面向路径的测试数据自动生成研究

发布时间：2020-05-17 14:35

【摘要】：软件自动化测试的核心是高效自动地生成测试数据。人力构造测试数据是一项非常耗时耗力的工作,不仅工作量繁重,而且工作内容也比较盲目。自动生成测试数据则可弥补上述缺陷,减轻测试人员的工作量,显著提高软件测试的效率。近年来,利用智能优化算法实施测试数据自动生成的工作取得了较大的进展,比较热门的是基于遗传算法的测试数据生成研究,但是,由于遗传算法初始时需要对个体进行编码,导致该算法复用性不强。且编码、解码占用大量CPU时间,运行效率会相对较低。而研究发现,粒子群算法模型简单、搜索效率高,在测试数据自动生成领域是一种很有前途的算法。以此为出发点,本文在研究测试数据生成技术和智能优化算法的基础上,提出了两种基于粒子群算法的优化改进算法,具体研究工作和成果如下:1.提出一种简化改进的粒子群算法。对标准粒子群算法进行降阶处理,简化粒子的进化过程,并通过与标准粒子群算法的对比实验,验证了该优化策略的可行性。粒子群算法经过改进以后,不确定参数就只剩下惯性权重,本文对惯性权重的取值方法也进行了研究分析,提出当惯性权重在适当的定义域内随机选取时,算法的搜索遍历度最高。2.提出一种基于改进粒子群-蚁群组合算法进行测试数据生成的方法。为了改进粒子群算法解决问题时容易陷入局部最优的现象,将优化后的粒子群算法与蚁群算法相结合,充分凝聚两个算法的优点。这种方式规避了粒子群算法易陷入局部最优的缺陷,并且十分简便易懂。实验结果表明,将此组合算法用于测试用例的自动生成,最大程度地体现了两个算法的优势。利用反馈信息增强全局搜索能力,保证整个求解过程适应度高的粒子个体与适应度低的粒子个体数目差距不会过大,有效地提升了测试数据自动生成的稳定性和平衡性,进而解决搜索过程易“早熟”的问题。3.提出一种基于K均值-粒子群组合算法生成测试数据的方法。为了解决粒子群算法的运行效率受粒子群规模影响较大的问题,在粒子群算法中引入K-means算法的思想。在每次迭代过程中,均先利用K-Means算法划分粒子群,以此减少算法的迭代次数,提高算法的运行效率。实验结果表明,将KPSO算法应用于测试数据的自动生成,既确保了生成数据的质量,又明显提高了算法的运行效率,并且有效节约运行时间使得测试数据自动化生成更可靠、更合理,实用价值更高。
【图文】：

方向图,软件测试,单元测试,方向

＾灰盒测试逡逑图２．１软件测试的分类逡逑软件测试的分类［４｜］，可以从好几个方向来进行，如图２．１所示。逡逑按照开发进展来划分，可以分成单元测试、集成测试、确认测试、系统测试和验逡逑收测试这几个模块［４２］。单元测试主要针对程序的最小组成单元——模块进行检查，测逡逑试各个模块是否可以准确实现详细设计说明中的功能、性能、接口等要求；集成测试逡逑是将己经通过单元测试的模块进行组装，测试单元之间的接口关系，看组装后模块的逡逑７逡逑

流程图,遗传算法,基本流程图,具体操作

逦ｐ—？￣逦逦邋逦，，逡逑（ｍ邋）逦选择一＞邋交叉一？变异逡逑图２．３遗传算法基本流程图逡逑遗传算法的具体操作流程如图２．３所示。逡逑Ｓｔｅｐｌ．随机生成初始种群，选择合适的编码方式，对初始种群中的每个个体进行逡逑编码，生成相应的染色体；逡逑Ｓｔｅｐ２．根据适应度评价函数计算种群中每个个体的适应度值，若存在个体适应度逡逑值符合目标解的要求或者达到终止条件，则转Ｓｔｅｐ４；逡逑Ｓｔｅｐ３．按照一定概率从种群中选择适应度值较高的个体进入下一代，并对这些优逡逑异的个体进行复制、交叉、变异等遗传操作，生成新一代种群，转Ｓｔ印２；逡逑Ｓｔｅｐ４．对染色体进行解码操作，得到最终解，算法结束。逡逑１５逡逑
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP18;TP311.53

【参考文献】