′,其中两两组合集S′中包含了若干个两两组合;
(4)从S′中随机取出一个两两组合s′,将剩余的n-2个因素与s′生成的所有组合映射成粒子,初始化每个粒子的位置矢量Xi,并分成N个等大的小种群,各小种群在各自所在的领域并行寻优;
(5)每个小种群并行计算适应度函数,得到每个粒子的适应值;
(6)更新每个粒子的最佳位置pi和整个种群的最佳位置pg,根据粒子与当前最优粒子之间的距离对惯性权重w进行自适应调整,寻找个体最优解和群体最优解,直到达到预设的最大迭代次数;
所述的步骤(6)具体为:
第i个粒子在第t代时用一个位置指标来描述: 为d维向量;第i个粒子搜索至第t代时的个体历史最优位置为pi=(pi1,pi2,…,pij,…,pid),搜索至第t代时的整个粒子群的历史最优位置为pg=(pg1,pg2,…,pgd),则在第t+1代时,第i个粒子的第j维位置的迭代更新公式如下:
其中,w为惯性权重,对下次移动产生影响,c1和c2为学习因子,r1和r2为[0,1]内的随机数;
w的更新公式如下:
(7)将N个小种群的群体最优解作为布谷鸟算法的初始值,通过Lévy飞行计算出全局最优解,生成单条测试用例;
(8)将步骤(7)生成的单条测试用例存入组合测试用例集TS中,并从组合覆盖集S中剔除已覆盖的组合,得到新的组合覆盖集S(t+1),从两两组合集S′中剔除两两组合s′,得到新的两两组合集S′(t+1);
(9)判断两两组合集S′(t+1)是否为空,若否,重复步骤(4)~(8),若是,执行步骤(10);
(10)判断组合覆盖集S(t+1)是否为空,若是,输出组合测试用例集TS,若否,则随机取出组合覆盖集S(t+1)中的一个取值组合,重复步骤(4)~(9)。
2.根据权利要求1所述的基于CS-SPSO算法的组合测试用例生成方法,其特征在于所述的步骤(7)具体为:
(7.1)将N个小种群各自的历史最优位置pg作为初始鸟巢位置xi;
(7.2)计算鸟巢位置的适应值fitness(xi)并记录当前最优解,其返回值为鸟巢位置xi在组合覆盖集S中所能覆盖的取值组合的数目;
L~u=t-λ(1<λ≤3)
宿主鸟以一定概率Pa发现外来鸟后重建巢的位置路径,新建的鸟巢的位置公式为:
(7.4)重复步骤(7.2)-(7.3),直到达到预设的最大迭代次数,返回最优鸟巢位置gBest。
3.根据权利要求1所述的基于CS-SPSO算法的组合测试用例生成方法,其特征在于所述的步骤(8)具体为:
(8.1)更新组合测试用例集TS(t+1)=TS(t)∪{gBest};
(8.2)计算最优鸟巢位置 gBest所包含的组合s,剔除已覆盖的组合,得到新的组合覆盖集S(t+1)=S(t)-s;
(8.3)从两两组合集S′中剔除两两组合s′,得到新的两两组合集S′(t+1)=S′(t)-s′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596404.4A CN110334026B (zh) | 2019-07-03 | 2019-07-03 | 基于cs-spso算法的组合测试用例生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910596404.4A CN110334026B (zh) | 2019-07-03 | 2019-07-03 | 基于cs-spso算法的组合测试用例生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334026A CN110334026A (zh) | 2019-10-15 |
CN110334026B true CN110334026B (zh) | 2023-03-24 |
Family
ID=68142925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910596404.4A Active CN110334026B (zh) | 2019-07-03 | 2019-07-03 | 基于cs-spso算法的组合测试用例生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334026B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385980B (zh) * | 2020-05-19 | 2022-06-14 | 桂林智慧产业园有限公司 | 一种基于粒子群的pcb板贴片方法 |
CN113076250B (zh) * | 2021-04-14 | 2023-08-25 | 南京大学 | 带约束测试模型的动态随机测试方法、装置、存储介质 |
CN113377646B (zh) * | 2021-05-20 | 2023-11-14 | 山东科技大学 | 一种基于粒子群算法的数据流测试用例自动生成方法 |
CN114579435B (zh) * | 2022-02-23 | 2024-05-28 | 南京信息工程大学 | 一种软件测试用例的生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135937A (zh) * | 2011-03-15 | 2011-07-27 | 西安邮电学院 | 一种两两覆盖组合软件测试用例集生成方法 |
CN106598849A (zh) * | 2016-12-03 | 2017-04-26 | 浙江理工大学 | 一种基于ap‑pso算法的组合测试用例生成方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108376116A (zh) * | 2018-01-31 | 2018-08-07 | 浙江理工大学 | 基于改进粒子群算法的测试用例生成方法 |
CN108520284A (zh) * | 2018-04-17 | 2018-09-11 | 桂林电子科技大学 | 一种改进的谱聚类及并行化方法 |
-
2019
- 2019-07-03 CN CN201910596404.4A patent/CN110334026B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102135937A (zh) * | 2011-03-15 | 2011-07-27 | 西安邮电学院 | 一种两两覆盖组合软件测试用例集生成方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN106598849A (zh) * | 2016-12-03 | 2017-04-26 | 浙江理工大学 | 一种基于ap‑pso算法的组合测试用例生成方法 |
CN108376116A (zh) * | 2018-01-31 | 2018-08-07 | 浙江理工大学 | 基于改进粒子群算法的测试用例生成方法 |
CN108520284A (zh) * | 2018-04-17 | 2018-09-11 | 桂林电子科技大学 | 一种改进的谱聚类及并行化方法 |
Non-Patent Citations (2)
Title |
---|
《一种更简化而高效的粒子群优化算法》;胡旺等;《软件学报》;20070521;第4卷(第18期);861-868 * |
《温度作用下基于粒子群-布谷鸟混合算法的结构损伤识别研究》;程劭熙;《万方数据硕士论文》;20190408;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110334026A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334026B (zh) | 基于cs-spso算法的组合测试用例生成方法 | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN108596212B (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
CN110515845B (zh) | 基于改进ipo策略的组合测试用例优化生成方法 | |
Oksuz et al. | Rank & sort loss for object detection and instance segmentation | |
CN106598849B (zh) | 一种基于ap-pso算法的组合测试用例生成方法 | |
CN111241778B (zh) | 一种基于机器学习的fpga自动调参优化方法及系统 | |
KR20110096236A (ko) | 클러스터 간 상호정보를 이용한 클러스터링 장치 및 방법 | |
CN110599068A (zh) | 一种基于粒子群优化算法的云资源调度方法 | |
CN117271143B (zh) | 一种数据中心优化节能调度方法及系统 | |
Nguyen et al. | PSO and statistical clustering for feature selection: A new representation | |
Risso et al. | Channel-wise mixed-precision assignment for dnn inference on constrained edge nodes | |
CN113128617B (zh) | 基于Spark和ASPSO的并行化K-means的优化方法 | |
CN114783215B (zh) | 无人机分簇方法、装置和电子设备 | |
CN106354633A (zh) | 基于算法插件的任务调度表生成方法 | |
Azizi et al. | Sensitivity-Aware Mixed-Precision Quantization and Width Optimization of Deep Neural Networks Through Cluster-Based Tree-Structured Parzen Estimation | |
CN116185817A (zh) | 一种软件缺陷预测规则的筛选方法及系统 | |
CN114117876A (zh) | 基于改进哈里斯鹰算法的特征选择方法 | |
Kong et al. | HACScale: Hardware-aware compound scaling for resource-efficient DNNs | |
CN111866914A (zh) | 一种5g网络中大规模物联网工作节点配置方法 | |
CN116757243B (zh) | 基于混沌Levy多目标烟花算法的多任务分配方法 | |
CN117850367B (zh) | 一种基于多生产线的vmd分解与生产线优化系统 | |
CN115099118B (zh) | 基于nsgaⅲ的高维多目标联合并行仿真优化方法 | |
CN114066099B (zh) | 一种基于改进鸡群算法的圆形件卷材排样优化方法 | |
Sun et al. | Dynamic population size based particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |