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。     

改进的粒子群算法在测试数据生成中的应用

自动化测试中,测试数据的自动生成技术是提供软件测试效率和效果的瓶颈.粒子群算法(PSO)具有简单、易实现、可调参数少等特点,在测试数据生成方法中得到初步应用.在具体应用过程中,为克服PSO易陷入局部极值的缺陷,对算法进行了改进,应用加入移动步长的混合粒子群算法(SwPSO)自动生成测斌数据,提高了PSO算法摆脱局部极小点的能力.文中对算法的原理和实现做了详细描述,并将其与传统的基于标准粒子群算法(PSO)和遗传算法(GA)来实现软件测试数据自动生成方法进行实验对比.结果表明,改进后的粒子群算法可以更高效地生成测试数据.     

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。     

软件测试数据自动生成算法的仿真研究

研究软件质量优化问题,传统遗传算法存在局部最优、收敛速度慢,使软件测试数据自动生成效率低.为提高软件测试数据生成效率,对传统遗传算法进行改进,提出一种遗传-蚁群算法的软件测试数据生成算法.针对测试数据自动生成的特点,充分发挥遗传算法的全局搜索和蚁群算法的局部搜索优势,提高了测试数据的生成能力.实验结果表明,遗传-蚁群算法提高了软件测试数据生成效率,是一种较为理想的软件测试数据生成算法.     

QPSO在结构测试数据生成中的应用研究

针对目前进化算法生成结构测试数据方法存在搜索速度慢、设置参数复杂、易陷入局部最优解等缺陷,提出了一种基于量子粒子群算法的结构测试数据生成方法。该方法采用分支函数叠加法构造适应值函数,将测试数据自动生成问题转化为函数的最优化问题,同时在粒子群算法基础上引入量子理论的思想,提高了算法的收敛性能和全局搜索能力。将其与标准粒子群算法实现结构测试数据自动生成方法进行比较,实验结果表明,该方法能更快生成测试数据。     

基于DWSPSO的软件测试数据自动生成

针对软件结构测试数据的自动生成提出了一种动态改变惯性权重的简化粒子群算法(DWSPSO)。该算法舍弃了粒子速度这个参数,并通过粒子群中所有粒子适应度的整体变化跟踪粒子群的状态。在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性全局搜索与局部搜索能力。实验结果表明,该算法在测试数据的自动生成上,优于基本的粒子群算法以及惯性权值线性递减粒子群算法(LDWPSO)。     

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.     

改进的SAMPSO的软件测试数据自动生成

针对软件测试数据的自动生成提出了一种简化的自适应变异的粒子群算法（SAMPSO）。该算法在运行过程中根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率,变异操作增强了粒子群优化算法前期全局搜索能力,去掉了粒子群优化（PSO）算法中进化方程的粒子速度项,仅由粒子位置控制进化过程,避免了由粒子速度项引起的粒子发散而导致后期收敛变慢和精度低问题。实验结果表明该算法在测试数据的自动生成上优于基本的粒子群算法,提高了效率。     

基于PSO的软件结构测试数据自动生成方法

测试数据自动生成是软件测试过程中一个关键的问题。现有的结构测试数据自动生成,多采用基于遗传算法的方法。这些方法存在算法复杂、参数不易设置问题。该文提出一种基于粒子群算法的软件结构测试数据自动生成方法,以分支函数叠加法作为适应值函数。针对三角形判别程序的结构测试数据生成实验结果表明,与基于遗传算法的方法相比,可以更高效地生成测试数据,在粒子数目与种群个数相同的情况下,生成所需测试数据的迭代次数仅是遗传算法的1/16左右。     

混合粒子群算法的软件测试数据自动生成

针对全连接拓扑结构的粒子群算法在生成测试数据过程中,存在收敛精度低,易陷入局部极值的问题,提出一种混合粒子群算法HPSO,并将其应用于测试数据自动生成。该算法在保证全局收敛性的前提下,对多样性匮乏的种群,首先采用定长环形拓扑结构取代粒子群的全连接拓扑结构;其次,采用轮盘赌方法选择候选解,更新粒子位置信息和速度信息;最后引入条件禁忌算法,对处于局部极值的粒子采取禁忌处理。通过实验比较表明:与基本粒子群算法(BPSO)相比,HPSO使种群多样性得到大幅度提升;在测试数据生成性能上,HPSO的搜索成功率和路径覆盖率均优于遗传算法与粒子群算法混合算法GA-PSO,而平均耗时与BPSO算法相当,性能表现优越。     

对于测试用例生成的遗传算法改进

软件测试技术中,高效的测试用例生成能够大幅简化测试工作,提高测试效率,节省软件开发成本. 遗传算法作为一种高效的搜索寻优算法已被广泛应用到测试用例自动生成的研究中,然而传统的遗传算法虽然具有良好的全局搜索能力,但对于局部空间的求精问题却不是很有效,存在早熟问题. 针对这些问题,结合禁忌搜索算法,对传统的遗传算法在适应度函数、遗传算子方面进行改进,并进行遗传导向控制,能够有效控制遗传早熟问题,提高遗传算法的局部寻优能力. 实验结果表明,本文所建议的方法在测试用例生成的效率和效果方面均优于基于传统遗传算法的测试用例方法.     

基于OFGA的软件测试用例自动生成

为提高测试用例生成的质量和效率,提出一种基于最优家族遗传算法(OFGA)的软件测试用例自动生成新算法。基于OFGA的测试用例生成算法在执行过程中适当缩小搜索区域,从而在相对更小的区域内快速寻找最优解。因此,OFGA能比较快地加速算法的收敛,提高算法的效率,在测试用例的生成上具有较大的应用潜力。由实验结果可知,新算法比遗传算法(GA)在测试用例自动生成上耗时更少,效果更佳。     

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。     

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%。     

基于进化算法的软件测试数据生成的自动化

介绍了进化算法在测试数据生成中的应用思想,分析了在不同的覆盖准则下应用进化算法时适值函数的设计方法,把遗传算法等进化算法应用到测试数据生成中的进化测试技术,克服了局部搜索算法无法为较复杂程序的分支生成测试输入的问题。     

软件测试数据智能化生成的研究

软件测试数据自动生成是软件测试中的重要难题之一。测试数据自动生成问题可归结为测试数据的搜索或组合优化问题，通常具有不连续、不可微和非线性等特征，适合于采用遗传算法、神经网络等人工智能技术进行解决。国内外学者在此方面作了不少研究并取得一定的成果，但也存在一些问题。该文系统地综述了近年来软件测试数据智能化生成的研究和存在的问题，并对未来的发展进行了展望。     

产生多条路径上测试用例的改进遗传算法

测试用例的产生是软件测试过程中的重要环节，也是瓶颈之一。遗传算法作为一种高效的搜索寻优算法，近年来较多地用于自动化测试中产生测试用例。该文结合数据库管理系统源代码的特点，在基本遗传算法的基础上，结合“位权重”和“邻居影响”的思想，提出了用于产生多条路径上测试用例的改进遗传算法，并通过实验验证了该算法的有效性。     

基于改进异质协同演化的测试用例生成研究

路径搜索是测试用例自动生成的重要环节。针对遗传算法在测试用例生成中的“早熟”缺陷,提出一种改进的异质协同演化算法,将种群划分成两个子种群,分别采用遗传子群和差分子群进行演化,在演化的过程中两个子种群相互协作,通过改进迁移间隔代数和迁移率这两个参数,增加扰动,更加均衡遗传算法的全局探索与差异演化算法的局部搜索。实验结果表明,该算法比遗传算法和传统异质协同演化算法在生成测试用例的收敛性能方面更具优势,因此该方法更适合测试用例自动生成的应用中。     

Test‐data generation using genetic algorithms

This paper presents a technique that uses a genetic algorithm for automatic test‐data generation. A genetic algorithm is a heuristic that mimics the evolution of natural species in searching for the optimal solution to a problem. In the test‐data generation application, the solution sought by the genetic algorithm is test data that causes execution of a given statement, branch, path, or definition–use pair in the program under test. The test‐data‐generation technique was implemented in a tool called TGen, in which parallel processing was used to improve the performance of the search. To experiment with TGen, a random test‐data generator called Random was also implemented. Both Tgen and Random were used to experiment with the generation of test‐data for statement and branch coverage of six programs. Copyright © 1999 John Wiley & Sons, Ltd.