导读:本文包含了测试资源分配论文开题报告文献综述及选题提纲参考文献，主要关键词:系统漏洞,测试资源分配,多目标进化算法,动态优化
测试资源分配论文文献综述
牛福强[1]（2019）在《动态多目标测试资源分配问题研究》一文中研究指出在软件工程领域中,软件测试是减少系统漏洞、检测和修正错误最为行之有效的一种方法。然而随着计算机技术的飞速发展,软件系统的规模在不断扩大,系统结构越发复杂,软件测试资源的投入以及成本的消耗也在显着增加。因此,系统可靠性不再是软件项目经理唯一关注的目标。如何分配有限的测试资源,在系统可靠性、测试资源消耗以及耗费成本之间寻求一个令人满足的平衡,已成为近年来软件工程领域中的一个研究热点。然而,现有研究大都局限于测试资源的多目标静态分配。为了应对测试阶段的环境或用户需求变化导致系统结构以及测试资源分配的不确定性,本文主要研究测试资源的动态多目标分配问题。本文的主要研究内容如下:(1)分析了测试资源分配问题的研究现状以及实际应用的问题;讨论了测试资源分配问题中的多目标优化模型,包括测试资源、可靠性以及成本的相关数学描述。介绍了多目标进化算法的发展历程、原理、相关技术以及特点,并重点介绍两个性能优越的多目标进化算法:第二代非支配排序遗传算法NSGA-II和第叁代广义差分进化算法GDE3。(2)针对在优化过程中,由于用户需求的变化而导致的系统结构中子系统内模块数的增加、子系统数的增加等动态变化,分别设计了相应的种群重新初始化策略和约束处理机制,并提出了一种基于GDE3的系统结构动态变化的多目标测试资源分配算法D-GDE3。D-GDE3同时考虑系统可靠性、测试成本和耗费的测试资源,能够通过历史解重新初始化种群以适应系统结构的变化,并对新解进行约束处理以保证解的可行性。对比实验结果表明,D-GDE3能够快速收敛并获得质量较好的解集。(3)构建了一种最小化系统剩余错误总数和测试时间消耗的多阶段两目标动态测试资源分配问题数学模型,并提出了一种基于NSGA-II的多阶段两目标动态测试资源分配算法MS-NSGA-II。MS-NSGA-II以NSGA-II为基础,嵌入了参数估计、种群重新初始化和约束处理技术,实现了多阶段的动态反馈与多目标优化,能够自适应的调整每个测试阶段的测试资源分配。对比实验结果表明,MSNSGA-II能够很好的适应每个测试阶段之间的环境变化,提供更多更高质量的测试资源分配方案。(4)构建了一种最大化系统可靠性、最小化测试成本和测试资源消耗的多阶段叁目标动态测试资源分配数学模型,并提出了一种基于GDE3的多阶段叁目标动态测试资源分配算法MP-GDE3。根据构建的模型,在MP-GDE3算法中设计了相应的参数估计、种群重新初始化和约束处理技术。参数估计是多阶段不可缺少的技术,也是软件可靠性增长模型的基础;种群重新初始化可以节省测试资源,充分利用历史信息获得具有一定收敛程度的初始种群;约束处理可以帮助个体自我修正、加快解集的收敛速度,从而获得高质量的分配方案。对比实验结果验证了上述策略的有效性。(本文来源于《合肥工业大学》期刊2019-05-01）
常文杰[2]（2018）在《基于自适应算子选择的软件测试资源分配》一文中研究指出随着计算机软件的快速发展,使得软件系统的复杂度剧烈增长,为了保证软件系统的可靠性,不可避免的带来了软件测试资源消耗的增长。在测试资源日趋紧张的今天,如何在达到软件可靠性要求的前提下,尽可能的减少测试资源的消耗变得越来越重要。软件测试资源分配问题涉及软件可靠性、代价等模型的建立以及如何在软件可靠性、测试资源消耗和软件发布时间之间寻求有效的平衡,因此优化软件测试资源分配就是一个多目标优化问题。本文在分析现有的软件可靠性增长模型的基础上,发现很多可靠性模型在建模过程中忽略了故障修正过程,针对此问题本文采用兼具故障修正的软件可靠性增长模型作为可靠性评估函数;典型的参数评估方法通过求解一阶偏导获得参数评估值,该方法不能保证全局最优解,针对该问题本文提出一种基于差分进化算法的最小二乘法,来得到更为精准的参数评估值。以往的优化软件测试资源分配就是在有限测试资源的条件下,最小化测试代价,最大化可靠性,本文将最小化软件发布周期做为第叁个优化目标,并且使用本文提出的基于自适应算子和邻域种群选择的差分进化算法解决该优化问题。本文的主要工作及创新点如下:(1)经研究发现,被广泛使用的非齐次泊松过程类软件可靠性增长模型都完全依赖于这样一个假设:一个潜在故障被检测到之后,会立即被移除。而在实际的测试工作中,发现故障检测和故障修正之间必然会存在一个时间延迟,而且有可能故障修正严重滞后于故障检测。针对此问题,本文采用基于时间延迟的软件可靠性增长模型(Based on Time Delay-Software Reliability Growth Model,BTD-SRGM)作为可靠性评估函数。(2)本文提出一种基于进化算法的最小二乘法参数(Evol-utionary Algorithmbased Least Squares,LSEA)估计办法。一般学者在对软件可靠性模型进行参数估计时会对损失函数求一阶偏导,这样并不能保证全局最优解,很大可能得出的结果只是一个局部最优解,会给实验结果带来很大的偏差,本文根据差分进化算法良好的全局收敛性,将差分进化算法应用到最小二乘法的求解过程中,并给出了与典型最小二乘法的对比实验。(3)提出了一种基于多臂老虎机(Multi-armed Bandits,MAB)的自适应算子选择的差分进化算法。在进化算法的迭代过程中,不存在任何一个算子或者邻域种群大小能够很好地适用于整个搜索阶段,然而很多进化算法在搜索过程中都存在单一算子和邻域种群的不足。针对该问题本文提出基于MAB理论的算法来决定如何选择合适的算子(Adaptive Operator Selection,AOS)和邻域种群,并且通过衰减机制来提高表现好的算子的利用率。考虑到Pareto前沿的多样性,在提出的算法中嵌入距离排序(distance-sorting,DS),得到了基于多臂老虎机的差分进化算法(Multi-Armed Bandits and Decomposition-based Multi-Objectives Differential Evolution,DMAB-MODED),实验表明MAB-MODED能在更短的时间内和更低的测试代价情况下,达到可接受的软件可靠性。(本文来源于《西安电子科技大学》期刊2018-04-01）
陈潇潇[3]（2016）在《面向云测试服务的资源分配策略研究》一文中研究指出在云计算环境下软件测试面临许多新的挑战。本文通过对云测试服务研究现状的调查,发现利用云测试服务进行测试时,需要可靠的资源分配策略作为保障。目前,对于云资源分配策略的研究具备一定的理论研究和实际操作,但缺乏一个同时站在云测试用户和云服务提供商需求角度考虑的整体资源分配架构。本研究在参考云服务模型的基础上,设计了一个云测试服务模型。模型中包含两个组件:一是为云测试用户提供面向资源可用性分配策略的资源分配器1;另一个是在满足用户的可用性需求基础上,为云服务提供商提供面向资源有效性分配策略的资源分配器2。然后使用预测分配的方法对资源分配策略进行研究,并对两个组件实现的算法展开阐述。资源分配器1采用BP神经网络对云测试虚拟机的CPU利用率、可用内存大小进行预测,从而为虚拟机资源的分配提供一种策略。在预测过程中,为提高资源预测精度,引入改进的智能算法即粒子群算法对BP神经网络的初始阈值和权值进行优化,最后采用对比实验证明了改进算法的有效性。在资源分配器1分配的多台云测试虚拟机已满足资源可用性的基础上,资源分配器2采用遗传算法,以最小化云服务器内存为目标,实现云测试虚拟机到云服务器的安置,从而为虚拟机资源的分配提供另一种策略。在分配过程中,传统的遗传算法易求得不可行解,引入单点交叉修复、旋转变异以及外部罚函数理论对遗传算法进行改进。最后采用实验证明了改进算法寻优能力的可行性。(本文来源于《重庆邮电大学》期刊2016-06-01）
顾宇隆,杜明,刘振宇,李锋,殷琦[4]（2015）在《基于本体的云测试资源分配与任务调度方法》一文中研究指出软件自动化测试在测试环境搭建、拆除、测试任务调度环节花费巨大。云计算的计算成本低、可伸缩性强的特点为自动化测试提供了新的环境。针对这一现状,探讨采用本体描述云测试资源以实现测试环境自动化搭建,并使用蚁群算法来调度测试任务,有效支持了测试任务在云环境下的分配。实验结果表明,自动化测试的效率得到了很大的提高。(本文来源于《计算机应用与软件》期刊2015年11期）
高瑞敏[5]（2015）在《基于演化算法的软件测试资源分配问题的研究》一文中研究指出在软件开发的过程中,软件可靠性是一个重要的研究目标。近年来,软件系统规模不断扩大,复杂性也日益提升,如何设计出符合可靠性要求的软件系统逐渐引起了人们的关注。软件测试过程是提高软件系统可靠性最为重要的阶段,一个优化的测试资源分配方式可以带来系统可靠性的明显增加,因而测试资源分配问题具有重要的研究意义。软件测试资源分配问题有两个主要的目标：可靠性和测试代价。在以往的研究中,人们的注意力主要集中在如何提高系统可靠性上,但是在实际生产中,软件的交付时间和可用的资源都是有限的。软件测试不但要考虑如何利用有限的资源获得较高的可靠性,还要考虑软件的成本。近年来,如何在保证一定系统可靠性的前提下降低软件测试代价逐渐引起了人们的关注。本文研究了软件测试资源分配问题,考虑的目标是测试代价的最小化。在以往的工作中,解决该问题最好的方法是遗传算法。本文使用了遗传算法和模拟退火算法去解决该问题,但是实验结果显示,这两种算法在选定模型上的性能还有待提升。因此,本文的第一个工作是对于遗传算法进行了改进,在遗传算法的基本框架下,结合了局部搜索策略,设计了符合问题模型的新算法。之后,作者在软件测试资源分配问题上应用了负相关搜索算法,通过考虑个体之间的信息交流,增加了种群的多样性,从而能够有效的解决多峰问题。实验表明,这两种算法都能够有效的解决软件测试资源分配问题。(本文来源于《中国科学技术大学》期刊2015-05-01）
杨平良[6]（2013）在《基于模块软件系统的测试资源分配研究》一文中研究指出基于串-并联模块软件系统,研究了单元测试中测试资源分配问题。同时考虑系统可靠性和软件费用,提出一种带约束的多目标优化模型,针对标准粒子群算法收敛速度慢、容易陷入局部极小等缺点,给出了一种杂交粒子群算法。该算法利用迭代局部搜索算法的邻域搜索及其扰动机制进行详细局部搜索并跳出局部最优解,采用"回飞机制"处理约束条件,求解近似最优解。最后通过实例与遗传算法比较,结果表明该方法能有效地分配测试资源,在提高软件测试质量的同时降低软件费用。(本文来源于《机械设计与制造工程》期刊2013年12期）
张文,杨京礼[7]（2013）在《一种面向信号的自动测试系统资源分配方法设计》一文中研究指出针对ATS中TPS的可移植性差的问题,在ATML框架下研究了面向信号的自动测试系统结构,提出了一种面向信号的自动测试系统资源分配方法。该方法使用信号作为测试系统内信息传输的接口,通过信号匹配为UUT端口分配仪器资源,解决了传统的面向仪器的自动测试系统资源分配依赖硬件资源的问题,提高了TPS的可移植性。(本文来源于《现代电子技术》期刊2013年19期）
陶立峰,梁勇,郭俊英,刘汝岩[8]（2013）在《智能集成电路测试送料机资源分配系统》一文中研究指出在集成电路测试行业内,送料机(Handler)和测试机(Tester)是最大的一部分投资。根据不同类型,每台测试机的耗费大概是50万到150万美元,每台送料机的耗费约30万到60万美元左右。多数半导体工厂侧重于改进测试机的并行度(Parallelism),致力于通过测试机利用率(Utilization)最大化来减少耗资。然而送料机并行度能力却被动地依从于测试机。本文详细阐述了如何利用智能送料机资源分配系统将送料机和测试机的资源利用率最大化,节省大量测试投资,如4台Castle[1]X2变成一台共享的Castle X8,能够节省约1百万美元;16台Castle X2到一台共享的Matrix[2]X32能够节省约5百万美元,因而能为半导体行业带来更大效益。(本文来源于《中国集成电路》期刊2013年09期）
何雪枫[9]（2012）在《认知LTE系统中资源分配算法性能仿真与测试》一文中研究指出随着无线通信技术日新月异的发展,无线通信提供了多种多样的业务服务,这些业务服务给人们带来了越来越多的便利和丰富多彩的文化生活。然而,不断的宽带新业务产生的同时,频谱资源成为制约其发展的重要因素。而频谱资源有限,因此提高频谱利用率成为有效地解决途径。认知无线电技术由此而产生。他是提高频谱利用率的有效方法。本文研究在LTE系统中应用认知无线电技术占用授权系统的频谱资源实现频谱共享时的LTE系统的资源分配算法。实现频谱共享的前提是非授权系统对授权系统的干扰不能超过授权系统的干扰门限,因此认知LTE系统的频谱分配不仅要考虑系统容量最大化还要考虑系统对授权系统的干扰问题。本论文研究的是认知LTE系统的下行物理信道上的资源分配算法,即基于OFDM的认知无线电的资源分配。首先,本文介绍了研究的背景与意义,阐述了认知无线电技术和OFDM技术的原理等内容。其次,研究了一种基于OFDM的认知无线电子载波分配算法——基于比例公平容量最大的子载波分配算法。再次,研究了叁种功率分配算法：最优功率分配算法、增量功率加载算法A和增量功率加载算法B、平均功率分配算法。其中增量功率加载算法A和增量功率加载算法B通过引入步长对子载波进行分配功率,对于频谱靠近主用户频谱的子载波分配少量功率,远离主用户频谱的子载波分配较多的功率。两种功率分配算法的不同之处就是步长选取方式不同。并且对这四种功率分配算法进行了仿真对比。最后,对具体场景建立仿真模型,以需达作为授权系统,LTE系统为非授权系统,LET系统采用比例公平容量最大子载波分配算法与上一章的叁种功率分配算法相结合进行子载波和功率分配,通过MATLAB仿真对比不同资源分配算法的性能。(本文来源于《南京邮电大学》期刊2012-02-21）
赵怀玉[10]（2009）在《基于最优搜索理论的软件测试资源分配方法研究》一文中研究指出随着信息时代的到来,计算机在国民经济、军事国防和社会生活的各个方面的应用越来越广泛和深入,计算机的灵魂——软件在其中起着举足轻重的作用,软件产品的质量自然地成为了人们关注的焦点。软件测试是软件开发过程中的关键步骤,是保证软件质量的重要手段和阶段,有着不可替代的地位。软件测试是一项昂贵的、资源密集型的工作,其成本可能占到整个项目成本的一半,因此在软件开发过程中,决定如何分配测试资源对于整个测试过程及测试结果来说非常重要。软件测试资源在软件模块之间的合理分配能缩短测试过程并提高可靠性。目前国内外还没有一种非常成熟的软件测试资源分配模型,资源分配的优化问题还没有引起足够多的重视。因此,研究新型的软件测试资源分配模型,特别是运用最优化方法,是非常有意义的。最优搜索理论是计算运筹学的统计决策理论的分支,最初由G. Kimball和B. Koopman等人在20世纪40年代提出,它研究的核心问题是在总搜索资源有限的情况下,如何分配搜索资源使得成功搜索到目标的可能性最大或花费的搜索代价最小。按照搜索空间的离散或者连续,目标是静止还是运动,将最优搜索问题可以分成几个不同的类型。本文主要研究离散空间中静止目标的搜索问题。在有限的测试时间内,软件测试人员不可能找出所有的缺陷。为了有效地利用软件测试过程中投入的测试资源,本文采用最优搜索理论对软件测试资源的分配过程进行优化。考虑到缺陷初始概率分布对最优搜索模型的重大影响,文章中重点讨论了缺陷分布概率密度的各种预测方法,此外,还介绍了软件可靠性增长模型,并根据非齐次泊松过程模型确定了探测函数,最终提出了一种基于最优搜索理论的测试资源分配策略。最后,我们通过软件测试资源分配仿真试验,模拟了真实的资源分配和测试过程。结果表明,在资源有限的情况下,我们的最优资源分配策略有效的降低了软件的失效概率,对软件测试资源的分配策略具有切实的优化作用。(本文来源于《电子科技大学》期刊2009-04-01）
测试资源分配论文开题报告
（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：
随着计算机软件的快速发展,使得软件系统的复杂度剧烈增长,为了保证软件系统的可靠性,不可避免的带来了软件测试资源消耗的增长。在测试资源日趋紧张的今天,如何在达到软件可靠性要求的前提下,尽可能的减少测试资源的消耗变得越来越重要。软件测试资源分配问题涉及软件可靠性、代价等模型的建立以及如何在软件可靠性、测试资源消耗和软件发布时间之间寻求有效的平衡,因此优化软件测试资源分配就是一个多目标优化问题。本文在分析现有的软件可靠性增长模型的基础上,发现很多可靠性模型在建模过程中忽略了故障修正过程,针对此问题本文采用兼具故障修正的软件可靠性增长模型作为可靠性评估函数;典型的参数评估方法通过求解一阶偏导获得参数评估值,该方法不能保证全局最优解,针对该问题本文提出一种基于差分进化算法的最小二乘法,来得到更为精准的参数评估值。以往的优化软件测试资源分配就是在有限测试资源的条件下,最小化测试代价,最大化可靠性,本文将最小化软件发布周期做为第叁个优化目标,并且使用本文提出的基于自适应算子和邻域种群选择的差分进化算法解决该优化问题。本文的主要工作及创新点如下:(1)经研究发现,被广泛使用的非齐次泊松过程类软件可靠性增长模型都完全依赖于这样一个假设:一个潜在故障被检测到之后,会立即被移除。而在实际的测试工作中,发现故障检测和故障修正之间必然会存在一个时间延迟,而且有可能故障修正严重滞后于故障检测。针对此问题,本文采用基于时间延迟的软件可靠性增长模型(Based on Time Delay-Software Reliability Growth Model,BTD-SRGM)作为可靠性评估函数。(2)本文提出一种基于进化算法的最小二乘法参数(Evol-utionary Algorithmbased Least Squares,LSEA)估计办法。一般学者在对软件可靠性模型进行参数估计时会对损失函数求一阶偏导,这样并不能保证全局最优解,很大可能得出的结果只是一个局部最优解,会给实验结果带来很大的偏差,本文根据差分进化算法良好的全局收敛性,将差分进化算法应用到最小二乘法的求解过程中,并给出了与典型最小二乘法的对比实验。(3)提出了一种基于多臂老虎机(Multi-armed Bandits,MAB)的自适应算子选择的差分进化算法。在进化算法的迭代过程中,不存在任何一个算子或者邻域种群大小能够很好地适用于整个搜索阶段,然而很多进化算法在搜索过程中都存在单一算子和邻域种群的不足。针对该问题本文提出基于MAB理论的算法来决定如何选择合适的算子(Adaptive Operator Selection,AOS)和邻域种群,并且通过衰减机制来提高表现好的算子的利用率。考虑到Pareto前沿的多样性,在提出的算法中嵌入距离排序(distance-sorting,DS),得到了基于多臂老虎机的差分进化算法(Multi-Armed Bandits and Decomposition-based Multi-Objectives Differential Evolution,DMAB-MODED),实验表明MAB-MODED能在更短的时间内和更低的测试代价情况下,达到可接受的软件可靠性。
（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。
测试资源分配论文参考文献
[1].牛福强.动态多目标测试资源分配问题研究[D].合肥工业大学.2019
[2].常文杰.基于自适应算子选择的软件测试资源分配[D].西安电子科技大学.2018
[3].陈潇潇.面向云测试服务的资源分配策略研究[D].重庆邮电大学.2016
[4].顾宇隆,杜明,刘振宇,李锋,殷琦.基于本体的云测试资源分配与任务调度方法[J].计算机应用与软件.2015
[5].高瑞敏.基于演化算法的软件测试资源分配问题的研究[D].中国科学技术大学.2015
[6].杨平良.基于模块软件系统的测试资源分配研究[J].机械设计与制造工程.2013
[7].张文,杨京礼.一种面向信号的自动测试系统资源分配方法设计[J].现代电子技术.2013
[8].陶立峰,梁勇,郭俊英,刘汝岩.智能集成电路测试送料机资源分配系统[J].中国集成电路.2013
[9].何雪枫.认知LTE系统中资源分配算法性能仿真与测试[D].南京邮电大学.2012
[10].赵怀玉.基于最优搜索理论的软件测试资源分配方法研究[D].电子科技大学.2009