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。     

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。     

基于退火遗传算法的多路径测试用例生成*

针对遗传算法在多路径测试用例自动生成中的不足,提出基于退火遗传算法的生成方法。对遗传算法的适应度函数进行优化设计,以满足多路径测试用例生成。同时在算法中引入路径存储机制,从而增强测试用例自动生成的功效。在提高算法的局部搜索能力方面,对遗传算法的两点交叉算子进行改进,并引入模拟退火算法到变异操作。三角形判断程序的测试用例生成实验结果,验证了该方法的有效性。     

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。     

Web应用前后端融合的遗传算法并行化测试用例生成

Web应用测试用例生成并行化，是提升Web应用测试生成效率的一个有效手段.Web应用的前后端分离、事件驱动等特性，导致传统的并行化技术难以直接应用于Web应用的测试用例自动生成中.因此，如何针对Web应用进行并行化测试用例生成，是一项具有挑战性的工作.将种群并行化计算引入到基于遗传算法的Web应用前后端融合的测试用例生成中，通过线程池及调度逻辑、多浏览器进程管理及后端覆盖路径的获取，实现种群个体在多浏览器上的并行化执行及基于后端路径覆盖的适应度值并行化计算，以更高效地生成Web应用的测试用例.实验结果表明：相较于Web应用的GA串行化测试用例生成方法，所提的并行化测试生成方法能更充分地利用系统资源，极大地提升Web应用测试用例的生成效率.     

基于遗传算法的黑箱测试用例自动生成模型

介绍基于遗传算法的测试用例自动生成技术,研究了利用动态调试技术和静态反汇编技术计算遗传算法中适应度函数的方法,设计了基于遗传算法的黑箱测试用例自动生成模型。该模型可直接对可执行文件自动生成测试用例,避免对程序进行源代码插装,降低对程序源代码的要求,扩展了基于遗传算法的测试用例自动生成技术的应用范围。     

基于遗传-粒子群混合算法的测试用例生成研究

针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法(GA-PSO)的软件测试用例自动生成算法。用混沌序列搜索产生初始种群,使所有测试用例在局部区域中再次寻找最优值,从而避免过早收敛,改进搜索最佳值的能力。仿真实验表明该混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力。     

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.     

基于粒子群算法的测试用例自动生成方法研究

软件测试是保证软件质量、提高软件可靠性的关键,而提高生成测试用例的自动化程度又是提高软件测试自动化程度的关键。为了提高生成测试用例的自动化程度,改进了基本粒子群优化算法,提出了基于改进的粒子群优化算法的测试用例自动生成系统框架,并给出了基于改进的粒子群优化算法的测试用例自动生成算法。实验结果表明,使用文中提出的算法,自动生成测试用例所需的迭代次数和平均运行时间明显优于遗传算法等测试用例自动生成算法,一定程度上提高了生成测试用例的自动化程度。     

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。     

基于通信协议的接口测试用例自动生成框架

为了实现对软件配置项和软件系统的接口测试的测试用例自动生成,建立了基于通信协议的接口测试用例自动生成框架,对该生成框架的输入模型和算法集合进行研究。提出了基于通信协议的接口测试用例生成框架的输入模型,并在输入模型中建立数据帧之间的一级关联矩阵和数据帧内字段间的二级关联矩阵。以输入模型为基础,说明发送端和接收端的接口测试用例自动生成算法。结合实际项目中的通信协议,介绍了如何将通信协议信息转换至输入模型,如何通过算法集合自动生成测试用例集。实验结果表明：基于通信协议的接口测试用例自动生成框架生成的接口测试用例可以替代人工生成的接口测试用例,极大地提高了软件接口测试工作的效率。     

基于混沌理论的免疫遗传算法

为提高免疫遗传算法的运算效率，根据免疫系统本身的混沌特性，提出了一种混沌免疫遗传算法。该算法利用混沌系统的遍历性来减少数据冗余，利用混沌系统的初值敏感性来扩大搜索范围，从而保持了种群的多样性，避免了局部最优。实验表明，该算法比传统的免疫遗传算法具有更高的收敛速度及收敛性能。     

一种无人机飞行控制软件自动测试方法

针对机载飞行控制软件测试依赖硬件系统、测试周期长、手动测试方式效率低、重用性差、易出错和维护成本高等问题,研究了全数字仿真环境的关键技术,提出了一种机载飞行控制软件的自动测试方法。该测试方法在全数字仿真环境中进行测试,并对传统的测试数据生成算法进行改进,使用AETG-SA(Automated Expert Test Generator-Simulated Annealing)算法生成测试数据,将测试结果的反馈引入到算法中,动态调整算法参数,获得最优测试集合,提高了测试覆盖率。在全数字仿真环境中执行测试用例,减少了嵌入式软件测试过程中对硬件的依赖,对系统功能测试和故障模拟测试的覆盖更加全面。工程实践表明,基于全数字仿真环境的自动测试方法相较于传统全实物和半实物的测试方法测试充分性提升了4%,测试时间缩短了44%。     

A chaotic non-dominated sorting genetic algorithm for the multi-objective automatic test task scheduling problem

Solving a task scheduling problem is a key challenge for automatic test technology to improve throughput, reduce test time, and operate the necessary instruments at their maximum capacity. Therefore, this paper attempts to solve the automatic test task scheduling problem (TTSP) with the objectives of minimizing the maximal test completion time (makespan) and the mean workload of the instruments. In this paper, the formal formulation and the constraints of the TTSP are established to describe this problem. Then, a new encoding method called the integrated encoding scheme (IES) is proposed. This encoding scheme is able to transform a combinatorial optimization problem into a continuous optimization problem, thus improving the encoding efficiency and reducing the complexity of the genetic manipulations. More importantly, because the TTSP has many local optima, a chaotic non-dominated sorting genetic algorithm (CNSGA) is presented to avoid becoming trapped in local optima and to obtain high quality solutions. This approach introduces a chaotic initial population, a crossover operator, and a mutation operator into the non-dominated sorting genetic algorithm II (NSGA-II) to enhance the local searching ability. Both the logistic map and the cat map are used to design the chaotic operators, and their performances are compared. To identify a good approach for hybridizing NSGA-II and chaos, and indicate the effectiveness of IES, several experiments are performed based on the following: (1) a small-scale TTSP and a large-scale TTSP in real-world applications and (2) a TTSP used in other research. Computational simulations and comparisons show that CNSGA improves the local searching ability and is suitable for solving the TTSP.     

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。     

面向路径的测试数据自动生成工具

针对测试路径覆盖的可行性问题，给出了一种新的面向路径测试覆盖准则的测试数据自动生成工具。并对Length_N路径覆盖准则进行了定义，运用该准则对被测程序进行静态分析，得到完整路径表(CFG_PT)，结合程序插装技术和遗传模拟退火算法自动生成测试数据。实验表明，该工具在实际应用中有较好的效果。     

基于改进遗传算法的测试数据自动生成的研究

测试数据自动生成是软件测试的基础,也是测试自动化技术实现的关键环节。为了提高测试自动化的效率,在 结合 测试数据自动生成模型的基础上,提出一种 传统遗传算法的改进算法。该算法使用了自适应交叉算子和变异算子,并引入模拟退火机制对其进行改进。同时,该算法还对适应度函数进行了合理的设计,以加速数据的优化过程。通过三角形程序、折半查找和冒泡排序程序,与基本遗传算法、自适应遗传算法进行了比较与分析,并且对改进算法做了性能分析。实验结果表明了该算法的实用性以及在测试数据生成中的可行性和高效性。