我在Java中创建了一个遗传算法，它是一个可以添加到多个应用程序中的库的形式。在开发过程中，我做了一些（jUnit）测试，这些测试可能是功能测试，但它们没有断言，因为算法是不确定的。因此，它们不适合自动测试，当运行一段时间后，您必须花时间看看该解决方案的内容。
解决方案是车辆路线，可以打印成XLS格式，并且在必要时进行实际测试，因此您知道在那一刻要寻找什么。 它们有一个距离值和一个时间值，每个例子都有一个合理的值，路径本身也不能有某些锯齿形，尽管有时必须有锯齿形。
我可以断言价值在合理的范围内，但这些并不清楚，我不确定我是不会留下不好的解决方案。如果知道人们在做什么，或者您对此事有什么看法，那将会很棒。
编辑：澄清目标：
该库用于不同的项目，每个项目的输入数据遵循相同的模型，但它有不同的偏见。一个项目数据可以有很多重复的同一点，而另一个项目则没有。人们可以非常快地达到极限容量的车辆，而在其他车辆中，这个极限几乎无法达到。
目标是从插入的每个项目中获取样本数据，以便在修改算法时快速反馈算法的行为（如修改或添加变异或交叉运算符，或添加新的参数化）。因此，它的行为绝不能以任何方式伪造。
鉴于这一切，我要问的问题是找到一种方法来有效地断言整个行为。我想问一下其他人是如何解决这个问题的，或者你们有什么可以说的。
答案 0 :(得分：1)
单元测试用于测试代码中单元的行为。即使整体算法是非确定性的，这些也是完全可测试的。你想要实现的目标（我相信）是一种自动化集成测试的方法。为此，您需要设置一个结果是确定性的场景（当然可以，例如，我的实现可以解决2个字节之和的最大值），或者您需要伪造您的算法为确定性（通过修复输入，输出和随机生成的值。）
根据您的修改：
我的GA实现从未包含现实测试，只包含单元和集成测试。第一个证明了实现的理论正确性，而第二个证明了实现的凝聚力。这两个因素都告诉我一些关于代码质量的信息，而不是性能（性能是从最佳输出产生的输出）。
如果我说得对，你想测量你的实现的性能，看看修改的效果。为此，您首先需要样本输入数据和最佳输出数据。我想你有第一个。第二个可能更棘手。其次，您需要为每个测试集运行多次。由于GA是不可预测的（基于您配置的突变率）。这一切都可能达到一个简单的样本测试集会更有效的程度。
无论如何，至于回答你的问题：在多次运行之后，你的断言应该验证平均误差（与最佳输出相比）是否在可接受的范围内。
答案 1 :(得分：1)
在一般情况下，您的伪随机数生成器会被攻击者难以准确预测 - 通常基于计算机的时钟或正常运行时间。但是，如果使用常量为伪随机数生成器播种 - 它将始终返回相同的结果。所以你可以用种子pRNG进行单元测试。这将提供一个体面的 - 不完美，但体面 - 防止回归。