结合关键点概率与路径相似度的多路径覆盖策略

利用多种群遗传算法解决多路径覆盖问题,是测试数据自动生成领域一个重要的研究方向.为了提高多路径覆盖测试数据自动生成的效率,提出一种将关键点概率和路径相似度相结合的多路径覆盖策略.首先,将理论路径划分成易覆盖、难覆盖及不可达路径;然后,通过易覆盖路径统计关键点概率,依此概率计算个体对生成测试数据的贡献度,并利用贡献度改进...     

基于路径相似度的并行程序多路径覆盖调度序列排序

测试是提高软件可靠性的重要方法.消息传递并行程序中存在的不确定通信语句,使得进程执行顺序具有不确定性,这增加了测试该类程序的难度.鉴于进程执行顺序对目标路径覆盖难易程度的影响,本文研究消息传递并行程序多路径覆盖调度序列排序方法,以提高多路径覆盖测试数据生成的效率.首先,在每个调度序列下,以每个采样的程序输入执行程序,生...     

基于复杂系统遗传算法的多路径覆盖测试用例生成方法

针对目前复杂系统多路径覆盖测试用例生成方法较少的问题,提出一种新的基于复杂系统的多路径覆盖测试用例生成方法。首先改进遗传算法,在种群进化中对父代选择、个体进化的学习能力和种群的自适应更新方法进行改进,以有效避免算法收敛过慢或者"早熟"现象。然后根据多路径覆盖测试的特点与要求,设计基于路径匹配的适应度函数,使得运行一次算法便可生成覆盖多条目标路径的多个测试用例。最后将该方法用于几个基准程序。实验结果表明,与已有方法比较,此方法的测试用例生成效率显著提高。     

融入自适应迁移的路径覆盖测试用例进化生成

为提高路径覆盖测试效率,提出采用融入自适应迁移的生物地理学优化算法自动生成满足目标路径覆盖的测试用例。首先,根据路径覆盖难易,在分枝距离法中引入加权因子并转换为栖息地适应指数。然后,综合最优栖息地和迁出地相关因子优化迁入地适应度指数变量,同时对满足条件的种群进行以个体当前值为中心、适应值为幅度的变异操作。对经典基准程序进行生成测试用例的对比实验结果表明,算法不仅能满足目标路径覆盖要求,而且速度和稳定性均有明显优势。     

基于变迁的完全路径覆盖测试

为解决基于状态节点搜索的完全路径覆盖所产生的测试用例数过多和难以实现连续测试的问题,提出了一种基于变迁的完全路径覆盖测试准则,并设计和实现了一种深度优先搜索与宽度优先搜索相结合的基于变迁完全路径覆盖测试用例自动生成算法。实验结果表明,基于变迁的完全路径覆盖准则比基于状态的完全路径覆盖准则更为严格,相应的算法可以产生更优的测试用例集,能更方便地完成软件的连续动态测试。     

产生多条路径上测试用例的改进遗传算法

测试用例的产生是软件测试过程中的重要环节，也是瓶颈之一。遗传算法作为一种高效的搜索寻优算法，近年来较多地用于自动化测试中产生测试用例。该文结合数据库管理系统源代码的特点，在基本遗传算法的基础上，结合“位权重”和“邻居影响”的思想，提出了用于产生多条路径上测试用例的改进遗传算法，并通过实验验证了该算法的有效性。     

基于个体相似度的双种群遗传算法

针对标准遗传算法搜索精度低、容易陷入局部最优解的缺陷,提出一种基于个体相似度的双种群遗传算法。将竞争算子和第二个种群引入标准遗传算法中,在主种群内部利用海明距离计算个体之间的相似度,进行种群内部竞争,保留"种子"个体,而与其相似的个体参与种群之间的交流,从而保持种群多样性。使用经典测试函数对该算法进行了仿真实验,结果表明,该算法能有效抑制"早熟"现象,其全局搜索能力和搜索效果都有了明显的提高。     

结合SVM与XGBoost的链式多路径覆盖测试用例生成

机器学习方法可很好地与软件测试相结合, 增强测试效果, 但少有学者将其运用于测试数据生成方面. 为进一步提高测试数据生成效率, 提出一种结合SVM (support vector machine)和XGBoost (extreme gradient boosting)的链式模型, 并基于此模型借助遗传算法实现多路径测试数据生成. 首先, 利用一定样本训练若干个用于预测路径节点状态的子模型(SVM和XGBoost), 通过子模型的预测精度值筛选最优子模型, 并根据路径节点顺序将其依次链接, 形成一个链式模型C-SVMXGBoost (chained SVM and XGBoost). 在利用遗传算法生成测试用例时, 使用训练好的链式模型代替插桩法获取测试数据覆盖路径(预测路径), 寻找预测路径与目标路径相似的路径集, 对存在相似路径集的预测路径进行插桩验证, 获取精确路径, 计算适应度值. 在交叉变异过程中引入样本集中路径层级深度较大的优秀测试用例进行重用, 生成覆盖目标路径的测试数据. 最后, 保留进化生成中产生的适应度较高的个体, 更新链式模型C-SVMXGBoost, 进一步提高测试效率. 实验表明, C-SVMXGBoost较其他各对比链式模型更适合解决路径预测问题, 可提高测试效率. 并且通过与已有经典方法相比, 所提方法在覆盖率上提高可达15%, 平均进化代数也有所降低, 在较大规模程序上其降低百分比可达65%.     

基于IAG-ABC算法的路径覆盖测试用例生成技术

针对遗传算法(genetic algorithm,GA)存在搜索初期收敛速度过快、易陷入局部最优解、未能充分结合搜索过程中的反馈信息,同时人工蜂群(artificial bee colony,ABC)算法存在初期寻优速度缓慢、局部搜索具有很大随机性等问题,对遗传算法和人工蜂群算法分别进行了改进,并将改进后的两种算法进行融合,实现两者的优势互补,提出了一种自适应遗传-蜂群（improved adaptive genetic-artificial bee colony, IAG-ABC）算法。采用路径覆盖信息设计引导算法搜索方向的适应度函数,并用IAG-ABC算法实现路径覆盖的测试用例生成,实验结果表明,相对于标准遗传算法和自适应遗传算法,IAG-ABC算法在测试用例生成效率和覆盖率上均有一定的优势。     

基于分支覆盖的回归测试路径选择

回归测试是迭代式软件开发的重要环节,测试数据生成是回归测试的前提.传统的回归测试方法,从已有的测试数据中选择部分测试数据,并生成一些新的测试数据,以验证程序的正确性.但是,该方法容易生成冗余的测试数据,从而降低了回归测试的效率.研究了回归测试的分支覆盖问题,通过利用已有测试数据的路径覆盖信息,并选择一定个数的路径,以覆盖所有的目标分支.首先,以若干路径形成的集合作为决策变量,以路径最少、覆盖的分支最多以及包含的未覆盖路径最少为目标,建立路径选择问题的3目标优化模型;然后,采用遗传算法求解上述模型时,设计了基于目标重要性的个体评价策略;最后,基于已有的测试数据与选择的路径之间的覆盖关系,确定需要生成的测试数据.将所提方法应用于6个基准工业程序测试中,并与其他方法比较.实验结果表明,采用该方法选择的路径,能够覆盖更多的分支,需要生成的测试数据更少,回归测试消耗的时间更短.     

基于父个体相似度的自适应遗传算法

标准遗传算法在产生后代个体时采用先交叉后变异的策略,一方面当父个体非常相似时,交叉操作很难产生新的个体,影响算法对新的解空间进行搜索,从而导致种群多样性的丧失;另一方面交叉产生的优秀个体再历经变异,极有可能遭破坏而影响算法的收敛性。该文根据染色体的相似性,给出了个体相似度的概念,并在此基础上提出了依据父个体相似度的大小自适应地选择遗传算子(交叉或变异)的遗传算法。仿真实验表明,与采用常规遗传策略的遗传算法相比,新算法能显著提高解的质量和收敛速度。     

基于状态图测试的迁移路径生成方法

计算机软件在军用装备中所占比重越来越大,软件质量的好坏决定着装备质量的高低,而软件测试则是提高软件质量的重要手段。UML状态图是一种广泛用于基于模型测试的建模方法,迁移覆盖是其中重要的测试覆盖准则。状态图中迁移之间的依赖关系会使得迁移路径不能按照输入序列来执行,从而导致覆盖率的下降,影响测试效果。为此,提出了一种改进的分组遗传算法来实现可执行迁移路径的自动生成,该算法通过合理设计编码方式和适应度函数来解决问题。算法在遗传操作中引入自适应的交叉和变异算子以及模拟退火机制来提高求解速度,加入修补算子对个体长度进行限制。实验结果表明,该方法能够在缩小遗传种群规模和减少遗传代数的基础上提高迁移覆盖率。     

基于退火遗传算法的多路径测试用例生成*

针对遗传算法在多路径测试用例自动生成中的不足,提出基于退火遗传算法的生成方法。对遗传算法的适应度函数进行优化设计,以满足多路径测试用例生成。同时在算法中引入路径存储机制,从而增强测试用例自动生成的功效。在提高算法的局部搜索能力方面,对遗传算法的两点交叉算子进行改进,并引入模拟退火算法到变异操作。三角形判断程序的测试用例生成实验结果,验证了该方法的有效性。     

一种基于相似个体的多目标进化算法

分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法（SMOEA）。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。     

基于流媒体服务的覆盖网络多路径资源分配方案

提出一种基于流媒体服务的覆盖网络多路径资源分配方案。该方案考虑多路径之间的约束关系,如果路径之间约束率比较小,数据流出现拥塞的可能就比较小,提高网络的性能和利用率。模拟结果显示,该方案是一种简单可行的覆盖网络QoS多路选择策略,可以达到较少的包丢失率和较高的系统吞吐量。     

覆盖表生成的遗传算法配置参数优化

覆盖表生成是组合测试的关键问题,很多数学方法、贪心算法以及演化搜索方法等被应用于生成各种覆盖表.针对演化搜索方法的性能受到方法本身配置参数影响很大这一实际问题,文中以二维覆盖表生成为实例,系统地对典型的演化搜索方法——遗传算法的种群规模、进化代数、交叉概率、变异概率以及遗传算法的变种算法等因素进行探索,设计了pair-wise法、Base choice法和爬山法3条实验路线探索遗传算法的这些配置参数及其相互作用对算法生成二维覆盖表效果的影响,并回答两个问题:对于特定二维覆盖表生成问题,是否存在遗传算法的最优参数配置;对于一般的二维覆盖表生成问题,是否存在通用的遗传算法最优参数配置.     

基于路径覆盖的高效编程测试方法研究

目前白盒测试标准,以覆盖程度为依据有6种。其中覆盖程度最高的是路径覆盖,但是传统的用例构造法没有给出达到路径覆盖的方法。本文提出一种能够达到路径覆盖的测试用例编写方法。它用树的形式把程序可能执行的路径解析出来,以达到路径覆盖的目的。此方法在单元测试用例编写中,简单、高效地覆盖程序中各种可能的路径。     

基于蜕变关系的多路径覆盖测试数据进化生成

提出一种基于蜕变关系的多路径覆盖测试数据生成方法。在多路径测试数据进化生成过程中,对于已生成的测试数据,利用被测程序的蜕变关系衍生新的测试数据,以新数据为输入执行被测程序,如果穿越的路径是未找到测试数据的目标路径,则该路径的测试数据同时被生成,从而提高多路径覆盖测试数据的进化生成效率。在典型三角形分类基准测试程序中的应用结果验证了该方法的有效性。     

基于渗透原理迁移策略的并行遗传算法

通过分析影响并行遗传算法性能的诸多因素,以避免人为设置迁移代频、迁移率及迁移方向为问题的突破口,以减少通信量提高算法效率为主旨,提出一种基于渗透原理的迁移策略(Migration Scheme Based On Penetration,PMS)．PMS迁移策略源于渗透模型,引入渗透阈值控制相邻子群体的迁移,应用渗透原理自适应地确定迁移代频、迁移率及迁移方向,从而解决人为设置迁移代频、迁移率及迁移方向的关键问题,有效降低通信代价,进而提高算法效率．文中首先依据有限群体马尔可夫链模型对基于渗透原理的迁移策略算法的可行性进行了探讨,然后从理论角度给出了迁移代频期望、迁移率期望及通信代价,同时用实例验证了PMS在降低通信代价方面的巨大潜力．     

状态图中基于事件约束的测试路径覆盖策略

提出了一个在状态图中基于事件约束的测试路径覆盖策略,介绍了具有超态的状态图模型,定义了事件约束机制(S-CSPE),在此约束机制上给出了测试路径覆盖策略。最后给出了该策略与CSPE约束覆盖策略和Rapps-Weyuker路径覆盖标准的比较结果。