在軟件工程中,利用智能搜索算法研究測(cè)試用例生成問題是一種有效的方法,在智能搜索算法中,粒子群算法更具有競(jìng)爭(zhēng)力,因此被廣泛應(yīng)用�；貧w測(cè)試表示對(duì)修改后的軟件進(jìn)行重復(fù)測(cè)試,確認(rèn)是否產(chǎn)生新的缺陷。在軟件開發(fā)過程中,頻繁使用回歸測(cè)試可以確保軟件的質(zhì)量,所以對(duì)測(cè)試用例進(jìn)行優(yōu)先級(jí)排序可以降低回歸測(cè)試的成本。本文總結(jié)了關(guān)于粒子群算法在測(cè)試用例生成和排序上的研究成果,針對(duì)算法早熟收斂,易于陷入局部極值的問題,對(duì)學(xué)習(xí)因子進(jìn)行改進(jìn),結(jié)合反向?qū)W習(xí)和再次搜索,提出了一種基于改進(jìn)粒子群的測(cè)試用例生成方法;并且將Tent映射和混沌搜索與粒子群算法相結(jié)合,將其應(yīng)用于測(cè)試用例排序中。針對(duì)本文的主要研究工作和貢獻(xiàn)概括如下:（1）針對(duì)粒子群算法參數(shù)設(shè)置問題,改進(jìn)策略為對(duì)Tent參數(shù)、慣性權(quán)重和學(xué)習(xí)因子做更合理設(shè)定。Tent映射中引入?yún)?shù)可防止粒子落入小周期內(nèi),同時(shí)利用本身具有的三大特性對(duì)種群進(jìn)行初始化優(yōu)化,使得粒子均勻分布,提高初始解的質(zhì)量;引入隨慣性權(quán)重非線性遞減變化而變化的學(xué)習(xí)因子,用以平衡算法的全局探索和局部開發(fā)能力;同時(shí)為匹配算法進(jìn)程中的非線性變化特點(diǎn),慣性權(quán)重?采用常用的指數(shù)函數(shù)遞減法。（2）針對(duì)幾次迭代后粒子陷... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 測(cè)試用例生成與排序理論基礎(chǔ)
    2.1 測(cè)試用例的基本概念
    2.2 測(cè)試用例生成技術(shù)
    2.3 測(cè)試用例優(yōu)先級(jí)排序技術(shù)
    2.4 本章小結(jié)
第三章 粒子群算法
    3.1 標(biāo)準(zhǔn)粒子群算法
    3.2 粒子群優(yōu)化算法分類
        3.2.1 調(diào)整參數(shù)改進(jìn)算法
        3.2.2 拓?fù)浣Y(jié)構(gòu)改進(jìn)算法
        3.2.3 混合PSO算法
    3.3 粒子群算法的參數(shù)分析
    3.4 本章小結(jié)
第四章 基于改進(jìn)粒子群的測(cè)試用例生成研究
    4.1 算法總體框架
    4.2 改進(jìn)粒子群算法設(shè)計(jì)
        4.2.1 參數(shù)調(diào)整策略
        4.2.2 再次搜索
        4.2.3 反向?qū)W習(xí)
        4.2.4 適應(yīng)度函數(shù)設(shè)計(jì)
    4.3 改進(jìn)的粒子群算法流程
    4.4 實(shí)驗(yàn)與分析
        4.4.1 實(shí)驗(yàn)設(shè)計(jì)
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 基于Tent混沌的測(cè)試用例優(yōu)先級(jí)排序研究
    5.1 算法總體框架
    5.2 基于Tent混沌的測(cè)試用例排序設(shè)計(jì)
        5.2.1 初始化優(yōu)化
        5.2.2 混沌優(yōu)化算法
        5.2.3 粒子群編碼
        5.2.4 優(yōu)先級(jí)排序因素
    5.3 基于Tent混沌的粒子群算法流程
    5.4 實(shí)驗(yàn)與分析
        5.4.1 實(shí)驗(yàn)設(shè)計(jì)
        5.4.2 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間的研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于動(dòng)態(tài)調(diào)整簡(jiǎn)化粒子群優(yōu)化的組合測(cè)試用例生成方法[J]. 包曉安,鮑超,金瑜婷,陳春宇,錢俊彥,張娜.  計(jì)算機(jī)科學(xué). 2018(11)
[2]基于OTT策略的可變力度組合測(cè)試用例優(yōu)先級(jí)排序方法[J]. 張娜,林青霞,吳彪,金瑜婷,史佳炳.  計(jì)算機(jī)測(cè)量與控制. 2018(07)
[3]基于精英高斯學(xué)習(xí)的改進(jìn)魚群粒子群混合算法[J]. 康朝海,王博宇,楊永英.  吉林大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(04)
[4]基于風(fēng)險(xiǎn)分析的回歸測(cè)試用例優(yōu)先級(jí)排序[J]. 于海,楊月,王瑩,張偉,朱志良.  計(jì)算機(jī)學(xué)報(bào). 2019(10)
[5]基于缺陷的測(cè)試用例優(yōu)先級(jí)排序方法[J]. 朱凌燕.  電子技術(shù)與軟件工程. 2017(23)
[6]基于自適應(yīng)粒子群優(yōu)化的組合測(cè)試用例生成方法[J]. 包曉安,楊亞娟,張娜,林青霞,俞成海.  計(jì)算機(jī)科學(xué). 2017(06)
[7]基于變異粒子群算法的字符串型測(cè)試數(shù)據(jù)生成[J]. 李剛,于磊,孫回回,張興隆,侯韶凡.  計(jì)算機(jī)科學(xué). 2016(11)
[8]基于函數(shù)調(diào)用路徑的回歸測(cè)試用例選擇排序方法研究[J]. 鄭錦勤,牟永敏.  計(jì)算機(jī)應(yīng)用研究. 2016(07)
[9]基于改進(jìn)模擬退火遺傳算法的測(cè)試用例優(yōu)化方法研究[J]. 鄭佳琪,何洋,王存?zhèn)?  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2015(32)
[10]多目標(biāo)優(yōu)化的測(cè)試用例優(yōu)先級(jí)在線調(diào)整策略[J]. 張娜,姚瀾,包曉安,董萌,桂寧.  軟件學(xué)報(bào). 2015(10)

碩士論文
[1]軟件失效模式評(píng)測(cè)工具的設(shè)計(jì)與實(shí)現(xiàn)[D]. 劉卓鉞.哈爾濱工業(yè)大學(xué) 2012



本文編號(hào)：3325636