基于改进粒子群算法的测试数据自动生成研究

测试数据的自动产生技术是软件测试的一个重要研究领域,高效的测试数据生成可以简化测试工作提高测试效率;针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传粒子群混合算法(GA-PSO)的软件测试数据自动生成算法,该算法在粒子群算法的基础上引入了遗传算子(交叉概率Pc、变异概率Pm),使所有测试数据在局部区域中再次寻找最优值,从而避免过早收敛,改进搜索最佳值的能力;仿真实验表明遗传粒子群混合算法与单纯使用简单遗传算法相比,具有更快的收敛速度,其产生最优解的代数得以大大提前,且精度更高。

基于Struts+Spring+Hibernate的学生成绩管理系统的设计与实现

基于C/S和B/S模式的传统成绩管理系统,存在系统层次架构不清,侵入性强,复用性低等缺陷,而且增加了管理人员的工作量和复杂度.鉴于此,采用MVC模式和SSH技术,构建分层的体系结构,使成绩管理的业务逻辑与控制逻辑分离开来,并在此基础上设计并实现了基于B/S模式的学生成绩管理系统.实际应用表明,基于SSH技术的成绩管理系统框架层次清晰,降低了模块间的耦合度,提高了复用的粒度,增强了系统模块的可复用性、灵活性和可维护性.

软件测试模型及X模型的改进

在分析V模型、W模型以及X模型等软件测试模型的特点和局限性的基础上,利用增加单元测试准则的方法对X模型进行了改进.把改进后的X模型应用于小型的教务管理系统,结果表明,改进的X模型降低了程序片段的通过率,避免了错误被放大的问题,减少了由于需求变更和程序开发人员流动带来的迭代工作量.

改进的粒子群算法在测试数据生成中的应用

自动化测试中,测试数据的自动生成技术是提供软件测试效率和效果的瓶颈。粒子群算法(PSO)具有简单、易实现、可调参数少等特点,在测试数据生成方法中得到初步应用。在具体应用过程中,为克服PSO易陷入局部极值的缺陷,对算法进行了改进,应用加入移动步长的混合粒子群算法(SwPSO)自动生成测试数据,提高了PSO算法摆脱局部极小点的能力。文中对算法的原理和实现做了详细描述,并将其与传统的基于标准粒子群算法(PSO)和遗传算法(GA)来实现软件测试数据自动生成方法进行实验对比。结果表明,改进后的粒子群算法可以更高效地生成测试数据。

基于遗传-粒子群混合算法的测试数据自动生成

针对传统遗传算法(GA)容易产生早熟收敛和易陷入局部最优解的问题,提出了一种基于遗传-粒子群混合算法(GA-PSO)的软件测试数据自动生成算法:以粒子群优化算法(PSO)为主线,按PSO算法中标准的速度和位置更新,将GA算法的筛选、交叉、变异与PSO算法的自动更新特征结合在一起,使所有测试数据在局部区域中再次寻找最优值,从而避免了过早收敛,改进了搜索最佳值的能力.仿真实验表明:遗传-粒子群混合算法具有更快的收敛速度,保持了种群的多样性,提高了全局搜索能力.