基于遗传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的一种有效手段,然而业内目前仍以人工测试为主。为了提高软件测试的自动化程度和测试效率,文章主要对软件测试用例的自动生成方法进行研究。在文章中以遗传算法为基本原理,论述了改进的"双种群自适应遗传算法"。该算法对发现种群的选择策略进行了优化,使软件测试过程趋于自动化,以缩短软件的开发周期。     

基于组合混沌遗传算法的最小测试用例集生成

最小测试用例集生成是软件测试的重要研究领域之一.将具有均匀分布特性的Chebyshev和Logistic混沌映射相结合的混沌序列引入遗传算法的选择、交叉和变异操作,并在遗传测试用例选择方法中添加混沌扰动,实现全局最优,以解决遗传算法用于测试用例集约简时局部搜索能力弱、易早熟收敛等问题.在随机生成的测试用例需求对应关系及Siemens测试套件等实例上进行了实验研究,并与现有的经典方法在测试用例集生成规模和算法执行时间上进行了比较,实验结果表明,在保持算法执行时间的基础上,在遗传测试用例方法中引入混沌映射有助于生成规模更小的测试用例集.     

基于遗传算法的路径测试用例的自动生成探讨

在软件开发中进行软件测试是为了保证软件质量和可靠性。软件测试中测试数据合理设计很关键。如何优化测试数据,自动生成测试数据是人们一直研究的问题,本文针对测试用例的自动化生成进行了深入的研究,在分析遗传算法的基础上,设计了一个基于遗传算法的测试用例自动生成系统,仿真实践表明,本文设计的系统能够准确地自动生成满足指定路径的测试用例。具有很好的适应性,对程序路径是否被覆盖能智能判断,对不能完全覆盖的程序路径将给出最优解。     

基于遗传算法的UML活动图测试用例优化研究

测试用例的选择在软件测试中十分重要,良好的测试用例可以减少时间和资源的使用,因此提出了一种基于遗传算法的UML活动图自动生成测试用例的算法。通过建立UML活动图模型,将活动图转换为有向图,然后采用深度优先搜索方法获得测试路径,应用遗传算法优化得到测试路径。该算法可以提供优先需要测试的路径,用于自动生成高质量的测试用例,提高测试任务的工作效率。     

基于LSGA的最小测试用例集自动生成

测试数据的生成是一个复杂的问题且其技术和方法还不成熟.根据实现语句覆盖的测试目标,提出了最大稳定遗传算法（LSGA）.该算法充分考虑了遗传算法的稳定性并在构造适应度函数和路径编号时提出了＂邻近者优先＂原则和＂就近路径编号＂原则.这个算法可以生成满足测试目标的最小用例集且其性能明显优于遗传算法.     

用于测试用例最小化的遗传算法

测试用例最小化是回归测试的重点和难点,是软件测试研究的热点之一。遗传算法具有高效的搜索寻优能力,在回归测试优化中受到广泛的研究。但是,经典遗传算法用于测试用例最小化会过早收敛,容易陷入局部最优。现设计了一种改进的遗传算法:根据测试用例的代码覆盖情况,设计基因编码并构建初始种群;结合测试用例的权重、覆盖率和运行代价设计适应度函数;对选择算子和交叉算子分别进行改进,不但可以有效地抑制遗传算法的过早收敛,还可以提高收敛速度。研究对比表明,在满足理想的覆盖率的前提下,改进的遗传算法能够有效地获得测试用例最小化集,大大降低了回归测试的代价。     

基于正交搜索的粒子群优化测试用例生成方法

针对粒子群优化算法易出现早熟收敛的问题,本文提出一种基于正交搜索的粒子群优化测试用例生成方法.首先,利用奇异值分解来预测种群的进化方向,在其正交方向进行搜索,可避免已搜索过的区域,有助于跳出局部最优;然后,对粒子速度项进行改进,使其与正交方向保持一致,保证种群可持续受到正交方向的影响,有利于减少奇异值分解次数,降低时间消耗;最后,对每代最优个体进行局部搜索,以增强算法局部搜索能力.实验证明,本文方法在覆盖率、运行时间、进化代数等指标上均有优势.     

基于遗传算法的软件测试用例自动生成研究

测试用例由测试输入数据以及与之对应的输出结果组成,测试用例设计的好坏直接决定了测试的效果和结果,所以说在软件测试活动中最关键的步骤就是设计有效的测试用例。文章阐述了一种寻优搜索算法来自动生成软件测试用例数据,即遗传算法,利用遗传算法原理的模型图结合测试用例设计需求,介绍了遗传算法自动生成测试用例数据的思想和步骤,并在此基础上研究了基于遗传算法在测试用例自动生成上的技术。利用此方法产生的测试用例数据可以产生较好的测试结果。     

测试用例自动生成方法研究与实现

测试用例的生成工作是指选定被测任务、分析输入数据、确定其取值、并分析对应的输出数据。软件测试数据生成在软件系统开发费用中占很大比重,如果该过程能自动实现,则会极大地减少软件开发的周期和费用。介绍一种测试用例自动生成的链方法,这种测试技术,结合插装技术及目标跟踪方法,能有效生成测试用例,从而提高了测试效率。     

基于遗传算法的Fuzzing测试用例生成模型

将遗传算法运用到Fuzzing的数据生成过程中,根据具体的测试目标特点,对遗传算法的各个部分进行了定义,适应度函数的设计引入了代码覆盖率和多样性因素.对模型进行初步实现,实验证明了该模型在Fuzzing过程中引导测试方向的有效性.     

改进的遗传算法及其在测试数据自动生成中的应用

传统遗传算法在测试数据生成方面是一种实用的算法,但是其自身存在局限性,如过早收敛、优化效率低等。本文对遗传算法的自改进、与其他智能优化算法的混合改进方法以及改进后的算法在测试数据自动生成方面的能力的国内外研究现状进行了系统的研究与讨论,最后分析了相关算法改进的实质。     

An Improved Genetic Algorithm for Test Cases Generation Oriented Paths

This paper discusses a method that can automatically generate test cases for selected paths using a special genetic algorithm. The special algorithm is called Queen-bee evolutionary genetic algorithm（QBEA）. In this algorithm, sequences of operators iteratively executes for test cases to evolve to target paths. The best chromosome called queen among the current population is crossover with drones selected according to a certain crossover prob- ability, which enhances the exploitation of searching global optimum. A comparative experiment results prove that the proposed method is actually a great improvement in opti- mization efficiency and optimization effect.     

基于改进遗传算法的试卷生成算法研究

针对应用传统遗传算法在组卷中出现的早熟和收敛速度慢等问题,提出基于改进遗传算法的试卷生成算法。详细介绍改进的遗传算法应用于组卷的步骤,包括编码方法、适应度函数、交叉算子和变异算子的确定等关键内容。该算法采用分组自然数形式进行个体编码,同时,一改传统交叉方法,采用自适应交叉概率和遗传概率的方法进行运算。仿真实验表明,该算法有效提高了组卷的效率。     

SAGA在软件测试数据自动生成中的应用

总结了测试数据自动生成的通用模型,把模拟退火遗传算法(SAGA)引入模型中作为核心搜索方法,避免了单一遗传算法易陷入局部最优的问题。在算法中,通过实施模拟退火筛选、改进加速适应度函数和控制温度迭代方式达到了模拟退火算法(SA)与遗传算法(GA)的有机融合,并优化了SA的邻域构造方式,加入了遗传算法的最优保留策略,使得算法在收敛效率等方面更加有效。试验证明,该方法是有效的测试数据自动生成方法。     

改进的遗传算法求解背包问题

为提高遗传算法在解决背包问题时的局部搜索能力,在遗传算法中加入禁忌搜索的思想,用遗传算法做全局搜索,禁忌搜索辅助做局部搜索。文中阐述了遗传算法和禁忌搜索算法的基本思想,并给出了适用于背包问题的模型。通过具体事例测试改进的算法,其结果表明改进后的遗传算法拥有更好的性能和更快的收敛速度。     

基于否定选择遗传算法的路径覆盖测试数据生成

路径覆盖是软件测试领域重要的测试方法之一.在搜索空间中,找到一组测试数据满足路径覆盖是一个具有挑战性的问题.因此,自动生成测试数据是软件测试的关键问题.文中提出一种基于否定选择遗传算法的路径覆盖测试数据生成方法,将否定选择策略融入遗传算法,动态优化遗传算法的种群数据,自动生成覆盖目标路径的测试数据.多个基准程序和工业程序的实验结果表明,与随机方法和遗传算法比较,文中方法能够提高路径覆盖率,减少冗余测试数据的生成.     

基于蚁群算法的多路径覆盖测试数据生成

为了提高多路径覆盖测试数据的生成效率,研究了一种基于蚁群算法的多路径覆盖测试数据生成方法.首先给出蚁群算法的一种改进方法,该算法以蚂蚁对生成测试数据的重要性作为蚂蚁状态转移和蚂蚁路径变异的依据,以引导更多蚂蚁穿越小概率节点,提高测试数据生成效率.其次,根据改进的蚁群算法分别提出了基于单信息素表和多信息素表的多路径覆盖测试数据生成方法.在基于多信息素表的方法中,每条目标路径的信息素表均被用于其它路径测试数据的求解,而且蚁群算法运行一次即可求解多条目标路径的覆盖测试数据.最后对所提出方法的有效性和复杂度进行了理论分析.实验结果表明,与其它方法相比,基于多信息素表的测试数据生成方法能够有效地生成多路径覆盖测试数据.     

基于蚂蚁算法和遗传算法的时序电路测试生成

为提高时序电路的测试生成效率,该文提出一种新的基于蚂蚁算法和遗传算法的时序电路测试矢量生成算法.针对国际标准时序电路的实验结果表明,该交叉算法既充分发挥了两种算法的优点,又克服了各自的缺点,与其它同类测试生成算法相比,获得了较好的故障覆盖率和测试集.说明采用蚂蚁算法和遗传算法的交叉算法是成功的.     

基于遗传算法的自适应测试生成

文章介绍了一种基于遗传算法的自适应测试生成方法，首先讨论了用遗传算法进行测试生成时构造评价函数的一些方法，然后应用组合电路的Hopfield神经网络模型，提出了基于遗传算法的自适应测试生成算法，该方法不同于传统的方法，它不需要故障传播传播、回退等过程，实验结果表明了本算法的可行性。     

基于混沌搜索的组合电路测试生成算法

基于组合电路测试生成的离散Hopfield神经网络模型，将混沌搜索与Hopfield网络的梯度算法相结合，利用混沌搜索的内随机性及遍历性来克服梯度算法易于陷于局部极小的缺点，形成一种具有全局搜索能力的测试生成有效算法。该算法综合了随机性和确定性算法的优点，其性能优于一般的随机性算法。实验结果验证了该测试生成算法的有效性。