针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA...针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA)。采用Logistic-Tent映射初始化浣熊种群,提升算法初始搜索空间覆盖度,生成更加分散且高质量的初始解;引入莱维飞行策略,利用其长跳跃特性,增强算法的全局搜索能力,有效避免算法陷入局部最优;利用非线性递减惯性权重提高种群的适应性与搜索效率,平衡全局搜索和局部搜索能力,并通过黄金正弦策略提高种群收敛精度。在基准测试函数上进行对比仿真试验,结果表明NACOA具有更好的收敛速度和寻优精度。将NACOA应用到工程问题设计中,证明了该算法的有效性和实用性。展开更多
针对符号执行路径爆炸问题,设计一种基于主动学习引导的符号执行路径探索策略(path exploration strategy for symbolic execution based on active learning,ALS)。预测待测状态池中所有状态奖励值,自动标注预测准确的高奖励值状态,反...针对符号执行路径爆炸问题,设计一种基于主动学习引导的符号执行路径探索策略(path exploration strategy for symbolic execution based on active learning,ALS)。预测待测状态池中所有状态奖励值,自动标注预测准确的高奖励值状态,反馈给模型以更新预测模型;根据模型性能和预测精度判断是否进入下一轮测试;最后一轮模型更新结束后,部分预测模型将自动进行迭代训练,生成多个子模型,共同用于符号执行的路径探索。试验结果表明,在相同试验条件下,ALS相较其他基线方法往往能够实现更高代码覆盖和分支覆盖率,发现更多未定义行为违规数和真实世界程序漏洞,且其生成测试用例质量较高,用作模糊测试初始种子能发现更多程序路径。展开更多
文摘针对浣熊优化算法(coati optimization algorithm,COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题,提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation,NACOA)。采用Logistic-Tent映射初始化浣熊种群,提升算法初始搜索空间覆盖度,生成更加分散且高质量的初始解;引入莱维飞行策略,利用其长跳跃特性,增强算法的全局搜索能力,有效避免算法陷入局部最优;利用非线性递减惯性权重提高种群的适应性与搜索效率,平衡全局搜索和局部搜索能力,并通过黄金正弦策略提高种群收敛精度。在基准测试函数上进行对比仿真试验,结果表明NACOA具有更好的收敛速度和寻优精度。将NACOA应用到工程问题设计中,证明了该算法的有效性和实用性。
文摘针对符号执行路径爆炸问题,设计一种基于主动学习引导的符号执行路径探索策略(path exploration strategy for symbolic execution based on active learning,ALS)。预测待测状态池中所有状态奖励值,自动标注预测准确的高奖励值状态,反馈给模型以更新预测模型;根据模型性能和预测精度判断是否进入下一轮测试;最后一轮模型更新结束后,部分预测模型将自动进行迭代训练,生成多个子模型,共同用于符号执行的路径探索。试验结果表明,在相同试验条件下,ALS相较其他基线方法往往能够实现更高代码覆盖和分支覆盖率,发现更多未定义行为违规数和真实世界程序漏洞,且其生成测试用例质量较高,用作模糊测试初始种子能发现更多程序路径。
