基于混合遗传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,提出了一种基于混合遗传算法的测试数据自动生成的方法.在传统的遗传算法中引入模拟退火的思想,先利用遗传算法快速搜索到近优解,再使用模拟退火算法局部寻优,实现两种算法的优势互补.实验结果表明,该算法有效避免了早熟问题,具有收敛速度快、搜索效率高等特点,能够更加快速地自动生成测试数据.     

基于退火免疫遗传算法的测试用例生成研究

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.     

基于遗传-蚁群混合算法的软件测试数据自动生成方法

自动化测试可以有效地提高软件测试效率,降低软件开发成本。测试数据自动生成是自动化测试过程中一个非常重要的环节。以路径覆盖为准则,本文提出一种利用遗传-蚁群混合算法来对程序输入域进行搜索的方法,进而生成满足需要的测试数据。经过实验验证,该算法可以有效地生成满足覆盖准则并且分布多样的测试数据。     

对于测试用例生成的遗传算法改进

软件测试技术中,高效的测试用例生成能够大幅简化测试工作,提高测试效率,节省软件开发成本. 遗传算法作为一种高效的搜索寻优算法已被广泛应用到测试用例自动生成的研究中,然而传统的遗传算法虽然具有良好的全局搜索能力,但对于局部空间的求精问题却不是很有效,存在早熟问题. 针对这些问题,结合禁忌搜索算法,对传统的遗传算法在适应度函数、遗传算子方面进行改进,并进行遗传导向控制,能够有效控制遗传早熟问题,提高遗传算法的局部寻优能力. 实验结果表明,本文所建议的方法在测试用例生成的效率和效果方面均优于基于传统遗传算法的测试用例方法.     

软件测试数据自动生成算法的仿真研究

研究软件质量优化问题,传统遗传算法存在局部最优、收敛速度慢,使软件测试数据自动生成效率低.为提高软件测试数据生成效率,对传统遗传算法进行改进,提出一种遗传-蚁群算法的软件测试数据生成算法.针对测试数据自动生成的特点,充分发挥遗传算法的全局搜索和蚁群算法的局部搜索优势,提高了测试数据的生成能力.实验结果表明,遗传-蚁群算法提高了软件测试数据生成效率,是一种较为理想的软件测试数据生成算法.     

改进信息素蚁群算法测试用例生成技术

软件测试用例的设计和生成是整个测试工作的重点和难点,往往需要耗费大量的时间,为了减少测试工作量,防止测试用例数目过多而导致爆炸,在传统蚁群算法的基础上,针对传统蚁群算法初期搜索效率低、搜索信息素相对匮乏、搜索模型过于简单、正反馈机制容易产生停滞早熟现象等问题,对蚁群算法进行系统化改进,建立蚁群搜索路径,改进信息素挥发系数,并将其用于软件测试用例的自动生成,提高软件测试效率,降低测试代价.     

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。     

VLSI标准单元布局问题的增强型混合遗传模拟退火算法

提出有效处理百万个VLSI标准单元布局问题的混合遗传模拟退火算法.首先采用小规模种群、动态更新种群和交叉局部化策略,并协调全局与局部搜索,使遗传算法可处理超大规模标准单元布局问题.然后为进一步提高算法进化效率和布局结果质量,将爬山和模拟退火方法引入遗传算法框架及其算子内部流程,设计高效的线网-循环交叉算子和局部搜索算法.标准单元阵列布局侧重使用爬山法,非阵列布局侧重使用模拟退火方法.Peko suite3、Peko suite4和ISPD04标准测试电路的实验结果表明,该算法可在合理运行时间内有效提高布局结果质量.     

基于改进遗传算法的软件测试数据自动生成系统设计与实现

软件测试数据自动化生成技术是软件测试自动化的重要组成部分,为了进一步提高软件测试数据自动生成质量和效率,在建立软件测试数据自动生成模型的基础上融入一种改进的遗传算法,该算法通过引进自适应交叉算子和变异算子把模拟退火算法融入其中,很大程度上扩大了测试数据搜索生成范围,一定程度上克服了遗传算法的早熟收敛现象。     

基于模拟退火遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于模拟退火遗传算法的测试数据自动生成算法。该算法针对测试数据自动生成的特点将遗传算法和模拟退火有机结合,充分发挥遗传算法的全局搜索和模拟退火的局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和效果方面,优于遗传算法。     

基于改进遗传算法的面向路径测试数据生成

在遗传算法中,面向路径测试数据自动生成存在迭代次数多、效率低的问题。为此,提出一种改进型的遗传算法。通过分析被测源程序得到其结构信息,并利用该结构信息,控制遗传算法中交叉、变异操作发生的位置及范围,提高遗传操作的精确性和目的性。实验结果表明,与传统遗传算法相比,该算法具有更快的收敛速度,测试数据生成效率更高。     

Synthesizing test scenarios in UML activity diagram using a bio-inspired approach

The model-based analysis is receiving a wide acceptance as compare to code-based analysis in the context of prioritizing and guiding the testing effort and speeding up the development process. Ordinarily, system analysts as well as developers follow Unified Modeling Language (UML) activity diagrams to render all realizable flows of controls commonly recognized as scenarios of use cases. This paper applies a bio-inspired algorithm to produce test scenarios for the concurrent section in UML activity diagram. Here, the heuristic draws its inspiration from the internal mechanism of the slime mould Physarum Polycephalum, a large single-celled amoeboid organism. Simulations are performed using eight subject systems taken from the LINDHOLMEN data-set, two models taken from real life student projects and five synthetic models. The results obtained through different approaches are validated through the statistical analysis which demonstrates that our proposed approach is better than the existing Ant Colony Optimization (ACO) and Genetic Algorithm (GA) by a number of feasible test scenarios generated.     

基于遗传算法测试用例集极小化研究

提出了一种应用于软件回归测试过程中的基于遗传算法的最小化测试用例集算法模型。该算法针对在软件回归测试过程中,测试套间内的测试用例间往往存在着重复覆盖测试需求的情况,因而测试套间中将存在着大量的冗余测试用例,将测试用例与测试需求之间的覆盖关系模型转化为集覆盖模型。然后利用遗传算法强大的全局搜索能力,优化在极小化的测试用例空间,较低的测试成本条件下,覆盖回归测试需求。并通过对算法的仿真结果进行分析表明,该算法较一般的优优化算法具有更高算法性能与效率。     

多次抢占项目调度问题的混合遗传算法

研究多次抢占式资源受限的项目调度问题，假设任意时间点可作为资源抢占节点且抢占次数不受限制，建立满足多次资源抢占的线性整数规划模型并提出改进遗传算法对其进行求解。为克服遗传算法（GA）局部搜索能力缺陷，在算法中引入禁忌搜索（TS）进一步优化子代。针对性地设计了允许多次抢占的基于工作优先级编码策略以及串行调度方案生成机制。通过测试算例集实验调试算法参数，并以标准算例集（Project Scheduling Problem Library，PSPLIB）对算法进行可行性检验。实验结果表明，资源受限项目调度问题中引入多次抢占机制能有效缩减项目工期，设计的算法对问题求解效果良好。     

基于UML活动图的测试研究进展

UML活动图不再是状态图的特例,它作为一种独立的模型广泛用于软件的行为建模.基于UML活动图的测试受到业界的普遍欢迎.然而从UML活动图自动生成完整的测试场景\用例成为一个难点.本文对基于UML活动图的测试进行了比较分析,总结了几种从UML活动图生成测试场景\用例的方法及其使用的算法,即反蚂蚁Agent方法、灰盒方法、自适应细菌Agent方法和系统的形式化方法.对这些方法进行了分析与比较,指出一些不足之处.最后对UML活动图测试的发展趋势做了一些展望.     

基于改进遗传算法的船舶管路布局设计

针对船舶管路布局设计中的路径规划问题提出一种改进型遗传算法求解方法。建立船舶管路布局设计问题的模型空间、约束条件和优化目标;提出一种基于连接点网格的定长编码方法,结合该编码方法设计了适合改进遗传算法应用的适应度函数和交叉、变异算子,定长编码可降低遗传算子设计复杂度和非法个体修补代价;提出在进化流程中嵌入以“去折弯”和“改模式”两种改善型变异方法构建的爬山操作,以提升算法收敛性和寻优能力。通过仿真实验验证所提算法具有可行性和先进性。     

演化测试技术的研究

演化测试作为一种非常有前景的自动化测试技术,可以成功地为多种测试目标生成高质量的测试用例。它将测试用例的生成过程转化为一个利用遗传算法进行数值优化的问题。算法的搜索空间即为待测软件的输入域,其中最优解即是满足测试目标的测试用例。该搜索过程可以实现完全自动化,它所具有的导向性可以避免盲目搜索,较随机测试有着更加明确的目标和方向性;同时该搜索过程还具有一定的随机扰动,可以很好地克服复杂搜索域所带来的种种局限性。近年来,越来越多的学者开始关注于演化测试技术的研究,并取得了一些研究成果,使之在多种领域得以成功地应用。分别在结构性测试、功能性测试、性能测试以及面向对象测试领域,对演化测试技术进行了总结。通过对各领域的应用方法进行分类概括,比较分析了不同方法的优势与不足,为理解、评价以及合理选取演化测试方法提供了较有价值的参考。在此基础上,总结评估了现有的演化测试优化技术及其适用性。最后,展望了演化测试技术未来的研究方向。     

UMLTGF:一个基于灰盒方法从UML活动图生成测试用例的工具

UML已经成为建模语言的事实标准，如何从UML分析设计模型生成测试用例也为面向对象软件测试带来了新的挑战．为了从UML设计模型中的活动图直接生成测试用例，给出了UML活动图的形式化定义和灰盒测试方法．该方法首先分析UML活动图上的所有执行路径（每条路径称为一个测试场景），然后根据测试场景中的节点和转换所代表的活动及其输入／输出变量、相关约束条件等生成测试用例．并根据该方法实现了一个自动生成测试用例的工具UMLTGF，它可以从Rational Rose的规约文件中提取活动图信息并生成相应的测试用例．该工具能够提高软件测试的效率，降低测试成本．     

遗传和模拟退火融合的软硬件划分

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和模拟退火（SA）各自优缺点的基础上,提出了采用遗传/模拟退火混合算法（GASA）的策略。该算法的核心思想是将模拟退火算法嵌入到遗传算法中,利用遗传优化算法的结果来制约模拟退火的随机状态产生,然后根据模拟退火算法的接受准则和随机状态产生函数来更新遗传算法的种群,从而最终得到最优解。与单纯的遗传算法和模拟退火算法进行对比实验,实验结果表明,GASA更有优势,得到的划分结果也更优秀。     

基于改进型遗传算法的数字电路优化

遗传算法（ Genetic Algorithm,GA）是一种模拟生物界自然选择的智能优化算法,已经被广泛应用到各个领域。文中主要针对传统遗传算法在应用于数字电路优化设计中时所出现的未成熟收敛和收敛速度慢的问题,提出一种新的个体选择方法。该方法将保留最优个体选择方式和改进轮盘赌选择方式相结合,能够在保持种群的多样性的同时有效地提高数字电路优化的精确度。将该算法应用到最小分类网络的设计中,实验结果验证了改进算法的合理性和有效性。