测试数据生成技术在软件故障诊断中的应用

随着软件在武器装备中应用范围的日益扩大,软件故障诊断问题日显突出。文中针对软件测试中测试数据生成问题作了重点研究,采用了遗传算法解决按路径生成测试数据的问题,构建了基于遗传算法的测试数据生成系统模型,并对系统模型进行了实例验证。通过数据证明了遗传算法在测试数据生成中的优越性。     

遗传算法及其在软件测试数据生成中的应用研究

软件测试过程中，遗传算法的应用非常的广泛，作为一种高效的搜索寻优算法，其在全局优化、非线性、多峰值及大空间等一些高复杂度的问题的求解过程中，具有一系列的优点，本文就主要在对遗传算法进行简单分析的基础上，通过相关实例，对基于遗传算法的软件测试数据生成中的相关问题予以简单分析，对于实际的软件测试数据生成工作具有一定的参考价值。     

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.     

基于PSO的软件结构测试数据自动生成方法

测试数据自动生成是软件测试过程中一个关键的问题。现有的结构测试数据自动生成,多采用基于遗传算法的方法。这些方法存在算法复杂、参数不易设置问题。该文提出一种基于粒子群算法的软件结构测试数据自动生成方法,以分支函数叠加法作为适应值函数。针对三角形判别程序的结构测试数据生成实验结果表明,与基于遗传算法的方法相比,可以更高效地生成测试数据,在粒子数目与种群个数相同的情况下,生成所需测试数据的迭代次数仅是遗传算法的1/16左右。     

基于多种群遗传算法的可扩展有限状态机测试数据自动生成

可扩展有限状态机EFSM(Extended Finite State Machine)是目前常用的一种描述软件状态和行为的模型,研究EFSM模型的测试数据自动生成方法具有重要的意义。针对EFSM模型,本文提出一种面向EFSM路径的测试数据自动生成方法,利用多种群遗传算法MPGA(Multi-Population Genetic Algorithm)实现了EFSM测试数据的自动生成。实验结果表明,基于MPGA的EFSM模型测试数据自动生成是确实可行的,并且其测试数据生成效率优于遗传算法(GA)的测试数据生成效率。同时,通过实验分析了MPGA的种群数量、迁移间隔、迁移率、迁移策略等相关参数对EFSM模型测试数据生成效率的影响,得出一种最优的参数组合,对后续进一步利用MPGA进行测试数据自动生成的研究具有一定的指导意义。     

测试数据自动生成方法

软件测试是提高软件可靠性、保证软件质量的重要手段，可分为静态分析、路径选择、测试数据生成和动态分析四个阶段，而软件测试过程中的一个重要任务是生成测试数据。文中首先给出了遗传算法的形式化描述，然后提出了遗传算法和函数极小化相结合的方法自动生成测试数据，并通过具体实例表明其有效性。     

含过程调用EFSM模型测试数据生成

针对含过程调用EFSM模型测试数据生成中过程调用的不可执行问题,提出了一种能对过程调用进行处理以实现模型的测试数据自动生成方法。该方法将被调子过程描述为一个EFSM模型,将表示主过程及子过程的EFSM模型合并为一个新的模型,合并后的模型符合EFSM模型规范,采用遗传算法对该模型进行测试数据自动生成。实验结果表明,该方法能够较好地解决含过程调用EFSM模型的测试数据自动生成问题。     

基于启发式算法的测试数据自动生成方法

数据自动生成是实现软件测试数据自动化和提高软件测试效率的关键问题。阐述了基于遗传算法、蚁群算法等启发式算法的测试数据自动生成系统模型与步骤,并对两系统的性能加以分析和比较,并讨论了一些改进方法。     

基于量子遗传算法的软件测试数据自动生成

测试数据的自动生成是测试阶段最关键的技术问题,改进软件测试方法,对提高软件测试的自动化程度具有十分重要的现实意义;在测试数据的自动生成的方法中,遗传算法虽然取得了较好的效果,但是这种算法存在缺陷和局限性,而量子遗传算法改善了其不足之处;应用量子遗传算法解决软件测试数据生成问题,克服了传统的以测试数据为核心的测试方法的不足和缺陷,实验结果表明量子遗传算法的测试用例生成效率高于遗传算法;所以,量子遗传算法可以作为一种较为理想的算法进行测试数据的自动生成,对软件测试中的测试数据自动生成具有很强的使用价值。     

基于自适应分组的大规模路径覆盖测试数据进化生成

复杂软件大规模路径覆盖测试数据生成问题普遍存在,但缺乏有效的解决方法,为此提出一种基于自适应分组的大规模路径覆盖测试数据进化生成方法.在进化过程中,通过合并满足条件的组,将测试数据生成问题转化为数量不断减少的约束多目标优化问题,采用多种群遗传算法加以解决,并给出了合并后的种群形成策略.将所提出的方法应用于基准测试程序,结果表明可以大大减少测试数据生成时间,为提高软件测试效率提供了一条可行途径.