测试数据自动生成方法

软件测试是提高软件可靠性、保证软件质量的重要手段，可分为静态分析、路径选择、测试数据生成和动态分析四个阶段，而软件测试过程中的一个重要任务是生成测试数据。文中首先给出了遗传算法的形式化描述，然后提出了遗传算法和函数极小化相结合的方法自动生成测试数据，并通过具体实例表明其有效性。     

测试数据自动生成方法

软件测试是提高软件可靠性、保证软件质量的重要手段,可分为静态分析、路径选择、测试数据生成和动态分析四个阶段,而软件测试过程中的一个重要任务是生成测试数据。文中首先给出了遗传算法的形式化描述,然后提出了遗传算法和函数极小化相结合的方法自动生成测试数据,并通过具体实例表明其有效性。     

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。     

一种Web服务的测试数据自动生成方法

软件测试是保证Web服务质量的重要技术手段.测试数据生成是Web服务测试的重要内容.测试数据的质量将直接影响Web服务测试的效率和成本.文章基于合约式设计的 Web服务测试技术,提出一种 Web服务的测试数据自动生成方法.首先根据WSDL文档采用随机法自动生成初始测试数据,然后使用合约变异技术进行测试数据的选择,据此可以生成一组达到一定合约变异充分度的有效测试数据,从而提高 Web服务的测试质量和效率.最后实现了一个Web服务的测试数据自动生成工具原型,并通过实验验证了方法的有效性.     

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.     

多路径测试数据自动生成方法及应用

以程序结构测试自动生成为研究背景,提出了一种重叠路径结构用以描述程序路径,并以此为基础设计了一种多路径测试数据生成适应值算法,实现了一次搜索完成多条路径的测试数据生成。算法通过目标路径间共享遗传算法产生的中间个体减少单一路径搜索始于随机产生的无序个体的初期迭代,从而加快搜索收敛的速度。应用于常用的基准程序和取自实际项目的程序,该算法与典型的分支谓词距离算法相比平均消耗时间缩短了70.6%。     

基于遗传算法的类对象测试数据自动生成研究

在测试数据自动化生成方法中,对类对象测试数据的生成目前在实际中还没有完善的解决方法。针对这个不足,研究了基于遗传算法的类对象测试数据自动生成技术。在扩展海明距离法的基础上,提出了一种在遗传算法中生成类对象测试数据的适应度函数改进方法,并在理论上证明了该方法在缩短执行时间上的可行性。最后将方法实验于实际系统,实验结果显示在生成类对象测试数据的效率和准确性上都有明显的提高。     

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.     

基于搜索的面向路径字符串测试数据自动生成方法

针对字符串测试数据自动生成,讨论了字符串间的距离,将不满足路径条件的字符串谓词表示成一个实值目标函数;利用快速下降搜索算法实施目标函数极小化,实现了基于搜索的面向路径字符串测试数据自动生成方法;探讨了其测试数据生成效率与初始输入、路径处理顺序之间的关系,并与遗传算法等几种算法进行了比较．实验结果表明：该方法是一种更经济有效的测试数据生成方法．     

一种新的数据流覆盖测试数据进化生成方法

数据流覆盖可有效地检测软件中的缺陷与错误.针对该覆盖准则中存在的插装监测开销庞大和测试数据生成效率不高的问题,提出一种新的基于定值-引用对覆盖的测试数据进化生成方法.该方法主要分为两部分,首先,通过约减测试目标来减少插装开销,提出的包含关系算法可找到一个定值—引用对子集,使得覆盖该子集就能保证所有测试目标被覆盖;然后,采用遗传算法为所有测试目标生成测试数据,设计的适应度函数综合考虑个体实际执行的路径与每个测试目标的定义明确路径的匹配程度.将该方法用于8个基准程序的测试数据生成,并与其他方法比较,结果显示其可有效提高程序覆盖率和测试数据生成效率.     

基于关键点路径的快速测试用例自动生成方法

测试数据的自动生成,是提高软件测试效率的重要手段.从软件测试工程实践的角度提出快速生成测试数据的完整模型,更有利于提高测试数据生成效率.为此:(1)提出关键点路径表示法,以得出待测程序的理论路径数,并快速确定已覆盖路径的邻近路径;(2)用随机生成的数据运行简化后的插装程序,得到部分测试数据;(3)将理论路径分成易覆盖路径、难覆盖路径和不可行路径;(4)根据已覆盖路径及其测试数据提供的信息,使用遗传算法生成难覆盖路径的测试数据.仿真实验结果表明了所提方法的有效性.     

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.     

融入神经网络的路径覆盖测试数据进化生成

利用遗传算法生成复杂软件的测试数据,是软件测试领域一个全新的研究方向.传统的基于遗传算法的测试数据生成技术,需要以每个测试数据作为输入运行被测程序,以获得个体的适应值,因此,需要消耗大量的运行时间.为了降低运行程序带来的时间消耗,提出一种基于神经网络的路径覆盖测试数据进化生成方法,主要思想是:首先,利用一定样本训练神经网络,以模拟个体的适应值;在利用遗传算法生成测试数据时,先利用训练好的神经网络粗略计算个体适应值;对适应值较好的优秀个体,再通过运行程序,获得精确的适应值.最后的实验结果表明,该方法可以有效降低运行程序产生的时间消耗,从而提高测试数据生成的效率.     

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.     

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...     

基于正则表达式的测试数据自动生成技术

软件测试是提高软件可靠性、保证软件质量的重要手段。数据自动生成是测试自动化的重要组成部分。提出一种基于正则表达式的测试数据自动生成技术,生成的数据应该具有随机性、可控制、可定义、有意义、无错误等特性,特别是对大字段／专有类型等特殊类型的支持,可以解决目前测试数据自动生成存在的问题,具有良好的扩展性。