應(yīng)用自適應(yīng)差分進化算法優(yōu)化軟件測試數(shù)據(jù)的研究.pdf

1、軟件測試作為保證軟件產(chǎn)品質(zhì)量的重要手段，一直以來受到行業(yè)人士及學(xué)者的關(guān)注。軟件測試的主要目的是在測試過程中盡可能多地發(fā)現(xiàn)軟件產(chǎn)品中存在的錯誤或潛在缺陷，很顯然軟件測試是軟件開發(fā)過程中非常重要的環(huán)節(jié)。而軟件測試中測試用例的生成效率及質(zhì)量又影響著整個測試流程的效果，因此如何設(shè)計出一個高效的測試用例生成方法，對軟件測試來說至關(guān)重要。
　　差分進化算法是一種具有較強的全局收斂能力和魯棒性的進化算法，屬于基于群體的啟發(fā)式優(yōu)化算法的一種。差分

2、進化算法本身具有容易實現(xiàn)、結(jié)構(gòu)簡單、魯棒性強和收斂速度快等優(yōu)勢，能夠很好地應(yīng)用于軟件測試用例的自動化產(chǎn)生。但是標(biāo)準(zhǔn)的差分進化算法需要人工依照先驗知識事先設(shè)置好控制參數(shù)，并在后期不斷調(diào)整以提高算法效率;而且同其他智能搜索算法類似，在算法進化后期易陷入局部最優(yōu)，不能很好地直接用于軟件測試用例的產(chǎn)生，因此如何改進差分進化算法對收斂速度和收斂精度的提高，更好的應(yīng)用于測試用例的自動化產(chǎn)生非常重要。
　　本文主要圍繞自適應(yīng)差分進化算法的優(yōu)化展

3、開研究，并及將其應(yīng)用于基于路徑覆蓋的測試用例的自動化產(chǎn)生。主要工作在于:
　　首先，本文對軟件測試的重要性進行了概述;同時對現(xiàn)有的差分進化算法及自適應(yīng)差分進化算法的優(yōu)缺點進行了分析總結(jié)，并對差分進化算法的研究現(xiàn)狀進行了概述;另外，介紹了軟件測試的研究現(xiàn)狀及測試用例生成的現(xiàn)有方法，并分析了各種方法的優(yōu)缺點。
　　第二，針對現(xiàn)有自適應(yīng)差分進化算法容易陷入局部最優(yōu)和收斂精度較低的問題，本文結(jié)合機器學(xué)習(xí)中的反向?qū)W習(xí)策略，提出了基于反

4、向?qū)W習(xí)的增強型自適應(yīng)差分進化算法(Opposition-based Learning of Adaptive Differential Evolution,OL-ADE)。改進后的OL-ADE算法通過反向精英學(xué)習(xí)機制，從用于變異策略的原有個體種群中得到反向精英個體種群，并從二者的種群集合中選擇出適應(yīng)度值更好的個體用于變異操作，這不僅豐富了種群的多樣性，而且增強了種群在進化過程中的局部搜索能力;同時，采用高斯分布來動態(tài)調(diào)整變異操作中用于縮

5、放的個體，提高了種群的單個個體的尋優(yōu)能力。通過以上操作不僅擴充了種群多樣性的，而且可以避免算法過早收斂，并在整體上對算法的全局搜索能力與局部尋優(yōu)能力做出平衡。
　　第三，在基于路徑覆蓋的測試用例的自動生成問題中，針對現(xiàn)有智能搜索算法存在的本身參數(shù)較多、算法的迭代次數(shù)多、測試數(shù)據(jù)生成效率不高等問題。本文提出了一種基于質(zhì)心的自適應(yīng)差分進化算法(Adaptive Differential Evolution based on Cente

6、r of Mass，CADE)，并用于測試用例的自動化生成。本文算法在變異策略選擇階段，利用質(zhì)心原理的思想，對變異個體進行選擇，該方法保證了種群向著最優(yōu)值方向進化，加快了種群的收斂速度;同時利用控制參數(shù)的自適應(yīng)調(diào)整來控制個體的縮放規(guī)模，提高種群多樣性，從而保證種群在進化過程中因個體過于集中而陷入局部最優(yōu)時，能跳出局部最優(yōu)。為驗證所提CADE算法的有效性，將其應(yīng)用于軟件測試用例的自動化產(chǎn)生，并與傳統(tǒng)的算法進行對比。實驗表明，本文優(yōu)化后的算