自适应粒子群优化算法及其在测试数据生成中的应用研究

针对粒子群算法易陷入局部最优解及搜索精度低的问题,本文提出一种约简的自适应粒子群优化算法并应用于测试数据的自动生成.首先对粒子群进化方程约简,提出无速度项的粒子群进化方程;然后,对约简后的方程提出基于惯性权重的自适应调整方案,将惯性权重直接作用于粒子的位置,并根据粒子的适应度及聚集度将种群划分为三部分.实验表明,该方法可以有效地提高自动生成测试数据的效率.

基于RACPSO的测试用例自动生成方法

针对粒子群优化算法在软件测试用例自动生成过程中存在后期收敛速度慢、易陷入局部最优及求解精度低的问题,基于约简的自适应混沌粒子群优化(RACPSO)算法,提出一种测试用例自动生成方法。将粒子群标准进化方程化简为无速度项的进化方程,设计基于适应度值自适应调整的惯性权重,实现粒子的位置更新。采用基于群体适应度方差的早熟收敛判断策略进行混沌搜索,并通过增加粒子的多样性克服早熟收敛现象。实验结果表明,与标准粒子群优化算法和自适应粒子群优化算法相比,RACPSO算法在收敛速度与求解效率方面更具优势。

基于IRAPSO的组合测试用例生成方法

最小覆盖表的生成是组合测试研究领域的一个关键问题,虽然粒子群优化算法是生成最小覆盖表的方法之一,但该算法存在易陷入局部最优和搜索精度低等问题。针对该问题提出了一种改进的约简自适应粒子群算法。该方法首先对粒子群优化算法的进化方程进行约简,消去其速度项,得到约简的粒子群进化方程;然后提出了惯性权重的自适应调整策略并且在适应值策略中引入汉明距,以提高该算法生成测试用例的覆盖率。与已有算法的比较结果表明,该算法在克服粒子群优化算法易陷入局部最优等问题的同时能够在较短的时间内生成规模更小的覆盖表。