تولید آرایه پوشش کمینه با استفاده از الگوریتم تکامل تفاضلی تطبیقی مبتنی بر تاریخچه موفقیت و کاهش خطی اندازه جمعیت

تست جامع سیستم های نرم افزاری با تعداد زیادی پارامتر ورودی و ترکیبات بین آنها اغلب باعث وقوع مشکل انفجار ترکیبی می شود. تست ترکیبی t-ستونی تکنیکی است که با تولید آرایه ای از نمونه های تست به پوشش حداکثری ترکیبات ما بین پارامترهای ورودی می پردازد. تولید آرایه پوشش کمینه یک مساله بهینه سازی است که الگوریتم های فراابتکاری زیادی از جمله بهینه سازی مبتنی بر آموزش و یادگیری، ازدحام توده ذرات، ژنتیک و الگوریتم جستجوی فاخته برای حل آن به کار رفته اند. اگر چه این الگوریتم ها توانسته اند آرایه های پوشش با اندازه های کوچک تر را تولید کنند ولی هنوز کمینه سازی کامل انجام نشده است. در این مقاله، یک استراتژی جدیدی برپایه الگوریتم تکامل تفاضلی تطبیقی مبتنی بر تاریخچه موفقیت و کاهش خطی اندازه جمعیت (معروف به LSHADE) که جزو برندگان کنگره IEEE در محاسبات تکاملی است، جهت تولید آرایه پوشش کمینه ارایه می کنیم. نتایج آزمون فریدمن نشان می دهند که استراتژی LSHADE دارای اولین رتبه از نظر معیارهای تولید آرایه پوشش با کمترین اندازه و کمترین تعداد متوسط فراخوانی های الگوریتمی در مقایسه با استراتژی های مبتنی بر ریاضی از جمله TConfig، حریصانه از جمله IPOG، Jenny وPICT و فراابتکاری از جمله GS، TLBO،HC-BAT، PSTG، WOA، BAPSO و GSTG است. در حالی که، از نظر معیارهای تعداد متوسط ارزیابی های تابع محاسبه وزن و متوسط زمان اجرا، این استراتژی بعد از استراتژی GS، دارای اولین رتبه است. ضمنا، نمودارهای همگرایی سرعت همگرایی بالای این استراتژی را در مقایسه با استراتژی های فراابتکاری دیگر تایید می کنند.