路径覆盖测试用例自动生成（ATCG-PC）问题是自动化软件测试领域的热点。ATCG-PC问题中群智能进化算法常用的适应度函数之间具有高度的相似性，然而现有的解决ATCG-PC问题的群智能进化算法尚未考虑这一相似性特征。受相似性特征启发，将两个相似的适应度函数看作两个任务，从而将ATCG-PC问题转化为多任务ATCG-PC问题，并提出了一种新的解决多任务ATCG-PC问题的群智能进化算法，即多因子回溯搜索优化算法（MFBSA）。所提算法通过多因子选择Ⅰ的记忆种群功能提高全局搜索能力，并通过选型记忆交配使得相似任务之间能够通过知识转移提高彼此的优化效率。在6个雾计算测试程序和6个自然语言处理测试程序上对所提算法性能进行了评价。与回溯搜索优化算法（BSA）、免疫遗传算法（IGA）、收敛速度控制器粒子群优化（PSO-CSC）算法、自适应粒子群优化（APSO）算法和超立方体差分进化（DE-H）算法相比，MFBSA覆盖12个测试程序上的路径所使用的测试用例总数分别减少了64.46%、66.64%、67.99%、74.15%和61.97%。实验结果表明，所提算法能够有效降低测试成本。

人脸验证广泛应用于生活中各种场景，而普通RGB图像的获取依赖于光照条件。为解决光照和头部姿态对任务的干扰，提出了一个基于卷积神经网络的孪生网络L2-Siamese。首先，直接将成对的深度图作为输入；然后，用两个共享权重的卷积神经网络分别提取面部特征后，引入L2范数将不同姿态的人脸特征约束在一个半径固定的超球上；最后，通过全连接层将特征之间的差异映射为（0，1）区间的概率值来判断该组图像是否属于同一对象。为了验证L2-Siamese的有效性，在公共数据集Pandora上进行了测试。实验结果显示，L2-Siamese整体性能良好。将Pandora根据头部姿态干扰大小进行分组后的测试结果表明，在头部最大姿态干扰下，与当前最好的算法全卷积孪生网络相比，该网络预测准确率提高了4个百分点，有明显提升。