基于粒子群算法的测试用例自动生成方法研究

软件测试是保证软件质量、提高软件可靠性的关键,而提高生成测试用例的自动化程度又是提高软件测试自动化程度的关键。为了提高生成测试用例的自动化程度,改进了基本粒子群优化算法,提出了基于改进的粒子群优化算法的测试用例自动生成系统框架,并给出了基于改进的粒子群优化算法的测试用例自动生成算法。实验结果表明,使用文中提出的算法,自动生成测试用例所需的迭代次数和平均运行时间明显优于遗传算法等测试用例自动生成算法,一定程度上提高了生成测试用例的自动化程度。     

参数配对及n-way组合覆盖算法研究

组合测试是软件测试数据生成研究的一个重要领域,其中参数配对组合测试的应用最为广泛.对常用的参数配对组合覆盖方法进行了综述分析.目前主流的配对覆盖算法AETG和IPO所存在的主要问题是在确定水平取值时,具有盲目性和随机性,从而难以控制测试用例的规模.为此提出了改进的AETG算法和IPO算法,改进算法通过对参数进行预处理以及综合考虑各因素的水平组合等手段,对测试用例的规模进行控制,采用更加完备的方法尽早确定水平取值.为验证新算法的有效性,进行了仿真实验和实际测试,结果表明,改进算法所生成的测试用例数量要少于原算法,测试用例约减效果更为明显;测试用例数与配对数之间、测试用例数与因素水平数之间存在着某些规律性的联系,分析得出了一系列相关的结论.在配对覆盖的基础上,提出了遗传算法与AETG算法相结合的n-way组合覆盖算法,证明了其时间复杂性较已有算法得到了改善.     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

软件测试中测试用例自动生成方法研究

软件测试是保证软件质量和软件可靠性的关键,而提高生成测试用例的自动化程度又是提高软件测试自动化程度的关键。该文分析了软件测试中测试用例自动生成技术的发展现状和粒子群优化算法的基本原理。在此基础上,改进了基本粒子群优化算法,并提出了基于改进的粒子群优化算法的测试用例自动生成算法。实验结果表明,使用本文提出的算法测试用例自动生成效果明显优于遗传算法等测试用例自动生成算法。     

最小测试用例集生成方法改进及应用

软件测试是保证软件质量和可靠性的重要手段,如何对软件进行全面且高效的测试一直是备受关注的问题.分析了白盒测试与黑盒测试的优缺点;具体分析了最小测试用例生成算法,接着对生成最小测试用例集的方法提出改进:首先消除掉测试需求中存在的冗余,再对由该测试需求生成的测试用例集使用简化算法,得到一组无冗余的测试用例集.这种先对测试需求进行精简的方法,使得测试用例集中测试用例的数量大为减少,提高了简化算法的使用效率.将上述最小测试用例集生成方法运用到Apla到delphi生成器系统的测试中,提高了测试效率.     

基于改进蚁群算法UML状态机图的测试用例生成

为了减少测试工作量,防止测试用例数目过多而导致爆炸,提出了使用改进的蚁群算法直接从UML状态机图中生成测试用例的方法.利用UML状态图是对系统可能的生命历程进行建模,由于状态图具有直观性,所以简化了生成测试用例过程,从而减少了测试的工作量.通过构造人工蚁群以及动态更新信息素矩阵,让蚂蚁选择还没有搜索或边信息素最小的顶点,确保了测试用例的数量既满足测试需求,又不会过多.通过编写算法及模拟仿真,对该算法的可行性和有效性做了验证和仿真分析.     

黑盒测试中测试用例优先级改进算法分析

为了保证程序代码在黑盒测试环境下能够更好地运行,需要对执行测试用例优先级方法进行改进调整。该文对比分析了用于黑盒测试中的测试用例优先级算法和改进算法,将错误检测率作为目标,结合不同情况下优先级调整策略,对现有方法进行改进分析。研究结果表明,改进后的算法具有一定的可行性,可以更好地提高测试用例的错误检测率。     

一种面向对象测试用例自动生成的混合算法*

遗传算法(GA)在测试用例生成方面是一种实用的算法,但是其自身也存在的局限性,如过早收敛、优化效率低等问题.通过引入粒子群算法(PSO),使每一个测试用例在局部区域中再次寻找最优值,以此改进整体算法搜索最佳值的能力,避免过早收敛、优化效率低的问题.与此同时,针对面向对象测试的特点,如封装性等,将混合算法进行适当的改进,满足在不同环境中重复使用类的要求.     

基于TCBR的测试用例复用方法研究

为了提高设计测试用例的效率,提高软件测试效率,提出了基于测试用例推理的测试用例复用方法。介绍了基于测试用例推理方法,说明了基于测试用例推理的测试用例复用过程。确定了测试用例和测试用例集包含的要素集合,并在此基础上建立了测试用例相似度度量模型。针对模型的3个组成部分,即结构相似度、属性相似度和属性权重,分别作了计算说明,改进K最近邻算法,建立了测试用例检索算法。通过实例讨论了该方法的过程,表明了其可行性。     

基于改进异质协同演化的测试用例生成研究

路径搜索是测试用例自动生成的重要环节。针对遗传算法在测试用例生成中的“早熟”缺陷,提出一种改进的异质协同演化算法,将种群划分成两个子种群,分别采用遗传子群和差分子群进行演化,在演化的过程中两个子种群相互协作,通过改进迁移间隔代数和迁移率这两个参数,增加扰动,更加均衡遗传算法的全局探索与差异演化算法的局部搜索。实验结果表明,该算法比遗传算法和传统异质协同演化算法在生成测试用例的收敛性能方面更具优势,因此该方法更适合测试用例自动生成的应用中。     

基于改进自适应遗传算法的智能组卷算法

传统的组卷算法具有组卷速度慢、成功率低和组卷质量不高等缺陷。为了解决该问题,提出一种基于正弦形式自适应遗传算子的改进遗传算法的组卷算法,理论分析和实验结果表明,与基本遗传算法和自适应遗传算法相比,改进的遗传算法更能满足组卷的实际需求,在全局搜索性能、收敛速度和组卷成功率较基本遗传算法和自适应遗传算法有显著提高,证明了改进算法的有效性和优越性。     

基于混沌遗传算法的测试用例自动生成研究

测试用例自动生成是提高软件测试效率的重要手段.针对传统遗传算法的测试用例自动生成方法存在早熟收敛、迭代后期种群多样性降低等问题,提出了一种基于混沌遗传算法的测试用例自动生成模型,运用反向学习策略初始化种群,结合层接近度改进个体适应度的评价方法,并利用混沌序列优化遗传算法的交叉、变异操作.实验结果表明,与已有测试用例自动...     

改进PSO算法在软件测试数据生成中的应用

软件测试是软件质量保证的重要手段,测试用例自动生成一直是被广泛研究的问题。本文在分析了遗传算法、粒子群算法和蚁群算法的优缺点后,在软件测试用例的自动生成过程中采用一种新改进的粒子群算法。该算法将蚁群算法的信息素机制引入到粒子群算法中,加大了粒子间的多样性,有效地克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。     

一种基于遗传算法的软件测试用例生成新方法

建立了一个基于遗传算法测试用例生成的系统模型,在该模型下通过分支函数插装的方法构造遗传算法所需的评价函数并针对软件测试用例生成问题的特点对传统遗传算法进行了改进;最后,给出了一个实例并分析了实例的执行情况。     

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。     

约束优化问题的改进遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素,针对目前遗传算法研究中对约束优化问题求解的不足,提出基于退火思想的退火选择算子和加权适应度算子,并给出了退火选择算子和加权适应度算子设计方法及其计算过程.在此基础上与现有的遗传算子结合,提出一种新的改进遗传算法,分析了改进遗传算法与基于罚函数遗传算法之间在原理上的区别.最后以两个测试函数为算例对算法进行了性能测试,结果表明改进的遗传算法具有良好的优化性能,能获得更好的优化结果.     

基于学习算子的自学习遗传算法设计

遗传算子是影响遗传算法优化效果的重要因素。针对目前遗传算法研究中忽视个体能动性,没有充分利用进化经验信息的不足,提出反映个体学习能力的学习算子。给出了以个体适应度的变化方向和速度为依据的学习算子设计方法及其计算过程。在此基础上与现有的改进遗传算子结合,提出一种新的改进遗传算法-自学习遗传算法,分析了自学习遗传算法与自适应遗传算法之间在原理上的区别。以一个弹道导弹射程优化问题为算例对算法进行了性能测试,结果表明,在采用相同的改进遗传算子的条件下,学习算子能够以较低的代价提高遗传算法的收敛速度,并获得更好的最终优化结果。     

基于改进遗传算法的排课问题研究

针对遗传算法在解决排课问题中易陷入局部最优解的缺陷,提出一种改进的遗传算法。在传统遗传算法基础之上,融合模拟退火思想,使交叉得到的子代以一定概率进入下一代,并对传统的基于概率的计算方法进行改进, 编排出优质的课表。实验结果表明改进算法不仅加快了前期进化速度,而且解决了遗传算法后期易陷入局部最优解的缺陷。     

基于遗传算法的弯曲射线成像反演

介质体反演成像一直是困扰地球物理等领域的重要问题，尤其是它的计算速度、成像和稳定性等更是备受关注。首先简述了基于弯曲射线成像的基本原理，列出了反演的详细步骤，构建了用于反演的数学模型；然后提出了利用改进的遗传算法弯曲射线成像中的反演问题，并给出了改进的遗传算法步骤；最后给出了一个用改进的遗传算法成像的例子，同时为了突出该算法的优势，还把它与爬山法相比，从两者算法的本区别剖析了两者反演结果的差别，指出：正是遗传算法大规模的并行搜索以及杂交与变异的约束，导致了成像质量及速度的不同；通过它们的反演迭代运算曲线图可以看出，该算法有效地提高了成像的速度、质量和稳定性。