一种新的基于模拟退火的测试用例生成与约简算法

测试数据生成是组合测试的一个关键问题。提出一种基于贪心算法和模拟退火的组合测试用例约简算法,可以大幅约简成对组合测试用例的生成。分别采用爬山法、一般模拟退火算法和约简模拟退火算法对成对组合测试用例生成进行比较,实验表明所提出的模拟退火算法有较好的运行效率和约简效果。     

求解组合测试用例集的差分进化蚁群算法

针对组合测试中测试用例集生成这一关键问题,通过构建组合空间的搜索模型,提出了一种用于求解最小测试用例集的差分进化蚁群算法（DEACA）。该算法将差分进化融入到蚁群算法中,并在搜索过程中动态更新启发信息,有效克服了标准蚁群算法在求解组合用例时出现的早熟现象。实验表明该方法优于标准蚁群算法,与其他方法相比也具有一定优势和特点。     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

带权值参数的两两组合测试用例集生成算法

通常对组合测试研究的重点是生成最小的测试用例集,但其中却很少涉及到带权值的参数。针对带权值参数的两两组合测试用例生成问题,提出一种基于逐参数( IPO)策略的带权值参数两两组合测试用例生成算法。对影响IPO策略性能的3个影响因子进行改进,包括待扩展参数的扩展次序、已有测试集的扩展次序和待扩展参数的取值选择。在扩展完所有参数后,对此时的测试集使用约简算法进一步简化,得到按测试用例权值和降序排列的测试集。实验结果表明,该算法不仅能减少测试用例的生成数量,而且能解决参数的权值问题,使其在实际应用中可以更有效地降低测试成本。     

基于遗传蚁群融合算法的测试用例最小化研究

为缩减测试用例规模及降低回归测试成本,提出一种基于遗传蚁群融合算法的测试用例最小化方法。采用遗传算法进行遗传算子操作,其结果作为蚁群算法的初始信息素分布。使用蚁群算法进行蚂蚁路径转移和信息素的更新,得到最优解。实验结果证明,该方法能有效减小测试用例集规模,缩短运行时间,提高最小化效率。     

基于蚁群算法的软件接口测试用例生成

目前存在的自动化生成接口测试用例的方法有参数配对覆盖法、基于测试依据集的测试用例生成法等,这些算法在用例有效性与耗费资源方面没有足够优势,鉴于此提出基于蚁群方法的软件接口测试用例生成算法,对蚁群算法应用的前提、测试数据生成方法、测试用例生成方法等进行研究。实验分析了算法的优势和不足,提出了有待改进的部分。     

基于DBSCAN算法的测试用例优化方法

在软件测试研究领域,测试用例约简一直以来都是研究的重点,目前的一些研究利用测试需求之间复杂的相互关系得到约简的测试需求集,在此基础上可以优化对应的测试用例集,但单个测试需求所对应的测试用例集可能是一个密度分布且数量较大的集合.对单个测试需求所对应的测试用例集合进行合理优化约简,本文在这个方面做了深入的研究和探索,提出了两种基于黑盒测试的类等价划分和类边界值分析策略.基于DBSCAN算法提出了科学合理的参数取值方法,提高了算法的适应问题程度和效率,结合优化的算法和两种策略从而得到优化约简的测试用例集.     

测试用例集的约简方法研究

蚁群算法是一种群体智能算法,能有效解决复杂的组合优化问题.在测试用例约简的问题上,该算法能在速度和精确度上寻求到一个平衡点.与传统的最小化算法不同,这个算法不仅考虑了每个测试用例覆盖度,还考虑了用例的运行代价,实验给出了这个算法与经典算法的比较结果,结论表明,此算法能快速有效缩减测试用例集的数量并降低测试运行代价,以提...     

基于弱变异准则的测试用例约简方法

针对为数较多的测试用例增加了回归测试成本的问题，提出一种基于弱变异准则的测试用例约简方法。首先，基于弱变异准则获得测试用例和变异分支关系矩阵；然后，重复约简4种无效测试需求和子集测试用例；最后，结合人工鱼群算法选择当前最优测试用例，并且交替执行简化和测试用例选择操作直至覆盖所有测试需求。该方法针对6个经典程序与贪心算法和HGS算法相比，基于弱变异准则并且不改变或稍微改变变异评分的条件下，约简率分别提高了73.4%和8.2%，且耗时分别降低了25.3%和56.1%。实验结果表明，所提方法在回归测试中可有效约简测试用例，降低测试代价。     

基于变异分析的测试用例约简方法

针对回归测试过程中由于测试需求的变更导致测试用例规模不断扩大、测试成本不断增加的问题,提出一种基于变异分析的测试用例约简方法（RTM）。首先,以测试用例能否检测到指定变异体为依据,对测试用例进行划分并创建二进制数值形式的变异体事务集矩阵;然后,应用改进的关联挖掘算法获取测试用例间的关联关系;最后,根据这些关联关系有效约简测试用例。6个经典程序仿真实验结果表明,RTM能够使约简后的测试用例约简率达到37%,与传统贪心算法和启发式算法相比,测试用例约简率提高了6%,且在提高测试用例约简率的同时,保证了测试覆盖率,单个测试用例的测试覆盖率平均提高了11%。所提方法能够利用尽可能少的测试用例满足更多的测试需求,有效提高了测试效率,降低了测试成本。     

基于接口参数的列控中心测试用例生成算法

在接口参数两两组合全面覆盖理论的基础上,提出一种基于树型结构的改进测试用例生成算法。该算法综合考虑外部接口参数和取值组合所产生的系统影响,具有一定的通用性及稳定性,并且在时间复杂度及空间复杂度上较以往的算法都有所改进。算法在CTCS2级列控中心的接口测试中取得了很好的效果,测试质量和测试效率均得到提高。     

移动无线传感器网络中的ASA算法

在传统的无线传感器网络研究中,通常假设传感器节点位置是固定的,忽略了节点位置变化对网络性能的影响。针对上述问题,提出基于全局时间信息的自适应同步激活(ASA)算法。ASA算法借助全局时间信息,避免了节点移动性对MAC协议休眠调度机制的影响。仿真结果表明,ASA算法在节点移动的情况下,分组递交率及节能特性均优于S-MAC协议。     

基于免疫遗传算法的构件化软件测试用例生成

提出了一种基于免疫遗传算法(GA)的构件化软件测试用例生成模型(MTCGCBS)，介绍了IGA算法的基本思想。通过将IGA算法与传统遗传算法和随机算法在水利构件化软件测试用例生成中的比较，说明了IGA算法的效率明显高于传统遗传算法和随机算法，同时也进一步验证了模型的正确性、可行性。     

一种组合电路内建自测试的改进方法

对组合电路的测试提出了一种将确定性测试生成方法与内建自测试相结合的设计方案;设计实现了利用D算法生成的测试矢量和伪随机测试序列生成电路共同构成测试矢量生成模块,利用内建自测试方法完成可测性设计,并将两者结合得出组合电路内建自测试的改进方法;分析与实验结果表明,该方法能减少系统硬件占用,同时具有测试向量少、故障覆盖率高的特点。     

基于组织进化粒子群优化的测试用例自动生成

针对组合测试用例生成问题的具体特点,结合组织进化思想及粒子群优化算法,设计了适合问题求解的编码方式及操作算子等,提出了一种基于组织进化粒子群优化的测试用例自动生成算法。该方法用于选择当前局部优化覆盖的测试用例,在此基础上构建满足两两覆盖的测试用例集。仿真实验表明,该方法能有效地降低测试用例数目。     

基于最小集合覆盖的网络连通性自动化测试

网络规模的增长加大了分布式网络管理与测试的难度。为此,提出一种优化的全连通自动化测试用例集生成算法。在最小集合覆盖理论的基础上,引入空间因子参数,优先选取搜索空间中起点或终点被选取次数最多的测试路径进入解集,以减少测试点数。实验结果表明,该算法在空间因子为4的情况下,比贪心搜索算法减少约20%的测试点数,比GRASP算法缩短约99.9%的测试时间,具有较高的测试效率。     

一种混合方法在试井参数优化中的应用

试井参数优化就是对利用测得的油气井底压力或流量随时间变化的资料所反演出的油藏参数进行优化处理。现代试井中遇到的复杂方程和定解条件使得试井参数优化问题高度非线性,存在多局部极值。所提出的基于L-M和差分进化的混合方法是利用差分进化算法在一定进化代数后出现的种群聚类特性,将种群识别为不同的聚类区域,然后以每个聚类的中心为起始点,再利用基于梯度具有局部搜索能力强的L-M算法快速找到该聚类区域的最小极值。混合方法兼顾了差分进化全局搜索能力强和L-M局部搜索能力强收敛速度快的优点。将该混合方法应用于试井参数优化中,并通过两种不同油藏模型的实例结果表明该混合方法比单一的算法优化速度更快,收敛精度更高。此外该混合方法实用性广,能有效地解决存在多局部极值的试井参数优化复杂问题。     

带参数约束的两两组合测试用例集生成方法

大多数待测软件系统的参数间存在约束关系,如果不考虑这些约束,会使测试用例集中的某些组合无效。为此,提出一种带参数约束的两两组合测试用例集生成方法。在采用回溯算法对解空间树进行遍历的同时,利用参数间的约束关系对树的枝叶进行裁剪,避免产生无效的测试用例。使用贪心算法补充生成测试用例,以满足两两组合覆盖标准。实验结果表明,该方法能减少测试用例生成数量,提高测试效率。     

用于测试用例最小化问题的改进PSO算法

针对回归测试中测试用例最小化问题,将粒子群优化算法和随机算法相结合,提出一种二维随机粒子群优化算法,用来解决测试用例最小化的问题。该算法采用二维适应值评价函数,一维是覆盖度,另一维是冗余度。利用各个测试用例的覆盖率为概率随机产生下一代个体位置。实验结果表明该算法性能优良且具有较好的稳定性。     

启发式遗传算法组卷模型研究

随着计算机及其数据库技术的发展，利用计算机存储大量的试题信息并结合数据库技术实现试题的自动组卷功能已成为一项实际可行且应用性广泛的一项课题。在遗传算法的基础上，提出了一种新的基于启发式遗传算法的智能组卷算法。新算法利用组巷过程中与目标约束条件的误差进行诱惑，使基因变异产生的子代具有更好的性能，从而确保上代群体优势能够沿着有利于最终问题求解的方向进行传递，有效地降低无效试卷所导致的系统开销。实验结果表明，新算法具有较好的智能组卷性能。