免疫粒子群算法的测试数据生成

为有效改善粒子群算法进化后期收敛速度慢,克服易陷入局部极值的缺陷,提出一种自适应免疫粒子群算法并在面向路径的测试数据生成中得到应用。本文提出自适应的惯性权重的调整方法和学习因子的调节策略,加快算法的搜索速率;引入免疫算法中的免疫算子,提出抗体的浓度调节机制,使得粒子群的多样性更加丰富,提升算法的寻优能力;通过免疫选择操作,避免算法的早熟收敛;以分支函数叠加法构造适应度函数。实验结果表明,该算法避免了粒子群算法早熟收敛现象的发生,有效地提高了测试数据自动生成的效率。

基于强化学习选择策略的路径覆盖测试数据生成算法

面向路径覆盖的测试是软件测试的重要方法之一。如何快速生成高质量测试数据使其满足路径覆盖要求,一直是研究热点问题。为解决现有智能优化方法运行时间长、探索过程不稳定以及生成测试用例冗余的问题,提出一种基于强化学习思想的选择策略,用于以路径覆盖为准则的测试数据生成中。通过将可执行路径定义为智能体状态,算法每一轮迭代更新后的数据选择定义为智能体动作,并将奖励函数与状态变化关联,在状态更新过程中使用贪心策略来引导输入数据不断向未获取状态变异更新,以此不断选择能够覆盖新可执行路径的数据,从而实现对待测程序所有执行路径覆盖的目标。实验结果表明,与其他算法相比,所提策略的运行时间和迭代次数明显降低,同时覆盖率快速提高。结合理论分析可以得出结论:所提策略在实际运用中能够有效实现路径覆盖并提高测试数据生成效率。

基于GA的多路径测试数据生成器适配函数设计

提出了基于GA的多路径测试数据生成的概念和实现方法。讨论了为了实现多路径测试数据生成,设计有效的和高效的适配函数应考虑的因素,用实际案例针对提出的适配函数进行了功能性能验证。结果表明了适配函数设计的有效性。

基于解空间树的组合测试数据生成

在组合覆盖测试模型的基础上提出:将所有的可用测试数据表示为一棵解空间树,利用回溯法对解空间树进行路径搜索来生成测试数据,然后使用贪心算法补充生成测试数据,以满足两两组合覆盖标准.并且实现了基于该方法的测试数据生成工具,所生成的测试数据集与同类工具相比具有一定的特点和优势.

一种基于约束的变异测试数据生成方法

作为衡量测试用例集完备性的测试策略,变异测试是一种"面向缺陷"的单元测试技术,主要用来生成完备的测试用例集.其中面向路径测试数据生成技术通过约束系统构造和求解过程实现用例集生成,是一种高效的测试用例生成技术.但目前大部分面向路径测试用例生成技术只考虑了程序语句间的控制依赖,即通过对控制流图的分析来构建约束系统,而忽略了语句间的数据依赖对约束系统的影响.充分考虑两种依赖关系,针对域削减的测试数据生成技术进行了改进,提出了一种考虑数据依赖的域削减方法.实验表明,这种方法在变异测试数据生成的成功率和执行效率上都有较大程度的提高.

基于蚁群算法的多路径覆盖测试数据生成

为了提高多路径覆盖测试数据的生成效率,研究了一种基于蚁群算法的多路径覆盖测试数据生成方法.首先给出蚁群算法的一种改进方法,该算法以蚂蚁对生成测试数据的重要性作为蚂蚁状态转移和蚂蚁路径变异的依据,以引导更多蚂蚁穿越小概率节点,提高测试数据生成效率.其次,根据改进的蚁群算法分别提出了基于单信息素表和多信息素表的多路径覆盖测试数据生成方法.在基于多信息素表的方法中,每条目标路径的信息素表均被用于其它路径测试数据的求解,而且蚁群算法运行一次即可求解多条目标路径的覆盖测试数据.最后对所提出方法的有效性和复杂度进行了理论分析.实验结果表明,与其它方法相比,基于多信息素表的测试数据生成方法能够有效地生成多路径覆盖测试数据.

基于粒子群优化的测试数据生成及其实证分析

运用元启发式搜索进行结构性测试数据生成已经被证实是一种有效的方法.在讨论基于搜索的测试数据生成基本框架的基础上,以分支覆盖作为测试覆盖准则,给出了基于粒子群优化(particle swarm optimization,PSO)的测试数据生成算法,并通过分析分支谓词的结构特征提出了一种新的适应函数构造形式.在此基础上,针对一些公开的程序集开展对比性实验分析,证实粒子群优化算法在平均覆盖率、全覆盖成功率、平均收敛代数和搜索时间4项指标上均要优于遗传算法和模拟退火算法.同时,编程实现了4种典型的PSO变体算法并进行测试数据生成效果的实证分析,结果表明:基本PSO是解决测试数据生成问题的首选算法,而综合学习式PSO算法的表现则相对较差.

一种基于Kalman滤波和粒子群优化的测试数据生成方法

为减少进化代数,提高路径覆盖成功率,提出了多邻域Kalman滤波PSO测试数据生成方法.在该方法中将粒子固定划分到不同邻域中,各邻域内指定一个粒子向全局最优粒子学习,其余各粒子向所在邻域中最优粒子学习,而全局最优粒子利用无速度项的简化PSO进化.在此过程中,除全局最优粒子外的各粒子利用Kalman滤波方程更新粒子的位置.实验表明,相较于基本PSO和其他PSO方法,即使是覆盖困难的路径,本文方法也具有进化代数少、路径覆盖成功率高及性能稳定的特点.

复杂事件模式检测与CEP测试数据生成算法研究

随着信息技术的快速发展和广泛应用,大数据正以不可阻挡的气势向我们走来.大数据源于信息技术,同时又向信息技术提出挑战.如何征服大数据给信息技术处理能力上带来的挑战是一个广泛关注的课题.由于采用面向流式数据的处理策略,复杂事件处理(Complex Event Processing,CEP)技术被认为是一种有希望征服大数据挑战的技术之一.然而,当事件流成为大数据时,目前的CEP模型、事件模式检测和CEP系统测试数据生成的方法和技术都存在很多不足.文章针对这一问题讨论了复杂事件建模、模式检测与测试数据的生成方法.提出一种CEP代数模型,用多种事件算子来表达事件之间的关系和事件流模型.在这里,一个创新的思想是把CEP代数模型表达式解释成算术文法产生式,从而可以用词法分析技术解决复杂事件模式检测问题.为了有效地测试复杂事件模式检测的算法,基于CEP代数模型,提出了一个用于支持上述CEP模式检测的大数据事件集的生成算法.并由此生成了不同量级的测试数据,测试了一个RFID物联网中CEP模式检测引擎.实验结果表明了提出的事件模式检测算法和CEP系统测试大数据事件集生成算法的有效性.

基于烟花爆炸优化算法的测试数据生成方法

针对面向路径覆盖的测试数据生成问题,提出基于烟花爆炸优化算法的测试数据生成方法。首先使用关键点路径表示法表示路径,由理论路径、易覆盖路径和不可行路径得出难覆盖路径,并记录难覆盖路径邻近的易覆盖路径及其测试数据。这些测试数据将作为部分初始烟花以利用其提供的启发信息,其余初始烟花则随机生成。接着根据个体的适应度值设计自适应策略的爆炸半径以提高收敛速度,对爆炸产生的越界火花则使用边界值测试的思想进行修正。与加了启发信息的自适应爆炸半径的烟花算法(NFEO算法)、烟花爆炸优化(FEO)算法、F-method、NFmethod等七种基于优化的测试数据生成算法进行了仿真对比实验,实验结果表明:所提算法在测试数据生成时间和迭代次数上都最优。

改进的差分演化算法在测试数据生成中的应用

针对现有的测试数据生成方法存在的算法复杂、参数设置不易等问题,提出一种基于改进的差分演化算法的软件测试数据自动生成方法。该方法对差分演化算法的操作算子进行改进,解决了差分演化算法生成离散型测试数据的问题。通过具体实验,验证了该方法的可行性和有效性。

基于粒子群优化的组合测试数据生成算法

针对组合测试中测试数据的生成问题,提出了一种基于粒子群优化的组合测试数据生成算法,引入衰减阈值的概念,在每次寻优过程结束后选出适应值在衰减范围内的优秀粒子.并采用了一种有效的扰动方式,根据最优粒子情况针对部分优秀粒子进行有效扰动,在每次优化计算后能够输出多条测试数据.与传统算法相比,在保证优化程度的前提下,有效地减少优化计算的次数,提高了测试数据的生成效率.

基于符号执行的测试数据生成方法的研究与设计

软件漏洞的研究是信息安全的一个重要分支。漏洞挖掘的主要方法是通过精心构造测试数据输入程序来触发漏洞,由此可见如何生成测试数据是该技术的关键,也是成功挖掘漏洞的关键。在分析漏洞存在原理和触发条件的基础上,提出一种更为高效的测试数据生成方法。该方法通过不安全函数来定位漏洞的触发点,深度与宽度混合遍历来确定触发的路径,利用符号执行技术来确立漏洞触发的条件,最后再根据条件生成测试数据,使生成的数据不仅有更高针对性,并且还提高了代码的覆盖率,从而能提高漏洞挖掘的效率和准确性。实验结果表明该方法具有良好的效率和准确性。

基于遗传算法和分支覆盖的测试数据生成方法

为确保分支覆盖更加简约高效,提出一种基于遗传算法和分支覆盖的测试数据生成方法。使用控制依赖分析对需覆盖的分支集进行约简,使约简后的分支子集能够包含程序中所有需要覆盖的分支。对目标分支进行依赖性分析,获得到达该分支的路径约束。将多路径约束转化为适应度函数,采用遗传算法生成测试用例。实验结果表明,该方法在覆盖率和进化代数方面均具有优越性。

面向断言的测试数据生成方法及其应用

提出了一种利用断言产生测试用例的白箱测试方法.该方法首先选定程序中某条语句作为目标节点,通过在目标节点的临界分支和必要分支上插入断言来限制和跟踪程序的执行,以保证程序能到达目标节点,从而生成相关测试数据.利用这种测试数据生成方法,对轨道交通列车自动监控系统软件(ATS)的部分功能模块进行单元测试,并给出测试结果.

国产CPU基础数学库函数测试数据生成研究

针对数学库函数测试工作中测试数据覆盖率低的问题,根据计算机中浮点数的编码特点,设计了一种分段选取的测试数据生成方法,相比常见的数据生成方法,通过理论分析和实际测试,证明了该算法有效提高了测试数据的覆盖率,保证了基础数学函数测试的准确性。

基于克隆选择算法的面向程序路径测试数据生成方法

面向程序路径的测试数据自动生成技术是软件测试自动化的关键技术之一。文中结合程序分支函数叠加法和克隆选择算法的全局搜索性,提出一种基于克隆选择算法的面向程序路径测试数据生成方法。希望能够借助克隆选择算法具有多样性、记忆性、可实现快速全局优化搜索的优点,设计一种新的面向程序路径的测试数据自动生成方法。对算法的原理和实现做了详细描述,并将其与传统的基于遗传算法、模拟退火算法来实现软件测试数据自动生成方法进行实验对比,证实了该方法能较快地生成指定路径的测试数据。

基于相似路径的动态引导测试数据生成策略

为了有效提高满足路径覆盖的测试数据质量,提出一种利用相似路径间启发信息的引导测试数据生成策略。首先,对初始测试数据与路径节点间的覆盖情况进行分析,区分出难易覆盖路径;其次,设计了一种路径相似度的计算方法,分析得出路径相关启发信息,并将该启发信息用于遗传算法寻优过程中;然后,构造带有权重影响因子的适应度评价函数,结合保留精英个体思想,设计自适应遗传算子并定向引导个体交叉变异;最后,将该策略应用于多个基准程序和工业程序,并与Ahmed方法、多路径覆盖方法和EGA方法比较。仿真实验结果表明,该策略在运行时间、路径覆盖率和已有测试数据的利用率上均有优势。

面向测试数据生成的遗传算法初始种群分布问题研究

基于遗传算法生成测试数据的方法中,种群规模对平均进化代数有很大影响。种群规模大,平均进化代数少;种群规模小,平均进化代数多。分析初始种群分布对基于遗传算法生成测试数据方法的影响,提出一种基于ART算法改进初始种群的遗传算法,使初始种群中个体更加多样化。实验结果显示,ART算法改进初始种群遗传算法生成的测试数据平均进化代数明显减少,说明初始种群中个体的多样化对减少迭代次数有积极作用。

基于状态机代码合成技术的状态测试数据生成

目前,基于状态机的测试多集中在测试序列的生成方法学上,然而状态机的特点决定了测试序列对测试数据具有相当的依赖性,即一个测试序列的执行受到其上测试数据的约束。该文提出了状态机代码合成的方法模拟状态机行为,将其转换为可执行规约并在此基础上使用遗传算法来生成状态机的测试数据,为解决状态机测试数据的生成提供了一种可行的方法。