基于粒子群优化的测试用例生成方法

发布时间：2021-01-05 18:24

　　时代以及科技的进步,计算机越来越渗入到人们的生活中,软件也随之不断地上新,人们在使用软件的时候越来越重视软件的质量要求。软件测试的工作在软件开发周期周期中起到了对待测测试软件质量的检测,软件测试的工作一定程度上保证了软件的质量,而在对软件进行测试时,繁冗的测试用例集会使得在进行测试工作时的效率变低,所以能够自动化生成出简单而高效的测试用例可以大大提高软件在测试时的效率,同时节约了人力和物力。为了解决测试用例自动生成的问题,通过构造出有效的适应度函数将其变为是函数的优化问题,接着选取高效的智能搜索算法来解决测试用例自动生成问题。本文在智能搜索算法中选取了粒子群算法,由于该算法的参数少,没有遗传算法中需要交叉变异的复杂过程,实现起来比较简单的优点,所以本文采用了粒子群算法来实现测试用例的生成。但是传统的粒子群算法存在着不足之处,例如容易陷入局部收敛,收敛速度较慢等缺陷。为了优化目前粒子群算法比较容易陷入局部最优、后期收敛过慢等的缺陷,在本文提出了一种改进惯性权重参数来优化算法的方法。其中应用了差分进化算法思想中的参数之一变异算子的操作来改进算法的自适应,在惯性权重参数中加入余弦函数,使其可... 

【文章来源】：南华大学湖南省

【文章页数】：59 页

【学位级别】：硕士

【部分图文】：

程序流程图

程序控制流图

第2章基于粒子群的测试用例相关理论11断地随之更新，利用每个粒子所得到的参数值来计算目标函数当前的适应度值，然后通过算法的迭代更新从而找到最理想的适应值。粒子群算法中每个粒子的速度公示和位置公式就依据如下所示：jijiijijixgbestrcxpbestrcvwv*****22111…(2.1)11jijijivxx…………………………(2.2)介绍一下在这式子中各个参数所代表的意思，在粒子的速度公式中，w表示的是惯性权重，惯性权重与算法的全局搜索能力有着直接的关系，该参数能够直接地显示出上一代的速度在对下一代速度的影响中所占领的比重；j表示算法当前的迭代次数；c1、c2代表的是学习因子，而c1、c2又可以有自己的单独的意思，其中c1表示的是自我学习因子而c2表示的是社会学习因子；r1、r2是随机数在[0,1]范围内取值[31]。粒子群算法的终止条件一般为当前可达到的最大迭代次数或者在迭代结束之前达到了算法要求的精度。为了清晰直观的看出粒子在算法中的活动方式，以图2.3的粒子初始状态图和图2.4粒子的最终状态图说明。由于粒子群算法的种群是在一个维度空间内活动，在此把算法从一维的角度进行分析。如图2.3所示是平面上的一个振荡的波形图，假设我们需要利用粒子群算法从中找寻最大值，算法中的粒子会在其搜索范围内不断的寻找，而每个粒子能找寻到的值又是个体极值，随着粒子群们的搜寻，在个体之间进行对比得到一个更好的值又叫做全局极值，随着该项活动的不断迭代，最后如图2.4所示，找到了该波形上的最大值。图2.3初始状态图图2.4最终状态图根据上述粒子群算法的简单介绍，大致了解了传统粒子群算法的基本工作流


本文编号：2959086