從函數入口到達目標點或者函數出口的路徑可能有非常多,選擇一條約束求解復雜度低的路徑可以提高面向路徑的測試用例生成效率,具有非常重要的意義。面向路徑的約束求解復雜度可以由求解時間來體現。本文首先分析了面向路徑的約束求解中影響效率的關鍵因素。然后,結合路徑中約束信息的構成建立了符號化的約束求解復雜度模型。最后,基于約束求解復雜度模型使用機器學習中的誤差反向傳播神經網絡、遺傳算法優(yōu)化的誤差反向傳播神經網絡、支持向量機回歸和集成學習四種方法對大量歷史路徑求解數據進行訓練,建立預測模型,實現對一組新輸入路徑集的求解時間預測。其中,預測求解時間最少的路徑就代表求解復雜度最低的一條路徑。本文在MATLAB上編碼實現了上述四種方法,并通過相關實驗來驗證這些方法的可行性。實驗結果表明遺傳算法優(yōu)化后的誤差反向傳播神經網絡模型預測準確率最高,將該模型應用到測試用例生成的路徑選擇中可以提高整體效率。 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數】：68 頁

【學位級別】：碩士

【部分圖文】：

圖２－２機器學習??機器學習的基礎模型如圖２－３所示，主要包括了四個部分：環(huán)境、學習環(huán)節(jié)、??

于研究通過計算的手段，利用經驗來改善系統(tǒng)本身的性能，而在計算機系統(tǒng)中，??經驗一般以數據的形式存在［力。傳統(tǒng)的計算機編程中，數據通過模型計算得到輸??出結果，如圖２－１所示。而在機器學習中，通過數據和輸出結果計算得到實現這??個轉換的模型，如圖２－２所示。機器學習的主要研宄內容就是從數據中發(fā)現規(guī)律??即學習算法（ｌｅａｒｎｉｎｇ?ａｌｇｏｒｉｔｈｍ），并應用于解決新的問題。??數據?Ｊ??顯］計算機｜轉＊??圖２－１傳統(tǒng)的計算機編程??數據?」???碎里￣＂計算機?￣￣－??結果?，??圖２－２機器學習??機器學習的基礎模型如圖２－３所示，主要包括了四個部分：環(huán)境、學習環(huán)節(jié)、??知識庫以及執(zhí)行環(huán)節(jié)。???？學習環(huán)節(jié)???？執(zhí)行環(huán)節(jié)??圖２－３機器學習的基本模型??在機器學習模型中，學習環(huán)節(jié)和執(zhí)行環(huán)節(jié)是兩個主要的過程，學習環(huán)節(jié)通過??對環(huán)境的輸入信息進行學習形成知識庫，并不斷對知識庫進行改進，而執(zhí)行環(huán)節(jié)??

（３）?—個激活函數。用于限制模型輸出振幅，將輸入數據限制到比較小的??范圍，常見的有［０，１］或者［－１，１］。??圖２－４的神經元模型可詳細描述如下。??設神經元的輸入向量為??Ｘ?＝?（Ｘ１；Ｘ２，Ｘ３，．．．，Ｘｎ）ｒ?（２－１）??公式（２－１）中，尤Ｕ?＝?１，２，３，…，ｎ）表不第／個神經兀的輸入，《表不輸??入神經元的總數量。??輸入神經元到神經元節(jié)點的加權向量為??Ｗ＝?（Ｗ１，Ｗ２，Ｗ３，．．．，Ｗｎ）７＇?（２－２）??公式（２－２）中，呎（ｉ?＝?１，?２，３，…，ｎ）表示第ｆ?zhèn)�輸入神經元到神經元節(jié)點??的加權值。??神經元節(jié)點的輸入經過加權處理之后的和為??ｓ?＝?Ｓ？＝１＾Ｍ／，－０?（２－３）??公式（２－３）中，０表示神經元節(jié)點的閾值。??神經元的輸出為??ｙ?＝?ｆ（ｓ）?（２－４）??公式（２－４）中，函數／表示轉移函數。??２．２．２誤差反向傳播神經網絡??誤差反向傳播神經網絡（ｅｒｒｏｒ?ｂａｃｋｐｒｏｐａｇａｔｉｏｎ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ）簡稱ＢＰ神經??網絡

【參考文獻】：
期刊論文
[1]基于改進遺傳算法的測試數據自動生成的研究[J]. 高雪笛,周麗娟,張樹東,柳昊明.  計算機科學. 2017(03)
[2]基于BP神經網絡軟件測試缺陷預測技術研究及應用[J]. 費清春,嚴沁,史瑩瑩.  測控技術. 2016(01)
[3]基于分支限界搜索框架的測試用例自動生成[J]. 邢穎,宮云戰(zhàn),王雅文,張旭舟.  中國科學:信息科學. 2014(10)
[4]SVM應用于測試用例生成的方法[J]. 趙詠斌,朱嘉鋼,陸曉.  計算機應用研究. 2015(01)
[5]基于符號執(zhí)行的測試數據生成方法的研究與設計[J]. 趙躍華,闞俊杰.  計算機應用與軟件. 2014(02)
[6]SVM分類核函數及參數選擇比較[J]. 奉國和.  計算機工程與應用. 2011(03)
[7]機器學習及其相關算法綜述[J]. 陳凱,朱鈺.  統(tǒng)計與信息論壇. 2007(05)
[8]軟件測試工具綜述[J]. 王雅文,宮云戰(zhàn),楊朝紅.  北京化工大學學報(自然科學版). 2007(S1)
[9]基于面向路徑的遺傳算法的測試用例自動生成[J]. 金虎,李志蜀,張磊,李寶林,李勇軍.  計算機工程. 2007(03)
[10]Boosting和Bagging綜述[J]. 沈學華,周志華,吳建鑫,陳兆乾.  計算機工程與應用. 2000(12)

博士論文
[1]測試用例自動生成的分支限界算法及實驗研究[D]. 邢穎.北京郵電大學 2014
[2]基于機器學習的軟件缺陷預測技術研究[D]. 馬櫻.電子科技大學 2012
[3]基于動態(tài)測試用例生成的二進制軟件缺陷自動發(fā)掘技術研究[D]. 李根.國防科學技術大學 2010
[4]面向路徑的測試數據自動生成方法研究[D]. 單錦輝.國防科學技術大學 2002

碩士論文
[1]基于機器學習的手機游戲軟件自動化測試研究[D]. 程文華.浙江大學 2014
[2]基于神經網絡的路徑覆蓋測試數據生成[D]. 李鑫.中國礦業(yè)大學 2014
[3]基于動態(tài)符號執(zhí)行的測試用例生成技術研究[D]. 董齊興.中國科學技術大學 2014
[4]基于動態(tài)程序切片技術的測試用例自動生成研究[D]. 劉磊.安徽大學 2010
[5]基于支持向量機的軟件可靠性模型研究[D]. 何俊學.蘭州理工大學 2009



本文編號：3344127