基于改進(jìn)PSO算法的測(cè)試用例生成方法研究.pdf

1、測(cè)試用例的自動(dòng)生成是軟件測(cè)試自動(dòng)化的一個(gè)重要環(huán)節(jié)，是提高軟件測(cè)試效率、減少軟件開發(fā)成本、保證軟件質(zhì)量的重要手段。在面向路徑的測(cè)試用例自動(dòng)生成方法中，傳統(tǒng)的隨機(jī)法、靜態(tài)法、動(dòng)態(tài)法等技術(shù)存在效率低下，過(guò)程復(fù)雜，解決問(wèn)題不完備等缺陷，遺傳算法在測(cè)試用例的生成上雖然具有優(yōu)越性，但是需要進(jìn)行編碼解碼，操作復(fù)雜，使得運(yùn)行效率有所降低。如何快速、有效地生成符合條件的測(cè)試用例具有非常重要的理論意義和現(xiàn)實(shí)意義。
　　 粒子群算法（Particle

2、 Swarm Optimization，簡(jiǎn)稱PSO）收斂速度快，簡(jiǎn)單易用、通用性強(qiáng)，為解決面向路徑測(cè)試用例的自動(dòng)生成問(wèn)題提供了一條新的途徑。但該算法也有局部搜索能力差，搜索精度不高，容易陷入局部極值等缺陷。
　　 本文為了克服缺點(diǎn)對(duì)算法進(jìn)行了改進(jìn)，提出一種基于具有混沌局部搜索的自適應(yīng)粒子群優(yōu)化算法（Adaptive Particle Swarm Optimization with Chaotic Local Search，APS

3、OCLS）的測(cè)試用例自動(dòng)生成方法。重點(diǎn)工作如下：
　　 1、采用自適應(yīng)策略：慣性權(quán)因子是影響算法收斂性和搜索性能的關(guān)鍵，本文結(jié)合粒子的適應(yīng)度和粒子聚集度制定了自適應(yīng)調(diào)整策略，平衡算法的全局探索能力和局部改良能力，提高算法收斂速度和精度。
　　 2、加入混沌局部搜索（CLS）：用混沌局部搜索解決算法局部搜索能力差，在局部極值收斂速度慢和極值附近震蕩的問(wèn)題。為提高混沌搜索的速度和精度，文中采用分布更均勻的Tent 映射，并盡

4、量避免其陷入自身小周期和不動(dòng)點(diǎn)。
　　 3、設(shè)計(jì)面向路徑測(cè)試用例生成的算法，提高生成測(cè)試用例的效率。
　　 最后，對(duì)文中測(cè)試用例的生成模型進(jìn)行驗(yàn)證，從生成測(cè)試用例所需的迭代次數(shù)和運(yùn)行時(shí)間兩個(gè)指標(biāo)進(jìn)行衡量，同現(xiàn)有的PSO 算法和免疫遺傳算法相比較，實(shí)驗(yàn)證明，基于具有混沌局部搜索的自適應(yīng)粒子群算法在測(cè)試用例自動(dòng)生成效率上有所提高。為使研究更具有實(shí)用價(jià)值，以上述研究為基礎(chǔ)，采用VB 語(yǔ)言開發(fā)了基于APSOCLS 算法的面向路徑