基于粒子群优化的测试数据生成及其实证分析
Algorithm Design and Empirical Analysis for Particle Swarm Optimization-Based Test Data Generation作者机构:软件工程国家重点实验室(武汉大学)武汉430072 江西财经大学软件与通信工程学院南昌330032 中国科学院软件研究所基础软件国家工程研究中心北京100190
出 版 物:《计算机研究与发展》 (Journal of Computer Research and Development)
年 卷 期:2014年第51卷第4期
页 面:824-837页
核心收录:
学科分类:0810[工学-信息与通信工程] 0808[工学-电气工程] 0839[工学-网络空间安全] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 081202[工学-计算机软件与理论]
基 金:国家自然科学基金项目(61063013 61100070) 江西省自然科学基金项目(2010GZS0044) 武汉大学软件工程国家重点实验室开放基金项目(SKLSE2010-08-23)
主 题:结构性测试 测试数据生成 分支覆盖 搜索算法 粒子群优化
摘 要:运用元启发式搜索进行结构性测试数据生成已经被证实是一种有效的方法.在讨论基于搜索的测试数据生成基本框架的基础上,以分支覆盖作为测试覆盖准则,给出了基于粒子群优化(particle swarm optimization,PSO)的测试数据生成算法,并通过分析分支谓词的结构特征提出了一种新的适应函数构造形式.在此基础上,针对一些公开的程序集开展对比性实验分析,证实粒子群优化算法在平均覆盖率、全覆盖成功率、平均收敛代数和搜索时间4项指标上均要优于遗传算法和模拟退火算法.同时,编程实现了4种典型的PSO变体算法并进行测试数据生成效果的实证分析,结果表明:基本PSO是解决测试数据生成问题的首选算法,而综合学习式PSO算法的表现则相对较差.