导读:本文包含了测试数据的自动生成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,粒子群算法,蚁群算法,面向路径
测试数据的自动生成论文文献综述
于笳韵,刘传才[1]（2019）在《一种面向路径的测试数据自动生成的组合方法》一文中研究指出在研究面向路径的测试数据自动生成时,目前得到广泛应用的几种方法仍存在不少问题,算法效率普遍低下。为此,提出一种组合优化粒子群算法和蚁群算法的方法:在算法初期,先对粒子群算法作降阶操作,并利用粒子群优化算法生成初步测试结果。然后针对每个粒子的局部搜索过程,引入信息素机制以有效地保证搜索过程的多样性,进而防止搜索过程"早熟"而陷入局部最优。(本文来源于《计算机与数字工程》期刊2019年08期）
苗晓旭,胡玉露,徐豪,曾佩杰[2]（2019）在《基于改进的蚁群算法的测试数据自动生成方法》一文中研究指出本文设计了测试数据自动生成模型,提出一种基于改进的蚁群算法的测试数据自动生成方法。该方法在传统蚁群算法的概率算子中引入相似度影响因子,增加了算法的全局搜索能力。通过叁角形判别问题,对改进的算法与传统蚁群算法对比分析。实验结果表明,该算法相较传统蚁群算法具有搜索效率高、全局搜索能力强的特点,在测试数据自动生成问题中具有较强的可行性。(本文来源于《电子技术与软件工程》期刊2019年13期）
高潮[3]（2019）在《基于改进遗传算法的软件测试数据自动生成系统设计与实现》一文中研究指出软件测试数据自动化生成技术是软件测试自动化的重要组成部分,为了进一步提高软件测试数据自动生成质量和效率,在建立软件测试数据自动生成模型的基础上融入一种改进的遗传算法,该算法通过引进自适应交叉算子和变异算子把模拟退火算法融入其中,很大程度上扩大了测试数据搜索生成范围,一定程度上克服了遗传算法的早熟收敛现象。(本文来源于《信息与电脑(理论版)》期刊2019年02期）
苗晓旭,曾佩杰[4]（2018）在《一种测试数据自动生成算法的研究》一文中研究指出测试数据自动生成是测试自动化技术实现的关键环节。为了提高测试自动化的效率,设计测试数据自动生成模型,提出一种基于单亲遗传算法的测试数据自动生成算法。该算法以叁复本竞争选择算子较好地保持了种群的多样性,采用全新的遗传算子,基因换位、基因移位、基因倒位、基因突变,所有的遗传操作均在一条染色体上进行,不仅可以保证新一代个体具有成为可行解的基本特性,又可以提高对解空间的搜索能力。通过叁角形判别和折半查找程序,改进的算法与传统遗传算法进行了对比分析。实验结果表明,该算法相较传统遗传算法具有搜索效率高、不易陷入局部最优解等特点,在测试数据自动生成问题中具有较强的可行性和高效性。(本文来源于《“测试性与智能测控技术”——2018年中国航空测控技术专刊》期刊2018-11-06）
马贵菊[5]（2018）在《基于智能优化算法的测试数据自动生成优化研究》一文中研究指出软件测试能够保障软件产品的质量,但是同时也占据了整个软件开发周期中将近一半的成本和资源。传统的测试数据的获取需要人工手动设计,而随着软件的规模扩大以及复杂性的提高,手动设计测试数据已经不能满足测试的要求,因此,自动生成测试数据成为许多学者研究的热点和重点,自动生成测试数据可以减少测试消耗的时间,提高测试的效率。对测试数据自动生成的研究主要有两个方面,分别是面向单路径和面向多路径的测试数据生成。为了提高测试数据生成的效率和覆盖率,本文做了以下两个方面的工作:(1)在面向单路径的测试数据自动生成研究中,本文在所使用的萤火虫算法中引入了动态递增的压缩因子,提出了DCFA(Dynamic Compression Firefly Algorithm)算法。萤火虫算法是一种较为新颖的智能优化类算法,它最明显的优点是实现简单,同时收敛速度也比较快,关键是它的发展比较晚,它在单路径测试中有着巨大的发展潜力和研究空间,但是萤火虫算法自身还有一些不足之处,如其在进行局部搜索和全局搜索时,两者之间平衡性较弱,为了调整其局部与全局搜索的能力,本文在萤火虫算法中加入了动态的惯性权重,另一方面由于萤火虫算法在进行局部搜索时,采用的策略是随机搜索,为了加强算法局部搜索的能力,更好的控制算法搜索的区域,本文在加入惯性权重的基础上又引入了动态递增的压缩因子,设计了DCFA算法,然后将DCFA算法应用在单路径测试数据的自动生成实验中,实验验证DCFA算法能够更快的找到最优解,生成相应的测试数据。(2)在面向多路径的测试数据的自动生成方面,本文设计提出了基于粒子群算法和烟花爆炸算法相结合的FWPSO(Fireworks Particle Swarm Optimization)算法。多路径测试的难点在于如何在一次搜索内生成能够覆盖到多条目标路径的数据,以及路径之间相似度的计算,本文在设计路径相似性的计算方法时,充分考虑了影响路径相似性的不同因素重要性的不同,同时,在将粒子群算法应用到多路径的测试中时,考虑到后期粒子多样性的降低,导致陷入局部极值的情况,本文在粒子群算法中加入了烟花爆炸算法中的“爆炸”思想,设计了基于烟花爆炸算法的FWPSO算法,其基本思想是在粒子每次迭代完成时,由当前最优粒子“爆炸”产生新的粒子,然后几个粒子之间进行比较,选取最优粒子参与下一次的更新迭代,通过这样的方法能够增加粒子种群的多样性,有助于算法在后期跳出局部极值的限制,能够更快的寻找到全局的最优值,本文最后将提出的FWPSO算法应用到面向多路径测试的数据生成实验中,经实验验证在多路径测试中,该算法在寻优效率和覆盖率上均有所提高。(本文来源于《河南大学》期刊2018-06-01）
张宇[6]（2018）在《面向数据类标准的测试用例自动生成方法研究及应用》一文中研究指出软件标准符合性测试,是检测软件与标准的符合程度。行业标准随着行业发展不断变化,软件标准符合性测试的工作变得尤为重要,测试用例的设计与生成是软件标准符合性测试过程中的核心部分。为了避免传统人工方法生成的测试用例覆盖率低、测试效率低等问题,本文提出面向数据类标准的测试用例自动生成方法,并进行了深入分析与研究,以减少人工干预的影响,达到提升测试效率、提高测试用例质量的目的。本文以数据类标准为切入点,探究数据类标准结构组成及共性、测试用例自动生成技术、测试用例有效性评价方法,基于研究成果构建标准符合性测试平台。首先,对汽车、纺织、新闻出版等行业中的数据类标准进行分析,研究结构共性,以便机器语言对标准进行处理;然后,针对数据类标准共性结构,提出测试用例生成方法,基于优先级排序技术提出APPD权值分配技术,作为测试用例有效性的评价方法,根据有效性的评价构建最优测试用例集合;最后,建立了测试用例库管理系统,将研究成果应用于系统中。本文使用边界值法处理数据类标准中非关联数据元素的测试用例生成,将因果图法和判定表法相结合,有效覆盖了数据类标准中关联数据元素的测试用例生成。通过给每一个测试用例分配权值并根据测试结果动态调整权值,构建检测覆盖率更高、检测效果更好的测试用例集。设计并实现了测试用例库管理系统,应用于新闻出版行业的CNONIX标准符合性检测,减少了测试的人工成本,提高了检测效率。(本文来源于《北方工业大学》期刊2018-06-01）
陈洁琼[7]（2018）在《基于数据流准则的测试用例自动生成方法研究》一文中研究指出软件测试主要分为叁个步骤:(1)为待测程序设计一组合理的测试用例;(2)在测试程序中执行设计好的测试用例;(3)判断执行结果和预期结果是否一致,以此确认输出的正确性。手工设计测试用例所需成本高,需要测试人员具备丰富的经验。实现测试用例生成的自动化有利于提高软件测试效率,降低测试成本。测试用例可以随机生成,也可以依据一些测试覆盖准则生成可以覆盖指定测试目标的测试用例。根据覆盖准则所考虑的程序实体的不同,可以分为两种类型:(1)基于控制流的测试覆盖准则,如语句覆盖、分支覆盖等;(2)基于数据流的测试覆盖准则,如所有使用覆盖准则等。其中数据流测试覆盖准则关注的是程序中的数据流交互关系,如果某条语句定义了一个变量且该变量用于另一条语句,就有必要执行经过这两条语句的路径来检查这之间是否存在错误。相比较于基于控制流的覆盖准则,数据流覆盖准则更容易检测到程序中通过变量引起的方法交互之间存在的错误,有着更为广泛的应用前景。但是,目前在基于数据流准则的测试用例生成问题上,依然有一些不足之处。包括:(1)数据流测试使用的适应度函数所包含的测试用例信息单一,无法较好地指导测试用例的进化;(2)覆盖数据流测试目标的难度高于分支等测试目标,导致数据流测试复杂度高,影响了数据流测试的应用。为此,本文对基于数据流准则的测试用例生成开展了以下相关的研究工作:(1)利用遗传算法实现基于数据流准则的测试用例自动生成方法,并设计了一个新的适应度函数指导测试测试用例的进化。适应度函数分别考虑定义节点和使用节点,利用分支距离度量测试用例到节点的距离,并引入一个常量来表示杀死节点信息,为测试用例的进化提供更多的信息,提高测试效率。(2)生成测试用例之前,利用所有使用覆盖准则和分支覆盖准则之间的并行覆盖关系,将部分数据流测试目标定义使用对替换为分支测试目标。在生成测试用例过程中,对于这部分被替换的目标,只需要保证测试用例覆盖对应的分支,不需要保证测试用例同时覆盖定义节点和相同变量的使用节点,也不需要额外考虑定义节点和使用节点之间是否存在杀死节点。以此降低数据流测试的复杂度。(3)设计并实现一个面向Java的基于数据流准则的测试用例自动生成工具DFTCG,使用遗传算法实现基于搜索的测试用例生成方法。提供可视化的界面方便使用者进行相关的配置。(本文来源于《中国矿业大学》期刊2018-05-01）
王佩佩[8]（2018）在《基于自适应遗传算法的测试数据自动生成理论与方法》一文中研究指出随着软件功能的日益增加,软件越来越复杂,因此在软件测试中,测试数据生成的效率变得非常低下。为了提高测试数据生成的效率,需要采用有针对性的理论与方法。目前,基于遗传算法的测试数据生成方法得到了广泛研究,然而,由于测试数据生成问题的特殊性,使得使用传统遗传算法生成测试数据的效率仍然十分低下。因此,寻找更为有效的测试数据生成方法一直是非常迫切的问题。鉴于此,本文分别针对路径覆盖测试和变异测试,研究如何改进算法性能以提高测试数据生成的效率。首先,针对路径覆盖测试,提出基于个体核密度自适应遗传算法的测试数据生成方法。重点考虑了搜索空间中个体之间的联系,通过计算个体之间的核密度动态地改变遗传操作中的选择概率、交叉概率和变异概率,从而加速算法的收敛速度,并将改善后的算法应用于测试数据生成中,提高测试数据生成的效率。其次,针对变异测试问题,提出基于变异体特征提取自适应遗传算法的测试数据生成方法。首先,依据弱变异测试准则生成变异分支并插装到源程序中;然后,根据变异体相似性分析的聚类原理,对变异体进行分类;接着,基于弱变异测试转化准则,建立变异测试数据生成问题的数学模型;然后,采用自适应遗传算法对所建立的模型进行求解,在求解的过程中,搜集杀死变异体的执行时间,并以此信息为依据选取更加有效的测试数据。最后,基于对比实验,验证了该方法在测试数据生成方面的有效性。本文提出的研究方法有效提高了测试数据生成的效率,进一步丰富了软件测试理论,因此,具有重要的理论意义和应用价值。(本文来源于《中国矿业大学》期刊2018-05-01）
任群[9]（2018）在《智能优化算法自动生成计算机软件测试数据的方法》一文中研究指出为了解决计算机软件数据测试中存在的问题,本文提出了一种基于智能优化算法自动生成(Automatic generation of intelligent optimization algorithm,AGIOA)的计算机软件测试数据方法。通过利用智能算法处理待测数据,并自动对计算机软件测试数据进行优化测试,以充分展示该算法的软件测试数据生成能力。最后,通过使用不同的算法对软件测试数据进行对比分析,实验结果表明:该方法可以提高计算机软件测试数据的自动生成效率,也有利于改善软件的质量。(本文来源于《信阳农林学院学报》期刊2018年01期）
于笳韵[10]（2018）在《面向路径的测试数据自动生成研究》一文中研究指出软件自动化测试的核心是高效自动地生成测试数据。人力构造测试数据是一项非常耗时耗力的工作,不仅工作量繁重,而且工作内容也比较盲目。自动生成测试数据则可弥补上述缺陷,减轻测试人员的工作量,显着提高软件测试的效率。近年来,利用智能优化算法实施测试数据自动生成的工作取得了较大的进展,比较热门的是基于遗传算法的测试数据生成研究,但是,由于遗传算法初始时需要对个体进行编码,导致该算法复用性不强。且编码、解码占用大量CPU时间,运行效率会相对较低。而研究发现,粒子群算法模型简单、搜索效率高,在测试数据自动生成领域是一种很有前途的算法。以此为出发点,本文在研究测试数据生成技术和智能优化算法的基础上,提出了两种基于粒子群算法的优化改进算法,具体研究工作和成果如下:1.提出一种简化改进的粒子群算法。对标准粒子群算法进行降阶处理,简化粒子的进化过程,并通过与标准粒子群算法的对比实验,验证了该优化策略的可行性。粒子群算法经过改进以后,不确定参数就只剩下惯性权重,本文对惯性权重的取值方法也进行了研究分析,提出当惯性权重在适当的定义域内随机选取时,算法的搜索遍历度最高。2.提出一种基于改进粒子群-蚁群组合算法进行测试数据生成的方法。为了改进粒子群算法解决问题时容易陷入局部最优的现象,将优化后的粒子群算法与蚁群算法相结合,充分凝聚两个算法的优点。这种方式规避了粒子群算法易陷入局部最优的缺陷,并且十分简便易懂。实验结果表明,将此组合算法用于测试用例的自动生成,最大程度地体现了两个算法的优势。利用反馈信息增强全局搜索能力,保证整个求解过程适应度高的粒子个体与适应度低的粒子个体数目差距不会过大,有效地提升了测试数据自动生成的稳定性和平衡性,进而解决搜索过程易“早熟”的问题。3.提出一种基于K均值-粒子群组合算法生成测试数据的方法。为了解决粒子群算法的运行效率受粒子群规模影响较大的问题,在粒子群算法中引入K-means算法的思想。在每次迭代过程中,均先利用K-Means算法划分粒子群,以此减少算法的迭代次数,提高算法的运行效率。实验结果表明,将KPSO算法应用于测试数据的自动生成,既确保了生成数据的质量,又明显提高了算法的运行效率,并且有效节约运行时间使得测试数据自动化生成更可靠、更合理,实用价值更高。(本文来源于《南京理工大学》期刊2018-03-01）
测试数据的自动生成论文开题报告
（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：
本文设计了测试数据自动生成模型,提出一种基于改进的蚁群算法的测试数据自动生成方法。该方法在传统蚁群算法的概率算子中引入相似度影响因子,增加了算法的全局搜索能力。通过叁角形判别问题,对改进的算法与传统蚁群算法对比分析。实验结果表明,该算法相较传统蚁群算法具有搜索效率高、全局搜索能力强的特点,在测试数据自动生成问题中具有较强的可行性。
（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。
测试数据的自动生成论文参考文献
[1].于笳韵,刘传才.一种面向路径的测试数据自动生成的组合方法[J].计算机与数字工程.2019
[2].苗晓旭,胡玉露,徐豪,曾佩杰.基于改进的蚁群算法的测试数据自动生成方法[J].电子技术与软件工程.2019
[3].高潮.基于改进遗传算法的软件测试数据自动生成系统设计与实现[J].信息与电脑(理论版).2019
[4].苗晓旭,曾佩杰.一种测试数据自动生成算法的研究[C].“测试性与智能测控技术”——2018年中国航空测控技术专刊.2018
[5].马贵菊.基于智能优化算法的测试数据自动生成优化研究[D].河南大学.2018
[6].张宇.面向数据类标准的测试用例自动生成方法研究及应用[D].北方工业大学.2018
[7].陈洁琼.基于数据流准则的测试用例自动生成方法研究[D].中国矿业大学.2018
[8].王佩佩.基于自适应遗传算法的测试数据自动生成理论与方法[D].中国矿业大学.2018
[9].任群.智能优化算法自动生成计算机软件测试数据的方法[J].信阳农林学院学报.2018
[10].于笳韵.面向路径的测试数据自动生成研究[D].南京理工大学.2018