基于惯性权重优化的测试用例生成方法

针对组合测试测试用例生成环节中局部最优的问题,提出一种基于惯性权重优化的测试用例生成方法。结合粒子群算法的优点,以生成最小规模覆盖表为目标,改进适应值函数,设计一种惯性权重微分递减策略;在此基础上,更新调优后的惯性权重值,使用测试用例演化策略迭代生成测试用例集,提升生成更小规模覆盖表的能力。实验结果表明,该方法在高覆盖需求下,覆盖表最小生成规模和平均生成规模优于其它方法。     

基于遗传算法的测试用例自动生成及其改进方法

遗传算法是一种通用的自适应搜索算法。它给测试用例自动生成问题带来了新的解决思路。但是传统的遗传算法应用于测试用例自动生成,重组、突变的随机性容易使种群中多样性遭到破坏,使得算法搜索空间减小,从而导致算法错误地收敛到局部最优值。而且盲目的随机重组和突变又使得搜索的效率非常低。本文介绍一种改进方法,引进突变控制策略和优化解控制策略,可有效提高遗传算法的搜索能力和获取最优解的性能。     

一种基于事件处理函数的GUI测试方法

事件处理函数响应用户GUI(graphic user interface)操作并完成软件预定义功能,事件处理函数以及事件处理函数之间的关系实现是否与规约一致,是GUI 测试的重点.针对现有的基于模型GUI 测试用例自动生成过程中面临的测试用例规模庞大以及生成的测试用例无效问题,从分析事件处理函数的角度出发,提出了一种GUI 测试模型EHG.针对此模型,结合事件处理函数及其代码结构,提出了两个测试覆盖准则：完整最短路径覆盖准则和完整最短路径定义-引用对覆盖准则;利用基于反馈的测试用例生成技术生成测试用例.实验结果表明,针对较为复杂的应用,该方法不仅能够有效控制测试用例规模,消除无效测试用例,而且生成的测试用例能有效提高事件处理函数的代码结构覆盖率.     

智能优化算法在回归测试关键技术中的应用现状研究

近些年,智能优化算法在软件工程领域得到了广泛的应用,基于搜索的软件工程技术往往通过设计具体问题的适应值函数,并基于该函数在问题的可行解空间中使用优化算法寻求最优解。本文首先介绍了常用的智能优化算法,包括遗传算法、爬山算法、粒子群算法以及蚁群算法,之后分析并研究这些算法在测试数据生成、测试用例选择以及测试用例优先级排序技术中的应用,为有效解决基于搜索的软件工程问题奠定基础,促进回归测试效率的提高。     

QPSO在结构测试数据生成中的应用研究

针对目前进化算法生成结构测试数据方法存在搜索速度慢、设置参数复杂、易陷入局部最优解等缺陷,提出了一种基于量子粒子群算法的结构测试数据生成方法。该方法采用分支函数叠加法构造适应值函数,将测试数据自动生成问题转化为函数的最优化问题,同时在粒子群算法基础上引入量子理论的思想,提高了算法的收敛性能和全局搜索能力。将其与标准粒子群算法实现结构测试数据自动生成方法进行比较,实验结果表明,该方法能更快生成测试数据。     

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.     

一种非参数惩罚函数的优化演化算法

对约束优化问题的处理通常使用惩罚函数法,使用普通惩罚函数法的困难存在于参数的选取。该文提出一种基于演化算法的非参数罚函数算法,对违反约束条件动态地进行惩罚,由适应值的设定来平衡群体中可行解和不可行解的比例,使群体较好地向最优解逼近,使用实数编码的多父体单形杂交演化策略来实现新算法,通过对测试函数的检验,该算法具有稳健、高效、简洁易于实现等特点。     

基于路径引导的回归测试用例集扩增方法

为了全面测试演化软件,回归测试通常需要生成新的测试用例。concolic测试是一种沿着具体执行路径进行符号执行的软件验证技术,通过生成测试数据来执行程序的所有可行路径。回归测试中,由于concolic测试关注于程序本身,没有利用已有测试用例和软件演化信息,导致生成大量无效测试数据,浪费资源和时间。为解决此问题,提出一种基于路径引导的回归测试用例集扩增方法。该方法将目标路径作为引导,根据软件演化信息选择有利于覆盖目标路径的测试用例,利用已有测试用例跳过重叠初始子路径,对后续目标子路径进行concolic测试并生成覆盖目标路径的测试数据。案例分析表明,本文方法相比传统concolic测试,本方法在覆盖程序可行路径的同时,可有效减少concolic测试路径,提高测试数据生成效率。     

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.     

基于量子粒子群优化的多波束卫星联合资源分配算法

当使用元启发式算法求解多波束卫星联合资源分配问题时,时延约束和容量约束会导致计算复杂度增大,且算法难以收敛。对此,通过在目标函数中引入惩罚机制,在无效解的目标函数值加入了惩罚值,使得算法的优化解自适应地满足这两个约束。在此基础上,提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明,惩罚策略的引入解决了应用元启发式算法时,难以处理时延约束和容量约束的问题,而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。     

基于OFGA的软件测试用例自动生成

为提高测试用例生成的质量和效率,提出一种基于最优家族遗传算法(OFGA)的软件测试用例自动生成新算法。基于OFGA的测试用例生成算法在执行过程中适当缩小搜索区域,从而在相对更小的区域内快速寻找最优解。因此,OFGA能比较快地加速算法的收敛,提高算法的效率,在测试用例的生成上具有较大的应用潜力。由实验结果可知,新算法比遗传算法(GA)在测试用例自动生成上耗时更少,效果更佳。     

解决混合整数非线性规划问题的混沌局部搜索差分进化算法

为提高差分进化算法的局部搜索能力和避开罚函数方法中罚参数选择问题,提出一种混沌局部搜索策略的差分进化算法(CLSDE)用于解决非线性混合整数规划问题.CLSDE中,只对目标函数中的变量进行编码,约束条件函数中的变量随机产生,每代进化完毕后,对最优个体进行混沌局部搜索.6个基本的测试函数实验结果证明CLSDE比MIHDE具有较好的寻优能力.     

面向测试生成的ASM模型约简研究

基于模型的Web应用程序测试是软件测试的一个重要方法。ASM模型从源码解析的角度,基于Web应用程序表示层建立模型,描述了Web应用程序的交互性、动态性和低耦合性。基于ASM模型的测试用例生成,考虑用户的非预期行为,在主要路径的基础上,通过添加无效访问状态和无效迁移路径,扩充测试用例。然而,随着Web应用程序规模的扩大,无效访问状态和无效迁移路径的增加导致测试用例空间爆炸。在研究ASM模型的基础上,通过定义基于ASM模型测试生成的等价迁移和等价状态,合并迁移和状态,从而有效地对ASM模型进行约简,减少了无效访问状态和无效迁移路径的数量,实现测试用例空间约减。 对一个实际Web应用程序系统的评估结果表明,基于模型约简的测试用例优化,有效约减了74.38%的测试用例空间,并且对原子段的覆盖率和错误检测数目没有产生影响。     

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。     

面向路径覆盖的演化测试用例生成技术

为了解决目前结构性演化测试主要集中于面向语句、分支等覆盖标准,缺乏面向路径覆盖标准的问题,提出了基于相似性度量的适应值函数构造方法,以用于生成覆盖指定路径的测试用例.首先给出适应值函数构造基本模型,即利用测试数据的真实执行轨迹来评估它相对于指定路径的适应值.该模型的核心在于度量执行轨迹与指定路径之间的相似度,为此给出了3种不同的相似度度量算法.该模型可以完全自动化地为每一条目标路径构造出特定的适应值函数.实验结果表明,相对于其他路径测试方法,该方法在针对复杂路径的情况下具有一定的优势.此外,实验结果还指出了该方法的适用性范围和局限所在.     

Computational experience with an exact penalty function technique (EPT)

In this paper, constrained nonlinear programming problems are solved by using an exact piecewise-differentiable penalty function. The algorithm is structured such that all parameters are determined prior to actual problem solution and are fixed throughout the procedure. Further, since the penalty function is exact and no iterative parameters are used, the execution times are impressive when compared to conventional approaches. In addition to algorithm efficiency, the method often solves many difficult problems wherein other methods fail. The exact penalty function algorithm was compared to SUMT through solution to twenty five test problems extracted from current literature, including most of the problems from Colville's study. This paper presents a computational comparison of both algorithms on these problems. The solution values and execution times are presented for the new algorithm and compared to SUMT. The results indicate that the exact penalty function technique is both robust and efficient.     

基于动态集合进化算法的弱变异测试用例集生成

为解决基于集合进化算法（SEA）的弱变异测试用例集生成过程中个体规模固定和执行开销大的问题,提出一种基于动态集合进化算法（DSEA）的弱变异测试用例集生成方法。以测试用例集为个体,生成覆盖所有变异分支的弱变异测试用例集。在进化过程中,集合精简算子根据最优个体的最小子集及其未覆盖变异分支数量计算所需测试用例集的最小规模,并基于该最小规模调整种群中所有个体的规模,以生成最小规模的弱变异测试用例集,同时设计了适用于评估以测试用例集为个体的适应度函数。实验结果表明,动态集合进化算法指导弱变异测试用例集生成,获得的测试用例集规模比个体初始规模平均约简了50.15%,执行时间比集合进化的弱变异测试用例集生成最多降低了74.58%。因此,动态集合进化算法为最小规模的弱变异测试用例集生成和提升算法速度提供了一种解决方案。