一种面向对象类间关系测试方法

面向对象软件的一个突出特点就是存在于类间的复杂依赖关系:继承、聚合和关联。提出了一种测试类间关系的方法,自动从UML图或源代码中导出类间的三种关系,并给出了相应的类间关系图和各个类的测试次序的类簇测试算法。该算法导出的类间关系可用于类间的静态和动态依赖关系测试。     

基于UML构造回归测试依赖集

首先简单介绍了现代软件工程采用的建模语言UML的特点和功能,特别是其图形表达方式类图和包图的特点,并分析了面向对象系统基于安全缩减的回归测试。最后,提出了一种基于UML类图和包图构造类依赖集、子系统依赖集的算法。     

基于中介中心性的类重要性度量的研究

为了合理分配测试资源,降低测试成本,提高软件质量,在目前软件可测试性和中介中心性研究的基础上,提出了将中介中心性和由UML类图转化而来的类依赖关系图(CDG图)结合起来,度量和分析类之间依赖结构的类重要性,以此来指导软件的测试活动。最后通过实例运行结果表明,该方法可以指导测试资源的分配,提高软件可测试性,保证软件质量,从而降低整个软件测试的成本。     

基于UML图和不同粒度切片的回归测试研究

针对面向对象软件回归测试的新特点,本文引入了基于UML图的不同粒度切片。首先,对描述类间关系的UML类图和描述状态变迁关系的UML状态图形式化定义。接着,对定义的图进行切片分析,其中类间测试提出一种基于UML类图的粗粒度切片工具;类内测试提出一种基于UML状态图细粒度切片的方法。最后,将其应用于销售订单系统,结果表明以上两种分析方法可以有效地提高回归测试效率。     

基于语义的UML类图的集成分类

在软件重用中,软件设计重用受到关注。UML类图被广泛应用于软件设计,UML类图的重用已经成为软件设计重用研究的重点。随着可重用的UML类图数量的不断增加,分类成为一项基础性工作。一个新的基于语义的UML类图的两级分类被提出。定义了类图之间的语义相似性度量,提出了行最大值捕捉算法获取中心类图来标识每个类别特征,基于改进的KNN[（K]邻近）算法构建了一个新的集成分类器E-KNN（ExtensibleKNN）。从分类质量和效率上验证了所构建分类器的有效性。     

基于描述逻辑的带依赖属性UML类图

分析基于描述逻辑的统一建模语言(UML)类图形式化方法的研究现状和存在的问题,提出一种基于描述逻辑的带依赖属性UML类图的形式化方法。研究带依赖属性UML类图的数据属性依赖、行为属性依赖和全局属性依赖的描述逻辑形式化问题。给出带依赖属性UML类图向描述逻辑知识库转化的方法,以及带依赖属性UML类图知识库可满足性定理及其正确性证明。     

UML状态图在回归测试中的应用

基于UML状态图的测试是一种系统测试技术,也是基于需求的回归测试方法的扩展。该文通过依赖性分析,生成基于依赖性分析的UML状态图和依赖图,将修改前和修改后的UML状态图进行比较,为回归测试中待测试的程序的理解、发现和修改错误提供一种方法,并运用SATM实例讨论该技术在回归测试中的应用。     

基于UML类图的软件可测试性分析方法研究

为了降低面向对象软件的测试复杂性,降低测试的成本,提高软件质量,在目前软件可测试性研究的基础上,提出了将圈复杂度和UML类图转化而来的类依赖关系图(CDG图)结合起来,分析和度量类之间相互关系的复杂性,以此来指导可测试性的改善以及开发和测试的设计.最后通过实例表明,该方法可以指导软件的设计,提高软件的可测试性,从而降低...     

面向对象类簇级测试中控制依赖分析方法研究

类簇控制依赖信息是进行类间数据流测试的基础。本文通过克服已有类控制流分析的不足之处,提出了CCFG算法,依照类间测试序,通过分析继承、聚集和关联等类间关系特 征进而增量式地构造类间控制流图（ICCFG算法）,并初步探讨了动态控制依赖分析方法。实验表明,上述控制流分析方法可方便地用于类间数据流测试,并能有效地探测定义一使用错误。     

基于扩展ORD图的类间集成测试顺序改进算法

在UML类图的基础上,将传统对象关系图(ORD)模型进行了扩展,并对它们进行了形式化的定义.提出了一种基于扩展ORD图的类间集成测试顺序改进算法,通过递归调用改进的Kosaraj鉴别强连通分量的算法来确定SCCs.本算法与Tai和Traon的两种算法比较,需要的测试桩最少,效率最高.理论分析和初步的实验证明这种方法是可行和有效的.     

基于控制依赖路径覆盖的Fuzzing模型

为解决软件生产过程中存在的测试时间过长而导致成本急剧增长的问题,针对基于动静结合的Fuzzing方法中存在的缺陷,提出了基于控制依赖路径覆盖的Fuzzing模型。在该模型中,动态测试目标为静态分析提取的脆弱性语句。设计了一种基于两层相似度的适应度函数来指导遗传算法搜索覆盖控制依赖路径的测试用例,并在该测试用例基础上生成Fuzzing测试用例来验证脆弱性语句中的脆弱性,排除误报的脆弱性语句。该模型将有限的测试资源放在最可能出现漏洞的代码上,从而达到在增强Fuzzing方向性并保持高度自动化的同时提高测试效率的目的。     

基于MapX最短路径搜索算法研究

在深入分析现有最短路径搜索算法和MapX空间特性的基础上,提出了一种基于MapX的局部最短路径搜索算法.该算法依据最短路径沿起点、终点连线方向可能性最大的特征,在小矩形范围内搜索,避免了因道路"振荡"而产生结果失真的问题,减少了搜索的节点数目,降低了搜索规模.实验结果表明,该算法搜索速度快,道路网络结构越复杂,其运行效率越高,具有很强的实用性.     

基于GSPN和人工免疫算法的并行测试任务调度研究

针对ATS中并行测试任务调度复杂、难以优化的问题,提出了一种广义随机Petri网和人工免疫算法相结合的任务调度优化算法.首先对并行测试系统建立广义随机Petri网(GSPN)模型,然后将激发的变迁序列集作为并行测试任务调度路径;将免疫克隆选择算法(ICSA)应用到并行测试系统任务调度问题中,并提出一种自适应克隆选择算子,搜索最优任务调度路径,得到以测试时间最短为目标的最优任务调度方案.用某型雷达接收机并行测试系统对该算法进行仿真验证,结果表明,与改进的混合遗传算法(IHGA)相比,该算法能够便捷地得到任务调度最优序列,且测试效率更高.     

一种基于改进冲突搜索的多机器人路径规划算法

针对智能仓储环境下多载位自主移动机器人集群拣选-配送路径规划问题,提出一种改进型基于冲突搜索的多智能体路径规划算法.在模型方面,采用多载位机器人替代KIVA机器人,建立以最小化拣选-配送时间以及无效路径比为目标的数学规划模型.在算法方面,首先,提出一种基于优先级规则的多智能体冲突消解加速策略;然后,设计基于动态规划的单机器人拣选序列优化算法;最后,设计考虑转向惩罚的增强A*算法搜索机器人最优路径.实验结果表明:所提出模型与KIVA系统相比有较大优越性;所提出算法能够有效缩短拣选-配送时间、减少无效路径时间.     

多方向无人水面艇路径规划算法

针对海洋环境下无人水面艇路径（USV）规划安全性与平滑性问题,提出一种多方向A^*路径规划算法以获得全局最优路径。首先,结合电子海图生成栅格化环境信息,并根据安全航行距离约束建立USV安全区域模型,在传统A^*算法基础上设计一种带安全距离约束的A^*启发函数来保证生成的路径节点的安全;其次,改进传统A^*算法的八方向搜索模式,提出一种多方向搜索模式来调整生成路径中的冗余点与拐点;最后,采用路径平滑算法对路径拐点进行平滑处理以获得满足实际航行要求的连续平滑路径。在仿真实验中,改进A^*算法规划的路径距离为7 043 m,相较于Dijkstra算法、传统A^*四方向搜索算法和传统A^*八方向搜索算法分别降低了9.7%、26.6%和7.9%。仿真结果表明改进后的多方向A^*搜索算法能够有效减小路径距离,更适用于USV路径规划问题。     

基于混沌麻雀搜索算法的无人机航迹规划方法

针对无人机（UAV）航迹规划求解计算量大、难收敛等问题,提出了一种基于混沌麻雀搜索算法（CSSA）的航迹规划方法。首先,建立二维任务空间模型与航迹代价模型,将航迹规划问题转化为多维函数优化问题;其次,采用立方映射初始化种群,并使用反向学习策略（OBL）引入精英粒子,增强种群多样性,扩大搜索区域范围;然后,引入正弦余弦算法（SCA）,并采用线性递减策略平衡算法的开发与探索能力,当算法陷入停滞时,采用高斯游走策略帮助算法跳出局部最优;最后,将提出的改进算法在15个基准测试函数中进行性能验证,并应用于航迹规划问题求解。仿真结果表明,CSSA的寻优性能优于粒子群优化（PSO）算法、天牛群优化（BSO）算法、鲸鱼优化算法（WOA）、灰狼优化（GWO）算法和麻雀搜索算法（SSA）,并且能够快速地得到一条代价最优、满足约束的安全可行航迹,验证了所提方法的有效性。     

多方向无人水面艇路径规划算法

针对海洋环境下无人水面艇路径（USV）规划安全性与平滑性问题，提出一种多方向A^*路径规划算法以获得全局最优路径。首先，结合电子海图生成栅格化环境信息，并根据安全航行距离约束建立USV安全区域模型，在传统A^*算法基础上设计一种带安全距离约束的A^*启发函数来保证生成的路径节点的安全；其次，改进传统A^*算法的八方向搜索模式，提出一种多方向搜索模式来调整生成路径中的冗余点与拐点；最后，采用路径平滑算法对路径拐点进行平滑处理以获得满足实际航行要求的连续平滑路径。在仿真实验中，改进A^*算法规划的路径距离为7 043 m，相较于Dijkstra算法、传统A^*四方向搜索算法和传统A^*八方向搜索算法分别降低了9.7%、26.6%和7.9%。仿真结果表明改进后的多方向A^*搜索算法能够有效减小路径距离，更适用于USV路径规划问题。     

Fuzzy neural network with general parameter adaptation for modelingof nonlinear time-series

By taking advantage of fuzzy systems and neural networks, a fuzzy-neural network with a general parameter (GP) learning algorithm and heuristic model structure determination is proposed in this paper. Our network model is based on the Gaussian radial basis function network (RBFN). We use the flexible GP approach both for initializing the off-line training algorithm and fine-tuning the nonlinear model efficiently in online operation. A modification of the robust unbiasedness criterion using distorter (UCD) is utilized for selecting the structural parameters of this adaptive model. The UCD approach provides the desired modeling accuracy and avoids the risk of over-fitting. In order to illustrate the operation of the proposed modeling scheme, it is experimentally applied to a fault detection application.     

面向机器人全局路径规划的改进蚁群算法研究

针对基本蚁群算法在机器人路径规划过程中路径转弯角度过大、易陷入局部极小值、收敛速度慢等问题,对其进行改进。在分析机器人路径规划环境建模方法基础上,将转角启发函数引入至节点选择概率公式,以增强路径选择指向性,提高算法搜索速度;通过引入当前节点与下一节点之间的距离和下一节点与目标节点距离之和的二次方对启发函数进行改进,使得算法搜索过程更有针对性,并降低陷入局部极小值概率;提出信息素挥发因子自适应更新策略,扩大算法搜索范围,提高收敛速度;利用遗传算法的交叉操作对移动路径进行二次优化,以增强算法的寻优能力,进而以Floyd算法为基础引入路径平滑操作,减少移动路径节点。在MATLAB中与其他算法通过求解多个单模测试函数与多模测试函数进行对比,并在栅格法环境建模中进行机器人全局路径规划仿真对比实验,以验证改进算法在路径寻优速度和质量上更具优越性。仿真结果表明,改进后的蚁群算法具有一定的可行性和有效性。     

Goal-oriented dynamic test generation

ContextMemory safety errors such as buffer overflow vulnerabilities are one of the most serious classes of security threats. Detecting and removing such security errors are important tasks of software testing for improving the quality and reliability of software in practice.ObjectiveThis paper presents a goal-oriented testing approach for effectively and efficiently exploring security vulnerability errors. A goal is a potential safety violation and the testing approach is to automatically generate test inputs to uncover the violation.MethodWe use type inference analysis to diagnose potential safety violations and dynamic symbolic execution to perform test input generation. A major challenge facing dynamic symbolic execution in such application is the combinatorial explosion of the path space. To address this fundamental scalability issue, we employ data dependence analysis to identify a root cause leading to the execution of the goal and propose a path exploration algorithm to guide dynamic symbolic execution for effectively discovering the goal.ResultsTo evaluate the effectiveness of our proposed approach, we conducted experiments against 23 buffer overflow vulnerabilities. We observed a significant improvement of our proposed algorithm over two widely adopted search algorithms. Specifically, our algorithm discovered security vulnerability errors within a matter of a few seconds, whereas the two baseline algorithms failed even after 30 min of testing on a number of test subjects.ConclusionThe experimental results highlight the potential of utilizing data dependence analysis to address the combinatorial path space explosion issue faced by dynamic symbolic execution for effective security testing.