导读:本文包含了路径测试数据论文开题报告文献综述及选题提纲参考文献，主要关键词:软件测试,路径测试数据,自适应动态优化策略
路径测试数据论文文献综述
孙为[1]（2014）在《基于遗传算法的路径测试数据自动生成研究》一文中研究指出针对遗传算法在运算过程中产生的早熟问题,提出一种自适应动态优化策略(SAOGO),用以自动生成测试数据。通过优化变异概率等手段,实现了路径测试数据的自动生成。将Triangle(叁角形判别问题)作为被检测程序进行性能测试,实验结果表明,基于该策略的测试数据自动生成系统能自动调整变异概率和保持优秀个体,有效的解决了早熟问题,同时也提高了自动生成测试数据的效率。(本文来源于《计算机光盘软件与应用》期刊2014年06期）
王晓军,闵丽娟[2]（2013）在《面向路径测试的演化测试数据生成方法》一文中研究指出针对现有方法主要用于顺序程序的路径覆盖的问题,提出了一种可应用于并发程序路径覆盖的适应值函数构造方法及实现算法,测试者可以运用该方法生成覆盖指定并发路径的测试用例.该方法的核心是通过计算测试用例的执行轨迹和目标路径之间的相似度来评估测试用例的适应值.实验结果表明,该方法为搜索可覆盖小概率目标路径的测试用例提供较强的导向性,并可以完全自动化地为每条目标路径构造出其适应值函数.(本文来源于《北京邮电大学学报》期刊2013年06期）
易敏捷[3]（2013）在《蚁群遗传混合优化算法在面向路径测试数据自动生成中的应用》一文中研究指出探讨一种有效的面向路径的测试数据自动生成的方法,有着很现实的研究意义。试探法是测试数据自动生成的重要方法,遗传算法和蚁群算法等现代优化算法是试探法的代表。遗传算法在实际应用中,容易产生早熟收敛的问题,切在进化后期搜索效率较低;蚁群算法却可以摆脱局部最优点,抑制遗传算法的早熟现象,但由于初期信息素匮乏,导致搜索效率较低,遗传算法的变异操作能够增加搜索的随机性、快速性和全局收敛性。(本文来源于《计算机光盘软件与应用》期刊2013年19期）
霍远秦[4]（2013）在《基于遗传算法的多路径测试数据自动生成》一文中研究指出随着软件技术的迅速发展，软件得到了广泛的应用。软件测试在整个软件开发环节中所占的比重很高，因此，如何提高软件测试效率、降低软件测试成本已成为软件行业相关人员关注的主要问题之一。软件测试数据自动生成是降低软件测试成本的有效途径。近年来，面向单路径的测试数据自动生成研究相对成熟，但面向多路径的测试数据自动生成研究还处于起步阶段。应用遗传算法解决测试数据生成已成为一种可行的方法。现有基于遗传算法的多路径测试数据生成主要存在两方面问题：一是直接将单路径的路径相似度算法应用到多路径的测试数据生成中；二是适应度函数仅考虑多条路径的平均值，即计算个体对于目标路径集中多条路径的适应度平均值作为该个体的适应度值，这种计算方法可能在多条路径的相似度值波动性较大时会出现问题。为此本文探讨了一种新的基于遗传算法的多路径测试数据生成方法，设计了针对目标路径集中某条目标路径的路径相似度计算算法，综合考虑了路径相等位和路径位权值因素，即通过计算两条路径相同结点的个数和对两条路径不同对比位设定不同的权值来表征路径的相似度。针对适应度函数考虑了仅以多条路径的平均值作为适应度值衡量可能不够全面，因此本文引入波动性因素，通过这种引入可以有效的评估个体适应度。在此基础上，本文实现了基于遗传算法的多路径测试数据生成方法，并进行了实验验证。实验结果表明在满足路径覆盖目标的前提下，相比现有方法，本文方法可以比较明显地降低测试数据生成的迭代次数和生成时间，提高测试数据生成效率。(本文来源于《北京化工大学》期刊2013-05-29）
王培崇,钱旭[5]（2013）在《基于改进鱼群算法的路径测试数据生成》一文中研究指出针对自动化软件测试中测试数据自动化生成的问题,提出了一种基于人工鱼群算法的解空间搜索方案。为了提高人工鱼群算法的求解能力,在鱼群算法中引入混沌搜索机制。人工鱼群算法在每次迭代之后,将针对当前全局最优解进行局部混沌搜索,同时淘汰掉部分劣质个体;随后,根据种群的最佳个体收缩解空间搜索区域,并在该空间内随机产生部分新个体。最后,通过在两种叁角形判定程序上的实验证明,该算法收敛速度快,求解精度高。(本文来源于《计算机应用》期刊2013年04期）
霍远秦[6]（2013）在《基于遗传算法的多路径测试数据自动生成》一文中研究指出遗传算法作为现在启发式搜索算法的理论和实验基础,在测试数据生成方面显示出较大的优越性。由于适应度函数设计是应用遗传算法进行测试数据生成的效率的关键,因此本文综合考虑现有适应度设计的因素,设计出一种新的基于遗传算法的多路径算法。该方法是首先设计一种衡量两条路径相似度的算法,然后在此基础上设计了一个针对多路径的算法。通过与现有方法的生成效率进行比较发现:对于基于遗传算法的测试数据生成问题,该方法的测试生成效率有较大提高。(本文来源于《河南科技》期刊2013年06期）
季海婧[7]（2012）在《基于模拟退火—量子遗传算法的路径测试数据自动生成方法研究》一文中研究指出随着软件产品的复杂性不断提高以及软件规模的不断扩大,软件测试的自动化技术越来越受到学术界和工业界的重视。测试数据的自动化生成是实现测试自动化的关键,只有使测试数据能够自动化生成才能从根本上降低软件成本,保证软件质量。目前许多国内外学者针对这一问题进行了研究,虽然目前一些算法和技术已经能够自动生成测试数据,但是尚不成熟,还需要进行进一步的探索和完善。本文通过大量研究和分析发现采用基本路径测试生成测试数据是非常有效的方法,但是该方法需要一种性能较高的演化算法作为基础。因此,本文提出将量子遗传算法作为核心算法,并针对其生成测试数据方面的缺点进行了分析和改进。首先量子染色体的编码方式由矢量编码改进为角度编码,由于角度编码只存储一个实数,大大降低了存储空间；其次,提出一种新的动态旋转角策略,使种群的演化直接以父代最优解为目标,加速了算法收敛效率,同时该策略还可以保证种群中优秀性状能够得到较好地遗传,使子代更容易收敛到最优解；而后,采用Hadamard门变异策略,对变异种群是以小幅度的波动增加种群多样性；最后将量子遗传算法和模拟退火算法有效结合,利用状态转移概率选择性地接受恶化解,使种群概率地跳出当前解,防止算法“早熟收敛”。本文将改进的算法命名为“模拟退火-量子遗传算法”,简称SA-QGA。本文采用多个复杂连续函数对多种算法进行了比较,实验证明新算法在寻优性能和收敛次数上较其他算法有很大提高。最后,本文基于SA-QGA设计并实现了基于指定路径的测试数据自动生成框架。该框架主要分为叁个部分：测试环境构造模块、SA-QGA模块以及测试运行环境模块。通过叁角形判定问题进行了验证,实验表明该系统能够准确地生成满足指定路径的测试数据,具有很好的寻优性能和较高的收敛效率。(本文来源于《杭州师范大学》期刊2012-06-01）
陈桂林[8]（2012）在《基于PSO的路径测试数据自动生成方法研究与实现》一文中研究指出粒子群优化算法（Particle Swarm Optimization，简称PSO）具有实现简单、收敛速度快、通用性强等优点，能够快速的为路径测试生成测试数据，对提高软件测试效率，降低软件开发成本有很重要的意义。但是该算法也存在局部搜索能力不强，容易陷入早熟以及浪费资源等缺点。本文对PSO算法在路径测试数据自动生成中的运用进行研究，并针对其存在的缺点进行改进，主要的研究内容如下：（1）对运用PSO算法进行测试数据生成的方法进行了研究，讨论了在其运用中的两个关键问题：适应度函数的构造以及算法参数的设置。（2）对测试数据的运动轨迹进行研究，分析出测试数据在搜索空间运动模式的差异性，结合K-means聚类算法对PSO算法中的粒子进行聚类。（3）提出了基于自适应策略的改进算法AIC-PSO算法。自适应策略中采用集群指标CI表示PSO算法中粒子群分簇后每个簇的密集度，并依此作为权重因子W的调整依据。将该算法与现有的针对PSO算法的改进算法进行对比实验，实验表明：该算法不但能够提高算法的测试数据生成效率而且能够增加PSO算法中粒子的多样性，有效的防止算法早熟。（4）提出了给予简约策略的改进算法SP-PSO算法。该算法采用在K-means聚类算法的基础上改进的二次聚类算法对PSO算法进行分簇，集群指标CI表示簇中粒子的密集度，CI作为是否使用简约的依据。将该算法与其他的PSO改进算法进行对比实验，实验结果表明：该算法能够降低算法对计算机资源的消耗，而且具有更高的测试数据生成效率。（5）采用Java语言实现一个测试数据生成工具。结果表明，该工具能够有效的对被测程序的目标路径生成测试数据。(本文来源于《电子科技大学》期刊2012-03-01）
王林,尤枫,赵瑞莲[9]（2012）在《基于改进遗传算法的面向路径测试数据生成》一文中研究指出在遗传算法中,面向路径测试数据自动生成存在迭代次数多、效率低的问题。为此,提出一种改进型的遗传算法。通过分析被测源程序得到其结构信息,并利用该结构信息,控制遗传算法中交叉、变异操作发生的位置及范围,提高遗传操作的精确性和目的性。实验结果表明,与传统遗传算法相比,该算法具有更快的收敛速度,测试数据生成效率更高。(本文来源于《计算机工程》期刊2012年04期）
曾一,蔡森虎,覃钊璇,周吉,许林[10]（2011）在《基于SA-PSO的多态路径测试数据生成方法》一文中研究指出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(simula-ted 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,能更好地为包含多态信息的测试路径生成测试数据。(本文来源于《计算机应用研究》期刊2011年08期）
路径测试数据论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对现有方法主要用于顺序程序的路径覆盖的问题,提出了一种可应用于并发程序路径覆盖的适应值函数构造方法及实现算法,测试者可以运用该方法生成覆盖指定并发路径的测试用例.该方法的核心是通过计算测试用例的执行轨迹和目标路径之间的相似度来评估测试用例的适应值.实验结果表明,该方法为搜索可覆盖小概率目标路径的测试用例提供较强的导向性,并可以完全自动化地为每条目标路径构造出其适应值函数.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
路径测试数据论文参考文献
[1].孙为.基于遗传算法的路径测试数据自动生成研究[J].计算机光盘软件与应用.2014
[2].王晓军,闵丽娟.面向路径测试的演化测试数据生成方法[J].北京邮电大学学报.2013
[3].易敏捷.蚁群遗传混合优化算法在面向路径测试数据自动生成中的应用[J].计算机光盘软件与应用.2013
[4].霍远秦.基于遗传算法的多路径测试数据自动生成[D].北京化工大学.2013
[5].王培崇,钱旭.基于改进鱼群算法的路径测试数据生成[J].计算机应用.2013
[6].霍远秦.基于遗传算法的多路径测试数据自动生成[J].河南科技.2013
[7].季海婧.基于模拟退火—量子遗传算法的路径测试数据自动生成方法研究[D].杭州师范大学.2012
[8].陈桂林.基于PSO的路径测试数据自动生成方法研究与实现[D].电子科技大学.2012
[9].王林,尤枫,赵瑞莲.基于改进遗传算法的面向路径测试数据生成[J].计算机工程.2012
[10].曾一,蔡森虎,覃钊璇,周吉,许林.基于SA-PSO的多态路径测试数据生成方法[J].计算机应用研究.2011