基于依赖结构的测试用例优先级技术

优先级技术能够在不减少测试用例规模的情况下,提高测试用例集的性能。为了降低测试工作量,已有的很多文献通常假定测试用例是独立的,但在实际测试中,测试用例之间存在依赖关系,并且只有考虑了依赖关系的测试才能正常运行。针对这个问题,文章将依赖关系引入到优先级技术,提出了一种基于依赖结构的测试用例优先级技术,首先将依赖关系转化为量化指标依赖深度,然后以此指标为权重函数,运用加权的深度优先搜索算法进行测试用例排序。结果表明:与随机排序和基于功能覆盖的优先级技术相比,减少了测试代价,提高了缺陷检测率。     

回归测试用例集优化策略

将测试用例集约简技术和优先级技术相结合,提出3种回归测试用例集优化策略:①渐增式约简算法BU,首先选择必不可少用例,然后选择额外贡献度最大的用例直至覆盖全部需求;②精简式算法BD,每次选择必不可少用例,如果没有,则不断删除贡献度最小的用例,直至覆盖全部需求;③优先级策略BUP,每次将需求集重置为待覆盖,然后调用BU直到所有用例排序完毕。贡献度综合考虑了用例对单个需求以及需求集的重要性。实验结果表明,将测试用例优先级技术引入到约简中,不仅能获得规模较小的目标集,而且能以较快的速度覆盖测试准则。     

基于记忆策略的动态离子运动优化算法

针对动态优化问题求解时普遍存在的多样性保持不够、寻优能力不足等问题,提出了一种基于记忆策略的动态离子运动优化算法。该算法引入了全局最优个体和斥力的作用,改进了固体阶段的启动条件和更新方式;提出了根据概率选取存储记忆个体,构建正、反向记忆种群;依据余弦相似度排序规则,利用正、反向记忆种群更新进化种群,加快进化种群跟踪最优解的能力;并提出基于余弦相似度排序的环境变化后增加种群多样性的方法。将本文算法与近年效果较好的4种动态优化算法在国际上通用的动态测试函数DF1和MPB移动峰问题上进行测试,仿真结果表明,本文算法在求解精度、收敛速度及稳定性上都优于其他对比算法。     

一种基于改进遗传算法的测试用例自动生成研究

测试用例的生成是软件测试领域的关键技术问题。近年来,受生物进化思想启发得出的一种全局优化算法的遗传算法用于测试用例的自动生成方向的研究,对于软件测试的自动化有着重要的影响。为了生成高效的测试用例,笔者提出了一种改进的遗传算法,该算法采用实数编码方式,采用逻辑覆盖原则,将遗传算法的适应度函数进行改进并加入遗传导向控制,这样有利于种群的多样性遗传,避免种群早熟收敛现象,并结合Delaunay三角网生成程序进行说明,验证了该算法的有效性。     

改进的软件缺陷预测模型研究

为了提高软件缺陷预测模型的准确性,利用改进的频繁项集挖掘算法(IMMFIA)的低时间开销特点和改进的支持向量机(EDSVM)的优化能力提出改进的软件缺陷预测模型(FREDSVM)。利用IMMFIA获取频繁项集,并产生满足置信度和支持度阈值的关联规则;根据相关度和新的规则排序度量提高小类(带缺陷的软件模块)的优先级,得到分类器;运用EDSVM针对规则匹配无果问题和规则匹配溢出问题进行分类。实验证明:与当前的软件缺陷预测方法相比,FREDSVM方法具有较高的准确性。     

融合免疫机制的协同进化模型

针对传统进化算法在计算效能方面存在的一些问题,借鉴协同进化算法的思想,提出了一种融合免疫机制的协同进化模型。该模型通过多个子种群各自分别进化以保持整个种群的多样性。在每次迭代进化过程中,各个子种群分别选择精英抗体并进行免疫记忆。随后各个子种群分别以不同的算法进行变异。若变异后抗体的适应度降低,则利用精英抗体对其进行引导操作。群体间的协作包括子种群间若干个抗体的随机交叉和子种群间的大规模迁移。最终进行免疫代谢,去除群中的弱适应度个体。算法反复迭代进行以上操作,直至达到既定目标或预定的循环迭代次数。通过对13个标准测试函数进行的仿真实验显示,该模型在搜索最优解或满意解时均优于传统的进化算法,同时在寻优效率上有较大的提升。     

应用云模型和 Favour 排序的多目标优化算法

论文给出了一个基于云模型和利用Favour排序的多目标优化算法,其新颖之处是依据云模型理论估计好解区域和新解的生成。该算法利用优化过程中获得的信息构建好解区域的云模型并用逆向云发生器估计该云模型的3个数字特征;之后,依据这3个数字特征,用正向云发生器生成当前子代种群,并用Favour排序对当前种群和当前子代种群的并集进行排序,然后,依据排序结果选择最好的一些个体形成下一代。该算法与其他算法就一组基准函数进行了测试比较,结果表明该算法更有效。     

基于广义反向学习的自适应约束差分进化算法

差分进化算法是一种基于"贪婪竞争"机制的全局寻优算法,其控制参量少、结构简单,具有较高的可靠性和收敛性,将约束处理机制引入到差分进化算法可以高效解决约束优化问题。提出一种基于广义反向学习的自适应约束差分进化算法,利用广义反向学习机制生成初始种群并执行种群"代跳"操作,采用自适应权衡模型将约束区分状态处理以及改进自适应变异操作对个体进行排序变异。通过与CDE、DDE、A-DDE、εDE以及DPDE算法进行试验比较以及对广义反向学习和改进自适应排序操作性能分析证明该算法具有较好的寻优精度及收敛速度。     

基于反学习和正交交叉算子的元胞差分进化算法

提出了一种基于正交交叉算子的元胞差分进化算法. 进化初期采用反学习初始化方法获得初始候选种群,利用元胞结构的局部搜索方法替代控制参数调节差分进化算法的选择压力,从而平衡差分进化算法的探索能力和开发能力,利用元胞自动机的并行演化机制保持种群的多样性,从而避免陷入局部最优. 该算法利用无交叉因子的正交交叉算子,通过多元素重复试验加速种群收敛速度. 对多个典型测试函数的仿真实验结果表明,所提出的算法相较于多个差分进化改进算法具有更快的收敛速度和更好的计算精度.     

基于组合测试的V＆V单元测试用例设计研究

核电安全级应用软件的特点包括：复杂的数字逻辑结构,输入变量多等。组合测试旨在使用较少的测试用例,有效地检查出由各因素之间的作用而产生的缺陷。针对核电安全级应用软件输入变量多的特点,结合传统组合测试算法,提出一种基于分级组合测试思想的单元测试用例设计方法。实践表明该方法能够大幅度减少测试用例数量,有效提升测试效率,更快速地发现潜在软件缺陷,是一种值得继续深入研究的可行方法。     

一种基于加权TSM的多目标优先级排序方法

针对目标多属性优先级排序问题,提出了一种基于加权战术意义标绘(weighted tactical significance map,WTSM)的多目标优先级排序算法。该算法结合线性加权法和战术意义标绘的思想,将影响目标优先级的因素分为相对态势和目标本身属性两个部分,利用层次分析法计算两部分的权值。仿真分析表明,WTSM算法有效地解决了目标属性与优先级的非线性映射问题,更加符合实际应用需求。     

基于多量子粒子群协同进化算法的敏捷供应链伙伴选择

针对敏捷供应链组建过程中伙伴选择的特点,提出了一种基于多种群协同进化的改进量子粒子群算法．在对该算法的设计中,首先将整个量子粒子种群分解为多个子种群,然后使各个子种群进行独立的演化,并通过周期性的共享搜索信息获得对自身信息的更新,最后通过具体的算例对该算法进行了仿真验证．研究结果表明,在算法的收敛性、最优性等方面,基于多量子粒子种群协同进化算法均达到了良好的效果．     

动态种群差分进化算法研究

针对标准差分进化算法易早熟的缺点,模拟人类社会民族融合的进化历程,提出了动态种群差分进化算法(DPDE)。算法中将种群分为多个独立的子种群,子种群之间采用相互移民来进行信息交换,设置种群分裂和融合的条件来动态控制子种群个数。通过数值实验用几种典型的测试函数对DPDE的搜索性能进行了测试,实验结果表明,该算法能有效地避免早熟,具有良好的全局收敛性。     

求解连续优化问题的多策略动态果蝇优化算法

果蝇优化算法(FOA)是一种新的全局优化算法,其灵感源于果蝇的嗅觉和视觉觅食行为,该算法具有很强的连续优化问题的解决能力。然而,FOA存在算法候选解不能取负值、种群多样性差、局部搜索能力弱等缺点。为了克服上述不足,该文提出了一种基于多策略进化和动态更新种群最优信息的改进果蝇优化算法(MDFOA)。算法引入了一种有效的多策略候选解生成方法和一个新的控制参数,较好的平衡了算法的全局搜索和局部搜索能力。此外,还设计了全局最优信息的实时更新机制,提高了算法的收敛速度,采用29个复杂的基准测试函数来检验该算法的有效性。实验结果表明,该算法的优化性能优于FOA、6种改进的FOA及另外两种智能优化算法。     

机加零件质量预测与工艺参数优化方法

为了有效利用机加零件工艺信息和检测信息,提出基于机器学习算法的质量预测与工艺参数优化方法. 以集成工艺信息和检测信息的基于模型定义（MBD）模型为输入,通过对三维建模软件的二次开发实现参数提取,并建立结构化数据集. 利用多种机器学习分类器构建基于工艺参数与质量分类标签的质量预测模型. 结合信息增益算法对所有工艺参数进行优先级排序,筛选出对质量影响最大的工艺参数;开发质量预测与工艺参数优化工具集,利用梯度提升树模型优化对质量影响最大的工艺参数. 以某航空企业提供的铣削实验数据验证所提出方法的有效性和可靠性. 验证结果表明,该方法能够较好地实现机加零件的质量预测和工艺参数优化.     

基于共享学习策略的微分进化算法

针对传统微分进化算法易发生早熟收敛问题,提出基于共享学习策略的微分进化算法（SLDE）,引入共享个体和共享学习因子。共享个体覆盖整个种群,较优个体可引导算法朝希望方向进化,较差个体则能维持种群的多样性,向共享个体学习可避免丢失个体信息,实现整个种群间的信息交换,有助于算法跳出局部最优解,提高算法的局部开采和全局勘探能力。同时,算法充分利用个体的进化信息,根据个体适应值到最优适应值的距离自适应地调整共享学习因子,以弥补随机个体对进化带来的随机性和盲目性,增强算法的搜索能力。采用22个不同特性的Benchmark测试函数对算法进行性能测试,与7种改进DE算法进行性能对比,实验结果表明,SLDE具有较强的跳出局部最优解能力,能显著减少进化代数,大幅地提高算法的收敛精度、收敛速度和稳定性,SLDE的全局优化性能整体上远优于其他改进DE算法。     

组合测试用例集的动态生成算法

在逐因素扩展算法的基础上,提出了一种有效的组合测试用例生成算法IPOT.该算法根据已被扩展的测试用例覆盖t(t≥2)参数值组合的情况确定水平扩展方法,并依据新的被覆盖的t参数值组合修改已被扩展的部分测试用例,从而达到对测试用例集的优化.设计实现了基于该方法的测试用例生成工具.通过和部分现有的支持t维组合测试工具比较,I...     

基于多目标协同进化遗传算法的规则提取方法

针对事务数据库中连续型数值属性难以划分且规则提取效率较低的问题,提出一种交叉、变异种群协同进化的量化关联规则提取方法。利用帕累托原理的非支配排序对种群个体进行优化。利用个体相似度的基因型、表现型控制交叉种群中个体的配对,对变异种群采用水平集概念进行分割,并针对个体优劣分别采取单点突变和多点突变两种突变方式增强个体多样性。利用精英种群保存交叉种群与变异种群中的优秀个体并对其求取帕累托最优解集。在不同数据集上的仿真结果表明,该算法获得规则在性能和数量上达到较好的均衡,且能够有效覆盖数据集,验证了算法的有效性和可行性。     

基于IRAPSO的组合测试用例生成方法

最小覆盖表的生成是组合测试研究领域的一个关键问题,虽然粒子群优化算法是生成最小覆盖表的方法之一,但该算法存在易陷入局部最优和搜索精度低等问题。针对该问题提出了一种改进的约简自适应粒子群算法。该方法首先对粒子群优化算法的进化方程进行约简,消去其速度项,得到约简的粒子群进化方程;然后提出了惯性权重的自适应调整策略并且在适应值策略中引入汉明距,以提高该算法生成测试用例的覆盖率。与已有算法的比较结果表明,该算法在克服粒子群优化算法易陷入局部最优等问题的同时能够在较短的时间内生成规模更小的覆盖表。     

基于扩展库所/迁移系统的GUI自动化测试

为解决图形用户界面(graphic user interface,GUI)元素状态空间庞大以及用户操作组合空间复杂等问题,针对特定类型的GUI软件,提出一种基于扩展库所/迁移系统的GUI测试模型.在此模型中,库所表示用户在GUI软件上的操作类型,迁移表示用户在GUI上的操作事件.针对模型制定了3个相应的准则:库所覆盖准则、迁移覆盖准则和迁移对覆盖准则.对迁移对覆盖准则和事件对覆盖准则进行分析,并设计了相应的GUI测试用例生成算法.在计算器上的初步试验结果表明:相较事件对覆盖准则,迁移对覆盖准则在保持较高的错误发现能力的同时,生成的测试用例规模只有其40%,极大地降低了测试用例规模.