發(fā)布時(shí)間：2018-04-09 23:12

  本文選題：軟件測(cè)試　切入點(diǎn)：變異測(cè)試　出處：《計(jì)算機(jī)應(yīng)用研究》2017年03期

【摘要】：變異測(cè)試是常用的測(cè)試方法之一,變異測(cè)試分析的過(guò)程中計(jì)算開(kāi)銷會(huì)比較大,問(wèn)題主要集中于測(cè)試過(guò)程中會(huì)產(chǎn)生大量的變異體。為了減少變異體的數(shù)量,提出用標(biāo)準(zhǔn)粒子群聚類算法進(jìn)行選擇優(yōu)化,但標(biāo)準(zhǔn)粒子群算法在被測(cè)數(shù)據(jù)量增加到一定數(shù)量的時(shí)候,它的迭代次數(shù)就會(huì)增加、收斂速度就會(huì)下降。針對(duì)以上問(wèn)題提出基于改進(jìn)的粒子群算法對(duì)變異體進(jìn)行選擇優(yōu)化。通過(guò)對(duì)變異體集合進(jìn)行聚類分區(qū),增強(qiáng)變異體集合的多態(tài)性,從而對(duì)粒子群算法進(jìn)行改進(jìn)優(yōu)化。實(shí)驗(yàn)結(jié)果表明,在不影響測(cè)試充分度的前提下,使變異體的數(shù)量大幅度減少,同時(shí)與K-means算法以及標(biāo)準(zhǔn)粒子群算法相比之下,改進(jìn)后的方法具有更好的優(yōu)化效果。
[Abstract]:Mutation testing is one of the commonly used testing methods. The computational cost of mutation testing and analysis is relatively large. The problem is mainly focused on the process of testing will produce a large number of variants.In order to reduce the number of variants, the standard particle swarm clustering algorithm is proposed for selection optimization. However, when the amount of measured data is increased to a certain amount, the iteration times will increase and the convergence rate will decrease.To solve the above problems, an improved particle swarm optimization (PSO) algorithm is proposed to optimize the selection of variants.By clustering and partitioning the variant set, the polymorphism of the variant set is enhanced, and the particle swarm optimization algorithm is improved.The experimental results show that, without affecting the test adequacy, the number of variants is greatly reduced, and the improved method has better optimization effect than the K-means algorithm and the standard particle swarm optimization algorithm.
【作者單位】： 西安郵電大學(xué)計(jì)算機(jī)學(xué)院;
【基金】：陜西省自然科學(xué)基金資助項(xiàng)目(2015JM6359) 西安市科技計(jì)劃資助項(xiàng)目(CXY1516(4)) 2016年陜西省工業(yè)攻關(guān)資助項(xiàng)目(2016GY-089)
【分類號(hào)】：TP311.53;TP18

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 馮霞;王曙燕;孫家澤;;基于K-means聚類的組合測(cè)試用例生成優(yōu)化算法[J];西安郵電大學(xué)學(xué)報(bào);2015年01期

2 張功杰;鞏敦衛(wèi);姚香娟;;基于變異分析和集合進(jìn)化的測(cè)試用例生成方法[J];計(jì)算機(jī)學(xué)報(bào);2015年11期

3 邵楠;周雁舟;惠文濤;嚴(yán)亞偉;;基于自適應(yīng)變異粒子群優(yōu)化算法的測(cè)試數(shù)據(jù)生成[J];計(jì)算機(jī)應(yīng)用研究;2015年03期

4 陳翔;顧慶;;變異測(cè)試:原理、優(yōu)化和應(yīng)用[J];計(jì)算機(jī)科學(xué)與探索;2012年12期

5 潘爍;王曙燕;孫家澤;;基于K-均值聚類粒子群優(yōu)化算法的組合測(cè)試數(shù)據(jù)生成[J];計(jì)算機(jī)應(yīng)用;2012年04期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 汪文靖;馮瑞;;基于二分K-means的測(cè)試用例集約簡(jiǎn)方法[J];計(jì)算機(jī)工程;2016年12期

2 白栩嘉;蘇敏杰;;基于改進(jìn)PSO-PP模型的區(qū)域水資源利用效率評(píng)價(jià)[J];人民長(zhǎng)江;2016年23期

3 董躍華;譚星成;;花朵授粉算法的研究及在測(cè)試數(shù)據(jù)自動(dòng)生成中的應(yīng)用[J];江西理工大學(xué)學(xué)報(bào);2016年05期

4 安新;何明祥;;一種改進(jìn)粒子群算法的測(cè)試數(shù)據(jù)自動(dòng)生成方法[J];軟件導(dǎo)刊;2016年09期

5 王曙燕;楊悅;孫家澤;;基于改進(jìn)粒子群算法的變異體選擇優(yōu)化[J];計(jì)算機(jī)應(yīng)用研究;2017年03期

6 單平平;陳可;許豪;;基于控制流圖支配樹(shù)的測(cè)試數(shù)據(jù)灰度編碼生成[J];計(jì)算機(jī)應(yīng)用研究;2017年03期

7 陳翔;;地方高等院校計(jì)算機(jī)專業(yè)本科生的科研能力培養(yǎng)方法研究[J];計(jì)算機(jī)教育;2016年06期

8 黨向盈;鞏敦衛(wèi);姚香娟;;基于統(tǒng)計(jì)分析的弱變異測(cè)試可執(zhí)行路徑生成[J];計(jì)算機(jī)學(xué)報(bào);2016年11期

9 支曉斌;高W氱，

本文編號(hào)：1728578