【摘要】：軟件自動化測試的核心是高效自動地生成測試數(shù)據(jù)。人力構(gòu)造測試數(shù)據(jù)是一項非常耗時耗力的工作,不僅工作量繁重,而且工作內(nèi)容也比較盲目。自動生成測試數(shù)據(jù)則可彌補上述缺陷,減輕測試人員的工作量,顯著提高軟件測試的效率。近年來,利用智能優(yōu)化算法實施測試數(shù)據(jù)自動生成的工作取得了較大的進展,比較熱門的是基于遺傳算法的測試數(shù)據(jù)生成研究,但是,由于遺傳算法初始時需要對個體進行編碼,導(dǎo)致該算法復(fù)用性不強。且編碼、解碼占用大量CPU時間,運行效率會相對較低。而研究發(fā)現(xiàn),粒子群算法模型簡單、搜索效率高,在測試數(shù)據(jù)自動生成領(lǐng)域是一種很有前途的算法。以此為出發(fā)點,本文在研究測試數(shù)據(jù)生成技術(shù)和智能優(yōu)化算法的基礎(chǔ)上,提出了兩種基于粒子群算法的優(yōu)化改進算法,具體研究工作和成果如下:1.提出一種簡化改進的粒子群算法。對標準粒子群算法進行降階處理,簡化粒子的進化過程,并通過與標準粒子群算法的對比實驗,驗證了該優(yōu)化策略的可行性。粒子群算法經(jīng)過改進以后,不確定參數(shù)就只剩下慣性權(quán)重,本文對慣性權(quán)重的取值方法也進行了研究分析,提出當慣性權(quán)重在適當?shù)亩x域內(nèi)隨機選取時,算法的搜索遍歷度最高。2.提出一種基于改進粒子群-蟻群組合算法進行測試數(shù)據(jù)生成的方法。為了改進粒子群算法解決問題時容易陷入局部最優(yōu)的現(xiàn)象,將優(yōu)化后的粒子群算法與蟻群算法相結(jié)合,充分凝聚兩個算法的優(yōu)點。這種方式規(guī)避了粒子群算法易陷入局部最優(yōu)的缺陷,并且十分簡便易懂。實驗結(jié)果表明,將此組合算法用于測試用例的自動生成,最大程度地體現(xiàn)了兩個算法的優(yōu)勢。利用反饋信息增強全局搜索能力,保證整個求解過程適應(yīng)度高的粒子個體與適應(yīng)度低的粒子個體數(shù)目差距不會過大,有效地提升了測試數(shù)據(jù)自動生成的穩(wěn)定性和平衡性,進而解決搜索過程易“早熟”的問題。3.提出一種基于K均值-粒子群組合算法生成測試數(shù)據(jù)的方法。為了解決粒子群算法的運行效率受粒子群規(guī)模影響較大的問題,在粒子群算法中引入K-means算法的思想。在每次迭代過程中,均先利用K-Means算法劃分粒子群,以此減少算法的迭代次數(shù),提高算法的運行效率。實驗結(jié)果表明,將KPSO算法應(yīng)用于測試數(shù)據(jù)的自動生成,既確保了生成數(shù)據(jù)的質(zhì)量,又明顯提高了算法的運行效率,并且有效節(jié)約運行時間使得測試數(shù)據(jù)自動化生成更可靠、更合理,實用價值更高。
【圖文】：

＾灰盒測試逡逑圖２．１軟件測試的分類逡逑軟件測試的分類［４｜］，可以從好幾個方向來進行，如圖２．１所示。逡逑按照開發(fā)進展來劃分，可以分成單元測試、集成測試、確認測試、系統(tǒng)測試和驗逡逑收測試這幾個模塊［４２］。單元測試主要針對程序的最小組成單元——模塊進行檢查，測逡逑試各個模塊是否可以準確實現(xiàn)詳細設(shè)計說明中的功能、性能、接口等要求；集成測試逡逑是將己經(jīng)通過單元測試的模塊進行組裝，測試單元之間的接口關(guān)系，看組裝后模塊的逡逑７逡逑

邐ｐ—？￣邐邐邋邐，，逡逑（ｍ邋）邐選擇一＞邋交叉一？變異逡逑圖２．３遺傳算法基本流程圖逡逑遺傳算法的具體操作流程如圖２．３所示。逡逑Ｓｔｅｐｌ．隨機生成初始種群，選擇合適的編碼方式，對初始種群中的每個個體進行逡逑編碼，生成相應(yīng)的染色體；逡逑Ｓｔｅｐ２．根據(jù)適應(yīng)度評價函數(shù)計算種群中每個個體的適應(yīng)度值，若存在個體適應(yīng)度逡逑值符合目標解的要求或者達到終止條件，則轉(zhuǎn)Ｓｔｅｐ４；逡逑Ｓｔｅｐ３．按照一定概率從種群中選擇適應(yīng)度值較高的個體進入下一代，并對這些優(yōu)逡逑異的個體進行復(fù)制、交叉、變異等遺傳操作，生成新一代種群，轉(zhuǎn)Ｓｔ�。�；逡逑Ｓｔｅｐ４．對染色體進行解碼操作，得到最終解，算法結(jié)束。逡逑１５逡逑
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP18;TP311.53

【參考文獻】

相關(guān)期刊論文 前10條

1 顧忠偉;徐福緣;;基于自適應(yīng)混沌粒子群的聚類算法[J];計算機工程與設(shè)計;2015年06期

2 易敏捷;;蟻群遺傳混合優(yōu)化算法在面向路徑測試數(shù)據(jù)自動生成中的應(yīng)用[J];計算機光盤軟件與應(yīng)用;2013年19期

3 崔麗婷;雷斌;;改進的遺傳算法及其在測試數(shù)據(jù)自動生成中的應(yīng)用[J];信息技術(shù)與信息化;2013年04期

4 李擎;張超;陳鵬;尹怡欣;;一種基于粒子群參數(shù)優(yōu)化的改進蟻群算法[J];控制與決策;2013年06期

5 黃太安;生佳根;徐紅洋;黃澤峰;;一種改進的簡化粒子群算法[J];計算機仿真;2013年02期

6 王博;王曙燕;;一種新的基于模擬退火的測試用例生成與約簡算法[J];計算機應(yīng)用與軟件;2013年02期

7 毛汝君;徐蔚鴻;逯燕玲;;基于粒子群-蟻群混合算法的軟件測試數(shù)據(jù)生成方法研究[J];硅谷;2013年01期

8 王林;尤楓;趙瑞蓮;;基于改進遺傳算法的面向路徑測試數(shù)據(jù)生成[J];計算機工程;2012年04期

9 陳小全;張繼紅;;基于改進粒子群算法的聚類算法[J];計算機研究與發(fā)展;2012年S1期

10 曹曉燕;邵定宏;;基于混合遺傳算法的測試數(shù)據(jù)自動生成研究[J];計算機工程與設(shè)計;2010年21期

相關(guān)博士學(xué)位論文 前1條

1 金虎;自動化軟件測試技術(shù)研究[D];四川大學(xué);2006年

相關(guān)碩士學(xué)位論文 前7條

1 王金永;基于粒子群優(yōu)化算法的聚類分析研究[D];青島理工大學(xué);2015年

2 溫鳳文;粒子群優(yōu)化K-均值聚類算法研究[D];重慶師范大學(xué);2014年

3 胥洲;基于粒子群算法的測試數(shù)據(jù)自動生成方法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

4 楊寧寧;基于遺傳蟻群算法的路徑覆蓋測試數(shù)據(jù)生成的研究[D];河北工程大學(xué);2013年

5 韓炫;面向路徑的軟件測試數(shù)據(jù)生成方法的研究[D];電子科技大學(xué);2011年

6 張自魯;基于路徑覆蓋的測試數(shù)據(jù)自動生成方法研究[D];中國石油大學(xué);2010年

7 陳琳玲;基于簡化粒子群算法的測試數(shù)據(jù)自動生成方法研究[D];西南大學(xué);2010年

本文編號：2668708