面向节点-节点的进化测试改进方法

传统方法不能对进化测试中所有面向节点-节点的测试类型都构造具有良好导向的适值函数。针对该问题,基于面向节点-节点进化测试系统模型,不考虑节点的执行顺序和控制流关系,从节点的独立性出发,提出一种改进的适值函数计算方法。实验结果表明,对离散节点之间没有数据依赖关系的覆盖准则,该方法代价较小、运行稳定。     

基于蜕变关系的多路径覆盖测试数据进化生成

提出一种基于蜕变关系的多路径覆盖测试数据生成方法。在多路径测试数据进化生成过程中,对于已生成的测试数据,利用被测程序的蜕变关系衍生新的测试数据,以新数据为输入执行被测程序,如果穿越的路径是未找到测试数据的目标路径,则该路径的测试数据同时被生成,从而提高多路径覆盖测试数据的进化生成效率。在典型三角形分类基准测试程序中的应用结果验证了该方法的有效性。     

回归测试数据进化生成

采用遗传算法生成回归测试数据近年来得到普遍关注,该方法高效生成测试数据的前提是合理利用已有的测试数据形成初始进化种群,并设计有针对性的遗传操作.但是,到目前为止,相关的研究成果尚不多见.文中研究采用遗传算法生成回归测试数据以覆盖目标路径时,已有测试数据的利用问题,提出一种新的回归测试数据进化生成方法.该方法根据已有测试数据穿越的路径与目标路径的相似度,选择合适的测试数据,作为初始进化种群的部分个体.进一步,根据已有测试数据穿越的路径与目标路径不相同子路径的节点对应的输入分量,确定对进化个体实施遗传操作的位置.理论分析表明,所提方法可以有效提高测试数据生成效率.将所提方法应用于典型基准和工业程序的测试,并与已有方法比较,实验结果证实了所提方法的优越性.     

基于蚁群算法的软件测试数据自动生成

提出了一种基于蚁群算法的测试数据自动生成方法。该方法采用位串形式编码,实现了被测程序输入空间到蚂蚁路径网络的映射模型。根据程序插装函数定义的路径信息素轨迹强度,蚂蚁进行群体协作搜索最佳路径,生成测试数据。在基本蚁群算法基础上,通过引入变异算子和自适应挥发系数,提高了蚂蚁路径的多样性,克服了早熟停滞的缺陷。和模拟退火遗传算法进行了对比实验研究,结果表明了该方法的可行性,生成测试数据的效率优于模拟退火遗传算法。     

基于免疫遗传算法的路径测试数据生成的研究

提出了一种基于免疫遗传算法的路径测试数据的自动生成的方法。该算法在遗传算法中加入免疫算子,免疫算子其中包括获取疫苗、注射疫苗和免疫选择。并在海明距离法的基础上,文中提出了一种路径测试的适应度函数的改进方法。实验表明,采用改进的适应度函数的免疫遗传算法在数据自动生成上效果更优。     

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。     

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。     

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。     

融合变异测试的路径覆盖测试数据进化生成方法

针对检测缺陷的测试数据生成效率低下问题,提出变异测试和路径覆盖测试技术结合的测试数据生成方法。首先,采用变异测试技术生成的变异分支融入程序,生成新的被测程序;然后,在原路径集中挑选目标路径,通过分析变异分支与路径关联关系,将变异分支融入路径。最后,基于遗传算法生成覆盖路径的测试数据。实验结果表明,多种群遗传算法生成测试数据的时间,比单种群遗传算法节约了41.15%。由此可见,对于覆盖多路径测试数据生成,多种群遗传算法的效率比单种群遗传算法高。     

基于粒子群优化算法的软件测试数据生成研究

遗传算法在软件测试数据自动生成方面应用广泛,但是其自身也存在局限性,如参数难于设置、算法复杂等,而粒子群优化算法执行容易、参数少,能很快地找到最优解。论文提出一种基于粒子群优化算法的软件测试数据自动生成方法,并应用于等边三角形判别程序。实验表明,粒子群优化算法能比遗传算法更高效的生成测试数据。     

基于混沌遗传算法的测试用例自动生成研究

测试用例自动生成是提高软件测试效率的重要手段.针对传统遗传算法的测试用例自动生成方法存在早熟收敛、迭代后期种群多样性降低等问题,提出了一种基于混沌遗传算法的测试用例自动生成模型,运用反向学习策略初始化种群,结合层接近度改进个体适应度的评价方法,并利用混沌序列优化遗传算法的交叉、变异操作.实验结果表明,与已有测试用例自动...     

基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

基于区间算法的软件测试数据生成方法

软件测试过程中经常需要对大量的数值计算模块进行穷举测试,传统的软件测试方法就显露出了不足与局限。该文采用区间算法生成测试数据,比较了采用区间算法的软件测试方法和传统的软件测试方法,结果表明,区间代数方法很好地解决了传统测试方法不能解决的问题,发现程序代码中可能的计算异常,判断能否给出程序代码输出变量的上限范围和是否存在不可能达到的分支。     

基于遗传算法的函数级别软件错误定位

针对软件开发过程中的错误定位问题,提出一种以函数调用路径和遗传算法为基础的软件错误定位方法FGAFL。将软件测试中的错误定位问题转化为组合优化问题,结合函数调用路径对错误定位的影响构建适应度函数。通过遗传算法在候选种群中迭代搜索具有较高可疑度的候选错误分布,得到最优解。根据最优解对程序中的函数按可疑度进行排序,依次检查函数并定位错误的具体位置。实验表明,FGAFL方法可以有效降低运算量并缩减代码审查的范围,提高错误定位的精度和效率。     

基于改进粒子群算法的测试数据自动生成研究

测试数据的自动产生技术是软件测试的一个重要研究领域,高效的测试数据乍成可以简化测试工作提高测试效率;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)的软件测试数据自动生成算法,该算法在粒子群算法的基础上引入了遗传算子(交叉概率P<,c>、变异概率P<,m>),使所有测试数据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;仿真实验表明遗传粒子群混合算法与单纯使用简单遗传算法相比,具有更快的收敛速度,其产生最优解的代数得以大大提前,且精度更高.     

软件模糊测试中畸形输入数据的自动构造

提出一种畸形输入数据自动构造算法。基于软件二进制补丁比对结果及目标函数调用图,设计适应值函数,对同一种群中所有个体进行评估,寻找优秀个体并遗传到子代中。实验结果表明,该算法能够生成到达或接近到达软件脆弱点的输入数据,简化逆向分析人员构造软件畸形数据的过程。     

基于智能算法的测试数据自动生成模型研究

针对测试数据自动生成问题,首先分析了遗传算法和粒子群算法的工作原理,结合两种算法各自的特点提出了一个基于智能算法的测试数据自动生成系统模型。模型以智能优化算法为核心,通过评价函数计算适配值,多次迭代后在测试环境中输出测试用例。在典型测试问题上进行了仿真实验,结果表明提出的模型能够提高用例生成效率,具有广泛的应用拓展空间。