基于PSO的软件结构测试数据自动生成方法

测试数据自动生成是软件测试过程中一个关键的问题。现有的结构测试数据自动生成,多采用基于遗传算法的方法。这些方法存在算法复杂、参数不易设置问题。该文提出一种基于粒子群算法的软件结构测试数据自动生成方法,以分支函数叠加法作为适应值函数。针对三角形判别程序的结构测试数据生成实验结果表明,与基于遗传算法的方法相比,可以更高效地生成测试数据,在粒子数目与种群个数相同的情况下,生成所需测试数据的迭代次数仅是遗传算法的1/16左右。     

基于自适应粒子群优化算法的测试数据扩增方法

针对在回归测试中原有测试数据集往往难以满足新版本软件测试需求的问题,提出一种基于自适应粒子群算法（APSO）的测试数据扩增方法。首先,根据原有测试数据在新版本程序上的穿越路径与目标路径的相似度,在原有的测试数据集中选择合适的测试数据,作为初始种群的进化个体;然后,利用初始测试数据的穿越路径与目标路径的不同子路径,确定造成两者路径偏离的输入分量;最后,根据路径相似度构建适应度函数,利用APSO操作输入分量,生成新的测试数据。该方法针对四个基准程序与基于遗传算法（GA）和随机法的测试数据扩增方法相比,测试数据扩增效率分别平均提高了约56%和81%。实验结果表明,所提方法在回归测试方面有效地提高了测试数据扩增的效率,增强了其稳定性。     

基于粒子群算法的改进SCOTEM模型测试数据生成方法

UML已经成为建模语言的事实标准,如何从UML模型生成测试用例为面向对象软件测试带来了新的挑战.为测试用例提供测试数据是其中的关键环节.ShaukatAli等人在UML基础上提出SCOTEM模型,但是该模型的测试数据需要人工生成.针对SCOTEM模型进行了改进使其适于灰盒测试,以OCL约束测试数据的生成和运行结果的验证,并提出了一种为基于粒子群算法的改进SCOTEM模型自动生成测试数据的方法.针对不同的覆盖标准,试验结果表明,该方法能够以更高的效率生成高质量的测试数据.     

基于粒子群优化算法的软件测试数据生成研究

遗传算法在软件测试数据自动生成方面应用广泛,但是其自身也存在局限性,如参数难于设置、算法复杂等,而粒子群优化算法执行容易、参数少,能很快地找到最优解。论文提出一种基于粒子群优化算法的软件测试数据自动生成方法,并应用于等边三角形判别程序。实验表明,粒子群优化算法能比遗传算法更高效的生成测试数据。     

QPSO在结构测试数据生成中的应用研究

针对目前进化算法生成结构测试数据方法存在搜索速度慢、设置参数复杂、易陷入局部最优解等缺陷,提出了一种基于量子粒子群算法的结构测试数据生成方法。该方法采用分支函数叠加法构造适应值函数,将测试数据自动生成问题转化为函数的最优化问题,同时在粒子群算法基础上引入量子理论的思想,提高了算法的收敛性能和全局搜索能力。将其与标准粒子群算法实现结构测试数据自动生成方法进行比较,实验结果表明,该方法能更快生成测试数据。     

基于DWSPSO的软件测试数据自动生成

针对软件结构测试数据的自动生成提出了一种动态改变惯性权重的简化粒子群算法(DWSPSO)。该算法舍弃了粒子速度这个参数,并通过粒子群中所有粒子适应度的整体变化跟踪粒子群的状态。在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性全局搜索与局部搜索能力。实验结果表明,该算法在测试数据的自动生成上,优于基本的粒子群算法以及惯性权值线性递减粒子群算法(LDWPSO)。     

基于智能优化算法的测试数据生成综述

软件测试是一种极为有效的软件质量保证手段。测试数据生成是软件测试的关键。基于智能优化算法的测试数据生成方法为自动化的测试数据生成提供了解决问题的一个有效手段。首先重点总结归纳了在基于智能优化算法的测试数据生成中使用最为频繁的两种算法：遗传算法和粒子群优化算法的研究成果,分析了研究现状,接着简单介绍了基于智能优化算法的测试数据生成工具：AUSTIN和EvoSuite,最后对存在的问题及未来的研究内容进行了尝试性的探讨。     

基于K-均值聚类粒子群优化算法的组合测试数据生成

在解决组合测试中的测试数据集生成问题时,粒子群优化算法(PSO)在待测数据量增加达到一定程度以后,出现迭代次数增加、收敛速度减慢的缺点。针对该问题,提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域,增强测试数据集的多态性,从而对粒子群优化算法进行改进,增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。     

基于自适应变异立子群优化算法的测试数据生成

针对粒子群优化算法中群体易出现过早收敛的不足,提出了粒子群优化算法的改进算法AMPSO(adap-tive mutation particle swarm optimization)算法并应用于测试数据生成中.引入约简粒子群优化算法,提高算法搜索速度;在算法进化过程中增加自适应调整策略,定义适应度评价阈值判断群体早熟现象,构建一个改进的自适应变异算子提高粒子变异率;通过实验确定阈值比例系数.结合实验结果从收敛代数和收敛时间两方面对比分析,证明了所提方法不仅能够防止算法出现过早收敛的问题,而且提高了测试数据生成效率.     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

基于改进群搜索优化算法的群体路径规划方法

针对群体动画中传统路径规划算法搜索时间长、寻优能力差等问题,提出一种利用群搜索算法进行多线程路径规划的方法。该方法首先将模拟退火算法引入到搜索模式中,克服算法易陷入局部最优的问题;其次,通过结合多线程和路径随机拼接技术,将算法应用到路径规划中。仿真实验表明该算法无论在高维还是低维情况下都具有较好的全局收敛性,能够很好地满足在复杂动画环境下路径规划的要求。     

基于改进PSO算法的测试数据自动生成研究

为了提高软件测试中测试数据自动生成的效率,提出了一种基于改进PSO算法的测试数据自动生成的方法。通过在标准的PSO算法中引入人工免疫的思想,保持了群体的多样性,从而有效避免标准PSO算法易陷入局部最优的问题,提高了算法全局搜索的能力,增强了算法的整体性能。实验结果表明,利用改进后的PSO算法寻找最优解所需的迭代次数和时间明显少于标准粒子群算法,生成测试数据的速度快、效率高。     

基于GA-PSO算法的路径测试数据自动生成*

为了实现测试数据自动生成,许多遗传算法及其改进算法应用到了测试领域。针对遗传算法具有较强的全局搜索能力,但局部搜索能力较弱,且收敛速度慢的特点。将遗传算法与粒子群算法结合起来形成新的混合算法（GA-PSO）,并成功应用到软件测试数据自动生成过程中。实验结果表明,该算法结合了遗传算法和粒子群算法的优点,在保证软件测试数据正确生成的情况下,极大地提高了数据生成的效率。     

面向路径的测试数据自动生成工具的设计

设计了一个通用的基于控制流和数据流的结构测试数据自动生成的工具。该工具根据控制流和数据流测试中所采用的覆盖标准来选取测试路径,并以改进后的迭代松弛法为核心,对所选取的路径生成测试数据。同时工具采用Fibonacci法优化选取路径,对不可达路径进行处理,并对测试数据的分支覆盖率、DCP覆盖率等进行了统计。实验结果表明该工具是可行的。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

基于改进粒子群算法的无人机路径规划

针对传统粒子群算法PSO求解无人机路径规划问题时存在极易陷入局部最优的问题,在PSO算法中引入细菌觅食算法BFO的趋化操作、迁徙操作,以提高其寻优能力。首先根据无人机飞行环境建立三维高程环境模型,并使用路径长度代价、障碍危险代价和航迹高程代价来构造适应度函数;然后在分析了粒子群算法和细菌觅食算法原理及特点的基础上,给出了算法的改进方法及其具体流程。最后,通过Matlab仿真验证表明：混合算法有效改善了粒子群算法的缺陷,在进行无人机路径规划时,相比于传统PSO算法,混合算法寻优精度和稳定性有明显改善。     

一种新的基于粒子群和模拟退火的聚类算法

提出了一种新的基于粒子群和模拟退火的聚类算法。每个粒子作为聚类问题的一个可行解组成粒子群,粒子的位置由聚类中心向量表示。为避免粒子群陷入局部最优解,结合聚类问题的实际特点,提出了利用模拟退火的概率突跳性的两个解决方案。实验结果表明,新算法增强了全空间的搜索能力,性能优于粒子群算法和传统的K-means算法,具有较好的收敛性,是一种有效的聚类算法。     

基于模拟退火粒子群算法在数据关联上的研究

在高密集多回波环境下,数据关联问题仍是多机动目标跟踪难点问题之一。为了提高跟踪的精度和可靠性,应用智能的优化算法将数据关联问题表达为一类函数求近似最优解的问题。模拟退火粒子群算法是对模拟退火算法和粒子群算法取长补短,相互结合的一种优化算法。仿真结果表明,模拟退火粒子群算法能有效的解决数据关联问题,并且明显的优于独立地使用模拟退火和粒子群算法。     

基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。