基于粒子群优化的测试数据生成及其实证分析

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.

关键词：结构性测试、测试数据生成、分支覆盖、搜索算法、粒子群优化

所属期刊栏目：51

分类号：TP311(计算技术、计算机技术)

资助基金：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

在线出版日期：2014-04-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：824-837