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。     

应用遗传算法自动生成测试数据的实验分析

将遗传算法应用于覆盖指定路径的测试数据生成已得到了广泛的研究.具体实现中,影响测试数据生成效率的因素很多,如先验知识,GA参数,路径复杂度等.本文在简要介绍应用GA生成测试数据的关键技术后,设计实验分析了影响测试数据生成的部分因素,并据此得出了一些结论.     

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。     

基于免疫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免疫遗传算法（IGA）的软件测试数据自动生成的算法。该算法在传统的遗传算法中引入免疫算子,免疫算子其中包括获取疫苗、注射疫苗和免疫选择。实验结果表明,该算法的效果比传统的遗传算法效果好。     

改进量子遗传算法应用于测试数据自动生成的研究

为了提高测试数据的自动生成效率,提出一种改进的量子遗传算法(IQGA),用以自动生成测试数据.该算法以角度编码染色体,减少染色体存储空间;采用一种新的动态旋转角策略,使种群在测试数据生成的过程中优秀测试数据能得以较好的遗传,促进种群收敛;并通过Hadamard门变异策略提高种群多样性,扩大种群探索路径.利用典型的三角形分类问题进行了验证,实验结果表明,改进的量子遗传算法具有用时短,生成测试数据少,覆盖率高等优点,测试数据自动生成效率高于传统量子遗传算法和遗传算法.     

基于遗传算法的动态可变参数的测试数据自动生成工具

测试数据的生成是实现软件测试自动化的关键,这一技术的实现大大节省了软件开发的时间和费用。利用遗传算法的理论与算法特点,建立了动态可变参数的测试数据自动生成工具。通过该工具的可视化界面可以动态地输入遗传算法参数,而且能够根据不同的路径选择输入相应的适应度函数,克服了以往在源代码中修改适应度函数的缺陷。最后通过两个实验,证明了算法的优越性。     

测试数据自动生成系统的实现

本文在研究软件测试数据自动生成技术的基础上,为决解空间爆炸的问题提出了将一种新兴的智能算法—菌群算法应用到软件测试数据的自动生成当中。但为了能准确并快速的生成测试数据还对算法进行了改进,然后在用随机法随机生成的测试数据覆盖被测程序大部分路径的基础上,运用改进后的菌群算法对剩余指定路径进行覆盖从而达到路径全覆盖的效果,实现测试数据自动生成系统。最后用一个简单实验验证了该系统的有效性。     

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。     

改进型遗传算法智能组卷系统的设计与实现

本文介绍了改进型遗传算法智能组卷系统的需求分析,然后根据分析结果来设计和实现具有良好的通用性和可扩展性一套智能组卷系统,其中组卷算法的关键点给出了具体的实现代码。     

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。     

基于遗传算法的自动组卷系统的设计与实现

组卷问题是一个在一定约束条件下的多目标参数优化问题,采用传统的数学方法求解十分困难,自动组卷的效率和质量完全取决于试题库设计以及抽题算法的设计。本文以省级《数据结构》精品课程建设为背景,在分析传统组卷算法的优缺点和组卷策略参数的基础上,选用遗传算法,设计并实现了一个自动组卷系统。该算法按照试题类型、数量、难度、区分度、分值和时间等约束条件进行快速搜索并寻找最优解,其中采用分组自然数编码,减少了染色体长度空间;运用自适应理论改进交叉概率及变异概率,使得算法总能找到合适的交叉和变异概率。系统采用C#.NET编程实现,目前已应用于实际教学,取得了良好的教学效果。     

基于遗传和模拟退火算法的自动组卷系统设计与实现

本文介绍了组卷算法的数学模型和主体思想。我们从算法的合理性、实用性和可操作性上加以分析和设计,用遗传算法和模拟退火算法创建模型,用于解决自动组卷的问题,并且在Delphi平台下实现了自动组卷系统。     

基于改进型遗传算法的智能组卷系统

分析组卷的目标要求,建立智能组卷系统问题求解的理论模型,给出一种改进型遗传算法来解决组卷问题,详细介绍组卷的过程包括组卷策略、编码方案及改进的选择算子的实现.实验结果表明,新方法能很好地解决智能组卷问题.     

改进型遗传算法智能组卷系统研究

研究测试理论和组卷过程的数学模型,分析利用遗传算法来实现智能组卷的目标：求解出满足用户条件要求的一套最优试卷。同时重点研究简单遗传算法＂早熟＂现象的原因,对参数编码、种群初始化、遗传操作和控制参数等方面加以改进。通过仿真实验表明,改进型遗传算法比简单遗传算法具有收敛速度快、稳定性高的优点,同时能有效地避免＂早熟＂现象,从而较好地实现智能组卷。