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

1、軟件測(cè)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(cè)試的主要目的是在測(cè)試過程中盡可能多地發(fā)現(xiàn)軟件產(chǎn)品中存在的錯(cuò)誤或潛在缺陷，很顯然軟件測(cè)試是軟件開發(fā)過程中非常重要的環(huán)節(jié)。而軟件測(cè)試中測(cè)試用例的生成效率及質(zhì)量又影響著整個(gè)測(cè)試流程的效果，因此如何設(shè)計(jì)出一個(gè)高效的測(cè)試用例生成方法，對(duì)軟件測(cè)試來說至關(guān)重要。
　　差分進(jìn)化算法是一種具有較強(qiáng)的全局收斂能力和魯棒性的進(jìn)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(jìn)化算法本身具有容易實(shí)現(xiàn)、結(jié)構(gòu)簡(jiǎn)單、魯棒性強(qiáng)和收斂速度快等優(yōu)勢(shì)，能夠很好地應(yīng)用于軟件測(cè)試用例的自動(dòng)化產(chǎn)生。但是標(biāo)準(zhǔn)的差分進(jìn)化算法需要人工依照先驗(yàn)知識(shí)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(jìn)化后期易陷入局部最優(yōu)，不能很好地直接用于軟件測(cè)試用例的產(chǎn)生，因此如何改進(jìn)差分進(jìn)化算法對(duì)收斂速度和收斂精度的提高，更好的應(yīng)用于測(cè)試用例的自動(dòng)化產(chǎn)生非常重要。
　　本文主要圍繞自適應(yīng)差分進(jìn)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(cè)試用例的自動(dòng)化產(chǎn)生。主要工作在于:
　　首先，本文對(duì)軟件測(cè)試的重要性進(jìn)行了概述;同時(shí)對(duì)現(xiàn)有的差分進(jìn)化算法及自適應(yīng)差分進(jìn)化算法的優(yōu)缺點(diǎn)進(jìn)行了分析總結(jié)，并對(duì)差分進(jìn)化算法的研究現(xiàn)狀進(jìn)行了概述;另外，介紹了軟件測(cè)試的研究現(xiàn)狀及測(cè)試用例生成的現(xiàn)有方法，并分析了各種方法的優(yōu)缺點(diǎn)。
　　第二，針對(duì)現(xiàn)有自適應(yīng)差分進(jìn)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(jī)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(qiáng)型自適應(yīng)差分進(jìn)化算法(Opposition-based Learning of Adaptive Differential Evolution,OL-ADE)。改進(jìn)后的OL-ADE算法通過反向精英學(xué)習(xí)機(jī)制，從用于變異策略的原有個(gè)體種群中得到反向精英個(gè)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(gè)體用于變異操作，這不僅豐富了種群的多樣性，而且增強(qiáng)了種群在進(jìn)化過程中的局部搜索能力;同時(shí)，采用高斯分布來動(dòng)態(tài)調(diào)整變異操作中用于縮

5、放的個(gè)體，提高了種群的單個(gè)個(gè)體的尋優(yōu)能力。通過以上操作不僅擴(kuò)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(duì)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(cè)試用例的自動(dòng)生成問題中，針對(duì)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(cè)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(jìn)化算法(Adaptive Differential Evolution based on Cente

6、r of Mass，CADE)，并用于測(cè)試用例的自動(dòng)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(duì)變異個(gè)體進(jìn)行選擇，該方法保證了種群向著最優(yōu)值方向進(jìn)化，加快了種群的收斂速度;同時(shí)利用控制參數(shù)的自適應(yīng)調(diào)整來控制個(gè)體的縮放規(guī)模，提高種群多樣性，從而保證種群在進(jìn)化過程中因個(gè)體過于集中而陷入局部最優(yōu)時(shí)，能跳出局部最優(yōu)。為驗(yàn)證所提CADE算法的有效性，將其應(yīng)用于軟件測(cè)試用例的自動(dòng)化產(chǎn)生，并與傳統(tǒng)的算法進(jìn)行對(duì)比。實(shí)驗(yàn)表明，本文優(yōu)化后的算