從函數(shù)入口到達(dá)目標(biāo)點或者函數(shù)出口的路徑可能有非常多,選擇一條約束求解復(fù)雜度低的路徑可以提高面向路徑的測試用例生成效率,具有非常重要的意義。面向路徑的約束求解復(fù)雜度可以由求解時間來體現(xiàn)。本文首先分析了面向路徑的約束求解中影響效率的關(guān)鍵因素。然后,結(jié)合路徑中約束信息的構(gòu)成建立了符號化的約束求解復(fù)雜度模型。最后,基于約束求解復(fù)雜度模型使用機(jī)器學(xué)習(xí)中的誤差反向傳播神經(jīng)網(wǎng)絡(luò)、遺傳算法優(yōu)化的誤差反向傳播神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸和集成學(xué)習(xí)四種方法對大量歷史路徑求解數(shù)據(jù)進(jìn)行訓(xùn)練,建立預(yù)測模型,實現(xiàn)對一組新輸入路徑集的求解時間預(yù)測。其中,預(yù)測求解時間最少的路徑就代表求解復(fù)雜度最低的一條路徑。本文在MATLAB上編碼實現(xiàn)了上述四種方法,并通過相關(guān)實驗來驗證這些方法的可行性。實驗結(jié)果表明遺傳算法優(yōu)化后的誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型預(yù)測準(zhǔn)確率最高,將該模型應(yīng)用到測試用例生成的路徑選擇中可以提高整體效率。 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２機(jī)器學(xué)習(xí)??機(jī)器學(xué)習(xí)的基礎(chǔ)模型如圖２－３所示，主要包括了四個部分：環(huán)境、學(xué)習(xí)環(huán)節(jié)、??

于研究通過計算的手段，利用經(jīng)驗來改善系統(tǒng)本身的性能，而在計算機(jī)系統(tǒng)中，??經(jīng)驗一般以數(shù)據(jù)的形式存在［力。傳統(tǒng)的計算機(jī)編程中，數(shù)據(jù)通過模型計算得到輸??出結(jié)果，如圖２－１所示。而在機(jī)器學(xué)習(xí)中，通過數(shù)據(jù)和輸出結(jié)果計算得到實現(xiàn)這??個轉(zhuǎn)換的模型，如圖２－２所示。機(jī)器學(xué)習(xí)的主要研宄內(nèi)容就是從數(shù)據(jù)中發(fā)現(xiàn)規(guī)律??即學(xué)習(xí)算法（ｌｅａｒｎｉｎｇ?ａｌｇｏｒｉｔｈｍ），并應(yīng)用于解決新的問題。??數(shù)據(jù)?Ｊ??顯］計算機(jī)｜轉(zhuǎn)＊??圖２－１傳統(tǒng)的計算機(jī)編程??數(shù)據(jù)?」???碎里￣＂計算機(jī)?￣￣－??結(jié)果?，??圖２－２機(jī)器學(xué)習(xí)??機(jī)器學(xué)習(xí)的基礎(chǔ)模型如圖２－３所示，主要包括了四個部分：環(huán)境、學(xué)習(xí)環(huán)節(jié)、??知識庫以及執(zhí)行環(huán)節(jié)。???？學(xué)習(xí)環(huán)節(jié)???？執(zhí)行環(huán)節(jié)??圖２－３機(jī)器學(xué)習(xí)的基本模型??在機(jī)器學(xué)習(xí)模型中，學(xué)習(xí)環(huán)節(jié)和執(zhí)行環(huán)節(jié)是兩個主要的過程，學(xué)習(xí)環(huán)節(jié)通過??對環(huán)境的輸入信息進(jìn)行學(xué)習(xí)形成知識庫，并不斷對知識庫進(jìn)行改進(jìn)，而執(zhí)行環(huán)節(jié)??

（３）?—個激活函數(shù)。用于限制模型輸出振幅，將輸入數(shù)據(jù)限制到比較小的??范圍，常見的有［０，１］或者［－１，１］。??圖２－４的神經(jīng)元模型可詳細(xì)描述如下。??設(shè)神經(jīng)元的輸入向量為??Ｘ?＝?（Ｘ１；Ｘ２，Ｘ３，．．．，Ｘｎ）ｒ?（２－１）??公式（２－１）中，尤Ｕ?＝?１，２，３，…，ｎ）表不第／個神經(jīng)兀的輸入，《表不輸??入神經(jīng)元的總數(shù)量。??輸入神經(jīng)元到神經(jīng)元節(jié)點的加權(quán)向量為??Ｗ＝?（Ｗ１，Ｗ２，Ｗ３，．．．，Ｗｎ）７＇?（２－２）??公式（２－２）中，呎（ｉ?＝?１，?２，３，…，ｎ）表示第ｆ?zhèn)�輸入神經(jīng)元到神經(jīng)元節(jié)點??的加權(quán)值。??神經(jīng)元節(jié)點的輸入經(jīng)過加權(quán)處理之后的和為??ｓ?＝?Ｓ？＝１＾Ｍ／，－０?（２－３）??公式（２－３）中，０表示神經(jīng)元節(jié)點的閾值。??神經(jīng)元的輸出為??ｙ?＝?ｆ（ｓ）?（２－４）??公式（２－４）中，函數(shù)／表示轉(zhuǎn)移函數(shù)。??２．２．２誤差反向傳播神經(jīng)網(wǎng)絡(luò)??誤差反向傳播神經(jīng)網(wǎng)絡(luò)（ｅｒｒｏｒ?ｂａｃｋｐｒｏｐａｇａｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ）簡稱ＢＰ神經(jīng)??網(wǎng)絡(luò)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)遺傳算法的測試數(shù)據(jù)自動生成的研究[J]. 高雪笛,周麗娟,張樹東,柳昊明.  計算機(jī)科學(xué). 2017(03)
[2]基于BP神經(jīng)網(wǎng)絡(luò)軟件測試缺陷預(yù)測技術(shù)研究及應(yīng)用[J]. 費清春,嚴(yán)沁,史瑩瑩.  測控技術(shù). 2016(01)
[3]基于分支限界搜索框架的測試用例自動生成[J]. 邢穎,宮云戰(zhàn),王雅文,張旭舟.  中國科學(xué):信息科學(xué). 2014(10)
[4]SVM應(yīng)用于測試用例生成的方法[J]. 趙詠斌,朱嘉鋼,陸曉.  計算機(jī)應(yīng)用研究. 2015(01)
[5]基于符號執(zhí)行的測試數(shù)據(jù)生成方法的研究與設(shè)計[J]. 趙躍華,闞俊杰.  計算機(jī)應(yīng)用與軟件. 2014(02)
[6]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和.  計算機(jī)工程與應(yīng)用. 2011(03)
[7]機(jī)器學(xué)習(xí)及其相關(guān)算法綜述[J]. 陳凱,朱鈺.  統(tǒng)計與信息論壇. 2007(05)
[8]軟件測試工具綜述[J]. 王雅文,宮云戰(zhàn),楊朝紅.  北京化工大學(xué)學(xué)報(自然科學(xué)版). 2007(S1)
[9]基于面向路徑的遺傳算法的測試用例自動生成[J]. 金虎,李志蜀,張磊,李寶林,李勇軍.  計算機(jī)工程. 2007(03)
[10]Boosting和Bagging綜述[J]. 沈?qū)W華,周志華,吳建鑫,陳兆乾.  計算機(jī)工程與應(yīng)用. 2000(12)

博士論文
[1]測試用例自動生成的分支限界算法及實驗研究[D]. 邢穎.北京郵電大學(xué) 2014
[2]基于機(jī)器學(xué)習(xí)的軟件缺陷預(yù)測技術(shù)研究[D]. 馬櫻.電子科技大學(xué) 2012
[3]基于動態(tài)測試用例生成的二進(jìn)制軟件缺陷自動發(fā)掘技術(shù)研究[D]. 李根.國防科學(xué)技術(shù)大學(xué) 2010
[4]面向路徑的測試數(shù)據(jù)自動生成方法研究[D]. 單錦輝.國防科學(xué)技術(shù)大學(xué) 2002

碩士論文
[1]基于機(jī)器學(xué)習(xí)的手機(jī)游戲軟件自動化測試研究[D]. 程文華.浙江大學(xué) 2014
[2]基于神經(jīng)網(wǎng)絡(luò)的路徑覆蓋測試數(shù)據(jù)生成[D]. 李鑫.中國礦業(yè)大學(xué) 2014
[3]基于動態(tài)符號執(zhí)行的測試用例生成技術(shù)研究[D]. 董齊興.中國科學(xué)技術(shù)大學(xué) 2014
[4]基于動態(tài)程序切片技術(shù)的測試用例自動生成研究[D]. 劉磊.安徽大學(xué) 2010
[5]基于支持向量機(jī)的軟件可靠性模型研究[D]. 何俊學(xué).蘭州理工大學(xué) 2009



本文編號：3344127