企业官网建设流程全解析

什么行业做网站多,档案馆网站建设,关键帧,wordpress 十万条信息摘 要 随着信息技术的快速发展和信息社会的变化#xff0c;设备越来越先进#xff0c;设备升级速度很快。在这种情况下#xff0c;测试程序变得尤为重要#xff0c;因为它在确保程序和整个开发过程的质量方面发挥着独立的作用。 在本节中#xff0c;首先开发了一种基于遗…摘 要随着信息技术的快速发展和信息社会的变化设备越来越先进设备升级速度很快。在这种情况下测试程序变得尤为重要因为它在确保程序和整个开发过程的质量方面发挥着独立的作用。在本节中首先开发了一种基于遗传算法的简单测试方法。更简单的测试平板电脑有一个稍微简单的功能。传统的绿色政策和全面的规划过程需要大量的绩效和时间难以实现全部成果。为了解决这个问题本文选择了一种具有全局搜索引擎且可以组合的通用算法。对于在重复开始时可能坚持局部最佳的算法以及人群中的受试者相似但在重复的最后阶段没有聚集的问题增加了改变解决方案的方向程度。根据其能力使用了各种校正来区分完美解和不完整解。在测试站的简单模拟中选择两个与目标值非常兼容的代码并对后续的交叉突变使用调整控制。通过在一般和特定测试用例中使用控制规则进行实验证明了在更简单的测试用例中优于遗传规则。关键词遗传算法测试用例优化贪心策略AbstractWith the rapid development of information technology and changes in the information society, equipment is becoming increasingly advanced and upgrading speed is fast. In this situation, the testing program becomes particularly important as it plays an independent role in ensuring the quality of the program and the entire development process.In this section, a simple testing method based on genetic algorithm was first developed. A simpler test tablet has a slightly simpler feature. Traditional green policies and comprehensive planning processes require significant performance and time, making it difficult to achieve all outcomes. To solve this problem, this article chooses a universal algorithm with a global search engine that can be combined. For algorithms that may adhere to local optima at the beginning of repetition, as well as problems where subjects in the population are similar but do not aggregate in the final stage of repetition, the degree of changing the direction of the solution is increased. Based on its ability, various corrections were used to distinguish between perfect and incomplete solutions. Select two codes that are highly compatible with the target values in a simple simulation of the testing station, and use adjustment control for subsequent crossover mutations. By conducting experiments using control rules in both general and specific test cases, it has been demonstrated that genetic rules are superior in simpler test cases.Key Words: Genetic algorithm, test case optimization, greedy strategy目 录第 1 章 绪论 11.1 研究背景及意义 11.2 国内外研究现状 11.2.1 国外研究现状 11.2.2 国内研究现状 21.3 主要研究内容 31.4 本文内容组织 3第 2 章 关键技术介绍 52.1 引言 52.2 软件测试 52.3 遗传算法 62.4 遗传算法技术在软件测试中的应用 72.5 本章小结 8第 3 章 一种基于自适应算子遗传算法实现与分析 93.1 引言 93.2 基于自适应算子遗传算法的模型 93.3 算法整体流程 10第 4 章 基于贪心策略的算法改进 124.1 引言 124.2 基于贪心策略的改进算法 124.3 算法整体流程 15第 5 章 混合贪心遗传算法算法在某无人机平台管理系统的应用 185.1 引言 185.2 研究背景 185.3 研究方法 185.4 实验数据 195.5 研究结果和讨论 20第 6 章 总结与展望 236.1 总结 236.2 展望 23参考文献 25致 谢 26第 1 章 绪论1.1研究背景及意义随着计算机技术和软件设计技术的快速发展计算机应用软件的范围和复杂性都在增加。同时随着时间和市场的压力主要问题是软件的质量和可靠性越来越低。软件测试作为提高软件质量和可靠性的重要手段旨在检测软件中迄今为止未发现的缺陷减少软件中的潜在错误并确保软件投入使用后故障的可能性降至最低。测试用例的设计和生成在软件测试中起着关键作用。遗传算法作为一种模拟生物进化的新型随机优化方法在组合优化领域得到了十多年的广泛应用和研究。测试用例质量的改进和优化是一个非线性优化问题可以用遗传算法有效地解决。遗传算法是一种受生物世界中自然选择机制、自然遗传机制和进化机制启发的优化算法。它是一个模拟达尔文遗传选择和自然淘汰的生物进化过程的计算机模型。它是由美国密歇根大学开发的。近年来越来越多的人了解遗传算法并将其应用于机器学习、模式识别、图像处理、神经网络、工业优化控制和社会科学等各个领域。由于遗传算法的一般搜索策略和优化计算不基于梯度信息因此它们特别适用于处理传统搜索方法难以解决的高度复杂的非线性问题。1.2国内外研究现状1.2.1国外研究现状20世纪90年代初之后科学家们开始将一些人工智能算法引入测试用例生成领域。例如遗传算法、蚁群算法、免疫算法、发光算法。由于其独特的优势这些智能算法在该领域得到了广泛的应用并取得了显著的研究成果。遗传算法GA是一种随机搜索方法它是从生物世界的进化规律适者生存的遗传机制进化而来的。它是由美国J.Holland教授于1975年首次提出的。自20世纪90年代以来遗传算法经常被用于软件测试用例的自动生成从而产生了各种研究成果。Bueno和JinolLin和Yeh使用遗传算法生成路径覆盖的测试用例。莫赫布。Gilgis将遗传算法应用于数据流测试Susan Khor等人将遗传算法引入了自动生成商店覆盖率测试数据的领域Moataza Ahmed提出了一种基于遗传算法的数据生成软件测试模型并取得了显著的研究成果MarkLast等人改进了文献中的简单遗传算法并将改进的遗传算法应用于黑盒测试过程中以获得对测试用例生成的控制在减少不必要的测试用例数量的同时他们增加了更容易检测程序错误的测试用例的数量Ankur-Pachauri和Gursaran等人将进一步的算法与遗传算法相结合提出了一种克隆选择算法来生成测试数据。对于多峰函数可以优化克隆选择算法并在问题的解空间上实现并行搜索但仍存在一些收敛速度问题。1.2.2国内研究现状由于与国外相比中国计算机的普及相对较晚软件测试研究也相对滞后。原则上国外对现有方法进行了改进但这并不妨碍科学家和研究人员对其进行深入研究。王谦、游峰、赵瑞联等提出了一种二叉树结构自动生成方案主要针对指针和动态数据结构测试。这里使用遗传算法来生成二叉树的形态王建民和蔡元培提出基于进化算法生成测试数据集以保持种群多样性。该方法显著提高了算法的搜索效率并允许覆盖更多的测试对象。然而这种方法无法深入探索难以覆盖的分支并且基于适应性不强的单一线性组合方法张艳等人提出了一种基于变换关系的多路径测试数据生成方法。本文将这种方法与传统遗传算法进行了比较发现传统遗传算法的进化代数是这种方法的三倍。Yingwei等人改进了传统的遗传算法使用动态算子遗传算法生成测试用例。文献中详细描述了遗传算法的编码策略、适应度函数和程序插装方法。基于遗传算法形式化表示的建议王浩等人基于该算法创建了一个测试用例生成系统模型并结合特定的测试单元提出了遗传算法的参数编码、适应度函数构建和驱动模块自动生成等关键问题。金虎等作者对遗传算法在泛面向测试用例自动生成中的应用进行了研究取得了良好的效果傅博在研究人工智能算法的基础上提出了一种基于模拟发光遗传算法的测试用例自动生成方法。该方法将有机遗传算法和模拟退火算法相结合充分利用两种算法的优点提高了测试用例生成的效率和质量Xia Yun等人在他们的研究中提出了免疫遗传算法的概念用于自动生成路径测试用例。该方法将免疫算子集成到遗传算法中改进了遗传算法的适应度函数。实验结果表明改进后的算法取得了较为显著的效果。如今遗传算法在软件测试中得到了广泛的应用。除了基本的遗传算法外还有将遗传算法与免疫算法相结合的方法如模拟发光、搜索空间缩减、蚁群算法等。深入研究并广泛应用。然而从目前国内外的研究现状来看更有效地生成测试数据仍然是一个核心研究课题。1.3主要研究内容在快速迭代软件更新的背景下软件测试至关重要。回归测试不仅可以验证系统更新是否符合预期还可以验证更新的内容是否扰乱了系统的正常功能即确认更新的部分没有造成新的错误或在其他系统部分造成严重错误。然而一个完整的回归测试需要大量的时间、人力和其他成本因此优化测试集至关重要。在众多提高测试效率和降低成本的有效方法中本文重点研究了两种类型的测试用例优化技术即测试用例缩减和测试用例优先级排序。基于这两种技术的特点选择并改进了遗传算法。在交叉和变异优化过程中引入了其他算法的核心思想和步骤以最终实现更好的测试效率。本文的主要研究工作如下1 对测试集优化技术进行了广泛的研究并根据测试的完整性选择了两种目标优化技术测试集的简化和测试集的优先级。分析实现这两种技术的常用方法以及不同算法的优缺点选择对目标优化问题有重大影响的遗传算法进行测试集优化。2 使用传统的贪婪策略和优化算法来简化测试集非常有限很难达到理想的结果。为了解决这些问题引入了一种并行、高效、全局搜索的遗传算法。为了解决算法容易陷入局部最优和收敛缓慢的问题使用自适应算子来提高算法的动态适应性并对迭代中适应性较差的解进行基于贪婪策略的校正操作最终形成混合贪婪遗传算法。在标准程序执行套件中执行算法测试并将结果与其他算法进行比较和分析。同时在特定无人机平台管理系统的地面测试上进行样本实验以验证算法性能。1.4本文内容组织本条由五章组成其结构组织如下第一章是绪论部分它介绍了本文中研究应用的背景并提出了主要的研究问题分析了测试用例的密集退化和测试用例的优先级两种技术的不同算法的常用手段和较低效果同时深入探讨了遗传算法的基本概念和应用情况最后介绍了本文的主要研究工作和论文章节的组织。第二章相关理论和技术探讨了软件测试的概念和需求以及密集的测试用例简化技术和遗传算法技术以及这两种技术的详细定义本章讨论了这两种科技的度量以便在以下章节中选择使用。第三章基于自适应算子增强以实现测试用例的密集退化的遗传算法首先描述了测试用例的密集退化问题的建模然后介绍结合传统遗传算法的特征改进算法的具体过程并在坚持贪欲策略后详细说明算法的设计。第四章基于实现测试用例密集变性的混合贪欲遗传算法首先描述测试用例密集退化问题的建模然后介绍结合传统遗传算法的特征改进算法的具体过程并详细说明包含贪欲策略后的算法设计。第五章是总结和观点总结部分讨论了本论文的研究背景和目的以及提出的算法思想指出了算法性能的优势最后在观点中指出了现有的差距和未来的研究方向。第 2 章 关键技术介绍2.1引言遗传算法是一种优化方法它模拟生物体的遗传和进化机制并在算法求解的改进过程中引入一些与遗传基因相似的行为如交叉重组、突变、选择和消除。遗传算法的一个特点是它不仅可以获得几个局部最优个体还可以通过个体交叉重组或基因突变获得更好的个体。目前遗传算法已逐渐应用于软件测试具有良好的可行性和实际意义。本章将详细介绍与软件测试、遗传算法技术相关的概念及其在软件测试技术中的应用研究成果。。2.2软件测试早在1983年IEEE计算机协会软件工程技术委员会提出的软件工程标准术语将软件测试定义为使用手动或自动手段运行或测试软件系统的过程目的是验证所测试的软件是否符合规定的要求或测量预期结果与实际结果之间的差异。软件测试的目的是检测系统中的错误并要求其他人修复它们。测试由软件产品或服务公司内的个人进行目的是在产品到达客户手中之前检测产品中的缺陷。软件测试的目的不是证明产品没有缺陷而是检测软件产品中的错误。软件测试是确保软件产品质量的关键步骤旨在检测软件中的错误和缺陷提高其可靠性和稳定性。随着软件系统规模的不断扩大测试工作量也在不断增加传统的测试方法往往难以满足日益增长的测试需求。1测试资源有限在实际的测试过程中测试资源如测试人员、测试设备、测试时间等往往是有限的。如何合理分配和利用这些有限的资源提高测试效率和质量已成为测试优化问题的关键2测试覆盖率不足测试覆盖率是指测试用例对软件需求规范中功能点的覆盖率。在实际的测试过程中测试用例的覆盖率往往不足这可能会导致一些功能未被测试或未完全测试从而影响软件质量。3测试成本高测试成本代表了软件开发过程中相当大的努力。如何降低测试成本提高测试效率已成为测试优化的重要目标。软件测试过程包括测试计划、测试设计、测试执行、测试报告等几个阶段。如何简化测试过程提高测试效率已成为测试优化的重要研究方向。2.3遗传算法遗传算法是一种寻找最优解的方法它模拟了自然界的遗传机制和生物进化理论。它具有自适应特性可以处理复杂的非结构化问题并具有易于实施的标准化操作步骤。遗传算法的处理对象是一定数量的染色体它们是一组二进制数每个数字代表一个基因。1 初始化确定种群规模、交叉概率、突变概率和结束进化的条件并随机生成一定数量的个体作为初始种群。2 个人评估计算人群中每个人的适应度这可以定义为他们在环境中生存或再生的能力。3 人口趋势在种群发展过程中主要进行三种操作选择、交叉和变异。首先选择适应性强的人作为母亲。其次基于一定的概率两个个体的基因或序列交换以产生新的群体称为交叉或重组。最后由于一定的概率个体的基因发生突变以引入新的遗传特征并保持种群多样性。4 进化的终止重新评估个人适应度当满足优化标准时将适应度最高的人作为最优解否则返回步骤3。图 2.1 遗传算法执行过程2.4遗传算法技术在软件测试中的应用遗传算法使用进化方法来识别和评估可能无法实现最优解的复杂问题的可能解决方案。遗传算法这个名字意味着传达了一个概念即特定问题的候选解决方案在结构上与染色体相似描述遗传算法的语言反映了这种类比。与其他自适应搜索算法一样遗传算法不能保证找到最优解但已被证明在有限的时间和系统资源下可以有效地找到高质量的解决方案。遗传算法特别适用于具有大搜索空间、复杂性或理解困难的问题。软件测试旨在寻找满足特定测试标准的测试用例。为此遗传算法从随机生成的可能测试用例群体开始称为染色体。每条染色体都被用作测试代码的输入。根据结果计算适应度值来评估染色体在解决问题时的性能。这个适应度值创建了一个新的染色体群体适应度值越高的染色体存活率越高。染色体的多样性通过交叉和突变操作进行装备并通过选择和交叉繁殖下一代直到达到停止条件。遗传算法的主要执行步骤如下如图2.2所示1 算法初始化确定编码方法、适用性函数、群体大小、选择算子、交叉算子、变异算子、交叉概率、变异概率等算法参数。2 随机生成的解的初始群体3 计算组中每个人的适用性并确定他们是否符合优化标准。如果是这样则发布最佳个体及其代表最优解并完成计算否则执行步骤44 基于高适应性原则的选择从旧组中选择人组成A组。A组的规模与老组相当老组的人可能会出现几次也可能不会出现在A组5 基于一定的交叉概率和交叉方法生成新人6 基于一定的概率和突变方法生成新的个体7 通过交叉和突变产生新的种群。当群体性能满足要求或达到最大迭代次数时算法停止并输出群体中适应度最高的人作为结果否则返回3。图2.2 遗传算法工作流程图2.5本章小结本章是检验软件测试概念和要求的相关理论和技术以及测试用例集简化技术和遗传算法技术。本章详细阐述了这两种技术的定义并讨论了这两项技术的测量指标以供将来使用。第 3 章 一种基于自适应算子遗传算法实现与分析3.1引言遗传算法重复优化策略通过一代一代的发展不断提高种群的质量。每一次重复都意味着人口已经完成了一代人的发展。然而由于管理不当传统的遗传算法在某些情况下可能会降至局部最优在算法的后期阶段群体中的个体不太可能达到家庭中的最优水平。为了解决这些问题添加了一个自适应助手来改进遗传算法。3.2基于自适应算子遗传算法的模型作为遗传算法的基石参数编码不仅是算法的第一步而且在将实际问题的表型抽象为可操作的遗传算法基因型方面起着关键作用。这个过程可以看作是将实际问题与遗传算法联系起来促进了遗传算法的平滑和遗传操作的执行。在遗传算法中编码必须遵循几个核心原则即充分性、稳健性和非冗余性。这些原则共同指导了编码方法的选择并产生了几种编码方法1 二进制编码二进制编码是一种基于人类染色体结构的常见编码方法。它假设基因基于两个数字“0”和“1”并且这些数字被链接在一起形成染色体。染色体越长它携带的信息量就越大。二进制编码解的近似程度与编码长度n呈正相关。是问题[XmXmx]的值范围这是方程3-1中二进制编码的精度3-1假设解的编码是X:b,b,-1bn-2…b₂b₁, 则其解码如式(3-2)所示3-2二进制编码方法已被证明其使用简单编码和解码过程高效方便。这种编码形式不仅易于执行交叉和变异操作而且遵循最小字符集编码的原则确保了简洁有效的编码。2 对浮点数进行编码浮点数编码是一种在待解决问题的范围内随机选择小数位来表示原始群体中个体的方法。这些小数位的准确性代表了它们所携带的信息量。由于直接使用问题适当范围内的实值进行编码这种方法也称为真值编码。浮点编码的主要优点是其高精度特别适用于处理连续变量问题。然而缺点也是显而易见的这种编码方法不适合显示范围相对较小的值对于在较小的空间范围内进行搜索也没有多大帮助。3 符号编码符号编码是一种特殊的编码方法其中单个染色体编码串的遗传值不是直接从具有数字含义的集合中获取的而是从一组仅具有代码含义的符号中获取例如{aBC…}或数字符号{1,2,3}。这种方法的优点是易于理解和解释。符号编码使用符号或离散值来解决组合优化、置换问题等问题。使编码结果更容易理解和解释。同时它具有更好的局部搜索性能因为离散空间中的邻域更容易定义和搜索。这种方法的主要缺点是符号编码可能无法为连续优化问题提供足够准确的表示并且很容易受到局部优化问题的影响。符号编码在某些问题中往往陷入局部优化问题特别是复杂的优化问题使得难以全局找到最优解。4 级联多个参数多参数级联编码是一种针对包含多个变量的个体的编码方法。该方法的核心思想是用不同的编码方法连接基因特征链以表示完整染色体的编码。这确保了每个子字符串对应于其自己的编码参数允许不同的字符串长度和参数范围。为了实现测试用例集的缩减首先确定回归测试集中每个测试用例的选定状态并相应地初始化回归测试子集。每个测试用例都有两个状态选择和未选择它们与二进制0和1完全匹配。因此本文使用二进制编码。3.3算法整体流程在确定编码方法后执行群体初始化根据指定的群体大小和染色体长度生成随机的染色体集。对于每条染色体基因是根据初始化概率生成的。然后将产生的染色体添加到群体中并返回到原始群体中。此操作用于为遗传算法提供起点并使该起点状态尽可能随机和多样化以提高算法的全局搜索能力。遗传群体由形成遗传算法执行空间的几条染色体组成在搜索过程中自适应函数用于评估每条染色体的性能特别是自适应函数的值越大该染色体代表的解决方案越好。适应函数在遗传算法中起着至关重要的作用它有效地引导群体中的个体更接近最优解适应函数不仅衡量个体的卓越性还决定了个体中的基因是否可以转移到下一代体现了自然法则中善的生存原则。值得注意的是在密集测试应用程序案例中定制功能是基于运营成本、故障检测和覆盖率等几个因素确定的。根据第2.2.3节中的覆盖率公式该算法使用单位成本覆盖率作为调整函数同时根据单位覆盖率和绝对覆盖率的组合值选择每一代中的最佳个体以确保在绝对覆盖率变化不大的情况下单位覆盖率也能达到更好的水平从而减少测试应用案例。假设单个G相应的例句是T{tt₂…th}t代表原始测试用例8这是个体G的i.基因。G的适应性根据公式3-3计算(3-3)式中cov(T,) 是测试用例集T, 的覆盖度 cost(T;) 是用例集T, 的运行开销。cov(T) 可以按式(3-4)计算(3-4)在公式中covt代表第i个测试用例的覆盖率。测试用例t与需求的覆盖关系由表中的第i行表示。计算第i行中的“·”数以确定测试用例t的覆盖范围。“·”栏对应于t所涵盖的要求。还应注意的是染料会选择多个测试用例这些测试用例所涵盖的要求可以重复。基于上述描述本文中的健身功能用于单个G的单位需求覆盖率估计精细值T越高测试样本集RS的单位覆盖率越大测试样本集中RS越好。第 4 章 基于贪心策略的算法改进4.1引言改进遗传算法已经产生了避免未来兼容性问题的结果。然而不太可能出现一些能力较低的人他们与需求的相关性较低导致表面和突变等遗传行为的优化效果不太明显。此外通常只需要在重复的后期调整个体中的某些基因以接近或达到全局最好的解决方案。因此基于改进的遗传算法在个体变化中添加了一定程度的策略。这种遗传算法作为一个单一的策略级别被称为混合遗传算法它可以有针对性地优化低容量的个体从而进一步提高算法在寻找全局最佳解决方案时的有效性和准确性。4.2基于贪心策略的改进算法贪心策略是一种渐进的治疗方法从启动到问题然后为每个步骤选择最佳的局部解决方案并逐渐接近真正的最佳解决方案。该计划的核心是每个地点的最佳决策而不是全局观察因此其曝光往往不是最佳的全局解决方案。然而规划程度有时可以为特定建筑、规则或限制的问题提供最佳的国际解决方案。这个首先可以根据相同或一致的规则逐步审查执行船上的第一个问题以便为每个步骤选择最佳的局部解决方案。此选项基于上一步中的选项不能重复修改。另一个问题是现阶段的问题只能集中在局部区域即在性能阶段逐步解决最佳解决方案。尽管这可能导致整体解决方案不足但在许多情况下治愈政策仍可能提供足够的解决方案。与移动程序相比绿色政策在时间效率、内存使用和软件舒适性方面具有显著优势。为了减少测试用例可以使用灰色算法来解决它即在当前状态下的最佳选项的基础上逐步开发来解决问题。例如如果测试站为T{T[UNK]T├T}则是完美的。在方向等级中最初只设置了一个基本测试用例来设置缩减。然后您可以立即从其他测试用例中选择适当的测试用例并添加测试用例集。此过程将继续直到所有测试都完全包含在测试用例中。基于尺度的基本思想和特征不难发现尺度算法的核心是如何将个体评估为最佳局部条件。为确保测试完成通常测试进度方法中所有优化的基石是确保测试完成的最重要指示。在大多数情况下评分算法通常会选择最需要的测试用例。然而由于原始测试用例的过度减少将总体减少幅度较大的用例添加到减少的用例集中以确保所涵盖的需求数量肯定会增加是不够的。在这里调整可以侧重于选择可能导致最大测试浓度的案例并将其添加到测试案例中。基于这一原理使用通用思想来优化遗传算法过程。在人群开始后随机受试者根据其与能力和评分算法的相关性分为完整和不完整解这些算法用于在不同程度上修改这两个解。首先伪代码似乎可以纠正算法3-1中的不完整解。Algorithm 3-1修正不完善解Input: 测试用例集与需求矩阵test2RequirementMa不完善解集nonfeasiblePop 覆盖度要求KOutput:修正后个体newindividual1 coverCalcover(nonfeasibelnd);2tempIndnonfeasiblePop;3while cover is less than K do4for each test in test2RequirementMat do5tempInd AddGene(test);6new_cover Calcover(tempInd);7if new_cover is more than cover then8 best_test test9 end for10 newindividualAddGene(best_test);11 coverCalcover(newindividual);12 end while13 return newindividual不完美解的贪婪校正算法可以描述如下1 在个体G{8182…8n}m}中查找未满足的需求{r₂2 计算测试用例集T{T₂…T}将每个测试用例添加到缩减集RS后覆盖率CovRS的变化如方程式4-1所示◊CovtCovRSU{t}-CovRS4-13 找到最优测试用例t即Covt最大的测试用例并将其添加到缩减集RS中如果此时CovRSC如果C是覆盖范围的下限则完成校正过程。否则继续2进行下一轮不完美解的修正。上述算法的核心价值在于在选择测试用例时它不仅考虑了单个交叉导致重复覆盖的可能性而且从本质上决定了测试用例的优先级顺序。在构建回归测试集时根据测试用例对测试覆盖率的贡献将它们添加到测试集中以确保最终的测试集简洁高效。在有足够时间的情况下可以纠正不完美的解决方案以最小的成本测试用例数量增加覆盖率。对于完美解决方案修正与完美解决方案形成鲜明对比。此过程的伪代码显示在伪代码中。Algorithm 3-2修正完善解Input: 测试用例集与需求矩阵test2RequirementMat 完善解集feasiblePop覆盖度要求KOutput:修正后个体newindividual1 cover←Calcover(feasibeInd);2tempInd←feasiblePop;3while cover is more than K do4for each test in test2RequirementMat do5tempInd deleteRedundanceGene(test);6new_coverCalcover(tempInd);7if new_cover is equal to cover then8best_test test;9end if10end for11 newindividual←deleteRedundanceGene(best_test);12 coverCalcover(newindividual);13 end while14 return newindividual完美解的校正算法可以描述如下1 在单个G{81,82…8n}rm}中找到覆盖的需求量{rr₂