论文研究-基于SA-PSO的多态路径测试数据生成方法.pdf

所需积分/C币:9 2019-07-22 18:51:58 239KB .PDF

目前测试数据生成方法多数未考虑到面向对象软件的多态特性,无法运用生成的测试数据对程序的多态信息进行充分的测试。根据多态路径测试数据生成的要求,提出了一种应用模拟退火—粒子群优化(simulated annealing-particle swarm optimization,SA-PSO)混合算法在多态路径测试中生成测试数据的方法,并通过多态性实例对基本粒子群算法、遗传算法、PSO-GA(particle swarm optimization-genetic algorithm)和SA-PSO算法在相同条件下进行了比较,结果表明SA-PSO算法具有更强的搜索能力,可以更快地发现全局最优解,能更好
3036 计算机应用研究 算法包;算汰包据此来评价每个粒子位詈的优劣,并以迄今为充分測试的不足,在深入研究粒子群优化算法及模拟退火算法 止粒子自身最优位置及种群最优位置更新自身状态,形成新 的基础上,提出了基于模拟退火—粒子群优化算法的多态路径 代更优种群;如此反复进化,直至找到覆盖指定路径的目标参测试数据生成方法,该方法对存在如下两个特性的测试对象能 数值。测试数据生成的过程描述如下 够有效生成测试数据:a)因多态性的存在增加了测试路径的 输入:测试路径集。 数量及测试数据生成的难度;b)测试对象中存在多态性测试 输出:所有路径的一组测试数据。 )开始 路径集。本文提岀的算法通过程序插装构造了一个可跟踪的 h)根摒输入测试酪径集构造con数组 程序多态信息的适应值函数,最后通过实验将提出的SA-PSO c-)设置各项参数,进化迭代次数t置0,根据需求中的解空间随机 产生初始化种群A、t),包揞种群规模、初始位置及初始速度 算法与其他进化算法进行了磺向比较,结果表明,本文算法在 d}初始化当前状态卜每个粒子的适应度值∫(x)、局部最优位置收敛速度及测试数据准确性等方面均有较好的表现,有很好的 pbest及全局最优位置 gbest e)若当前路径适应度函数值F足够好或达到Tma,则输出结果并 时间效率,能够较为完善地解决多态路径测试数据生成冋题。 转k),否则转f): 下一步工作是将SA-BO算法用于面向对象测试的其他内容 f)将当前粒子群作为程序输入运行被测程序,并返回插装函数的 进一步扩展其应用广度。 跟踪信息,即适应值函数F的适应度值 g)根据该适应度值F重新设置粒了群的局部最优解和全局最优 表1不同优化算法关键指标对比 解所对应的粒子位置 路径编号 h)计算每个粒子当前适应度值f(xa)与上次选代适应度f(x-1) 指标 算法 2 之差4,若4/≤0,转j) i)计算P=exP(-4/T),若P> random(0,1)则转j),否则转e); SA-PSO混合算法74446647 平均 j)根据局部最优位置和全局最优位置对当前每个粒子的位置及速 标准PO 度进行更新,生成新一代粒子种群A(t+1),转e) 标准GA 8895896 k)取下一条测试路径,转b),直到所有路径均生成测试数据; 数 PSO-GA混合算法755476 1)结束。 5A-PSO混合算法1.681.421.451.391.681.751.451.8 平均 标准PsO 3.253.123.143.063.223.122.953.35 3实验结果分析 消粗 标准 3.843.523 以包含多态信息的银行服务系统作为被测程序,从中选择 ISO-GA混合算法1.281.161.141.131.z61.211.181.30 5A-PSO混合算达68 覆盖率最大的八条包含多态性的测试路径作为程序输入路径 出现 标准PO 集,将本文提出的 SA-PSO算法与其他进化算法进行对比,以 早熟 标淮GA 生成测试数据6的关键评价指标(如平均迭代次数、平均消耗 FSO-GA混合算法11 l1621 时间、出现早熟次数、平均生成时间及准确率)来评估本文提 SA-PSO混合算法99.198.498.699.399.798998.998.8 出的测试数据生成方法的有效性。其中平均迭代次数为应用 准确 标准PO 率/% 上述算法对同一路径多次执行并最终生成测试数据所用的迭 标GA 299.197998.399.2 ISO-GA混合算法97.998.197.498.599.297.697.899.1 代次数平均值;平均消耗时间为对每条路径执行完成所用时间 SA-Ps涅合算法 平均值;出现早熟次数为完成路径多次执行后出现早熟收敛的 平均 标准PsO 次数;准确率为对同一路径多次执行算法最终能够生成可用测 生成 标准(A 时间/s 试数据的次数占总执行次数的百分比率;平均生成时间为对整 O-GA混合算法 1.21 个输人路径集执行上述各算法所用时间平均值。本文将SA-参考文献 FO算法分别替换为标准PsO算法、标准遗传算法以及文献 1 CARLISTLE A DOZIER C. Adapting particle swarm optimization to [刀]中提出的 PSO-CA混合算法运行被测程序200次,生成每 dynamic environment[C]//Proc of International Conference on Artifi 条路径测试数据所得的上述关键指标结果进行对比如表1所 c ial Intelligence. 2000: 429-43 示。其中:标准PO算法中,设惯性权重ω=0.5,最大迭代次「21傅博.基于模拟退火遗传算法的软仲测试数据自动生成「J1.计算 数t=500,种群数均为100;遗传算法的交义概率为0.85,变 机工程与应用,2005,41(12):82-84 异概率为0.15。 3]覃钊璇,曾一,柴艳欣,等.基于UM活动图的多态性测试用例生 从表1可以看出,本文提出的SA-RO算法在迭代次数、 成[J].计算机工程,2010,36(11):83-87 消耗时间、收敛速度及早熟出现次数等方面都显著优丁标准粒[4]芙伟,谢军,奚红字,等,遗传算法在软件测试数据生成中的应用 [J.北京航空航天大学学报,1998,24(4):434-437 子群优化算法及遗传算法,且有较高的准确率,验证了该混合 算法的正确性及有效性。但在与粒子群一遗传混合算法比较[5]sHYu-hui, EBERHART R O. Fuzzy adaptive particle swarm optin zation[C//Proc of the IEEE Congress on Evolutionary Computation 时可以看出,虽然粒子群—遗传混合算法的迭代次效略多于模 2001:101-106 拟退火一粒子群优化算法,但收敛速度要稍快。这是由于遗传[6] MICHAEL CC, MCGRAW G, SCHATZ MA. Generating softw are test 算法的引入,使粒子间进行交叉、变异、选择操作,既克服了单 data by evolution I J. IEEE Trans on Software Engineering 一遗传算法易陷入局部最优的问题,又加快了收敛速度8,而 2001,27(12):1085-1110 模拟退火算法由于降温过程消耗了运算时间,以牺牡时间为代[7]王慧,结合遗传算法的粒子群先化模型及其应用研究[D].济南 价避免了早熟收敛。 山东师范大学,2008 [8]焉红,张胜,刘琳崴,等.基于GA-PSO算法的路烃測试数据自动 4结束语 生成[冂].计算机应用研究,2010,27(4):1366-1369 9」傅擰.基于蚁群算的软件测試数据自动生成[J」.计算机工程与 本文针对传统软件测试无法有效对面向对象多态性进行 应用,2007,43(12):97-99

...展开详情
试读 3P 论文研究-基于SA-PSO的多态路径测试数据生成方法.pdf
img

关注 私信 TA的资源

上传资源赚积分,得勋章
    最新推荐
    论文研究-基于SA-PSO的多态路径测试数据生成方法.pdf 9积分/C币 立即下载
    1/3
    论文研究-基于SA-PSO的多态路径测试数据生成方法.pdf第1页

    试读已结束,剩余2页未读...

    9积分/C币 立即下载 >