CN104281522B - 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 - Google Patents
基于语句覆盖和缺陷检测的多目标测试数据缩减方法 Download PDFInfo
- Publication number
- CN104281522B CN104281522B CN201410543046.8A CN201410543046A CN104281522B CN 104281522 B CN104281522 B CN 104281522B CN 201410543046 A CN201410543046 A CN 201410543046A CN 104281522 B CN104281522 B CN 104281522B
- Authority
- CN
- China
- Prior art keywords
- test data
- mrow
- individual
- msub
- sentence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007547 defect Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010353 genetic engineering Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- PSFDQSOCUJVVGF-UHFFFAOYSA-N harman Chemical compound C12=CC=CC=C2NC2=C1C=CN=C2C PSFDQSOCUJVVGF-UHFFFAOYSA-N 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000013522 software testing Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于语句覆盖和缺陷检测的多目标测试数据缩减方法，目的是有效减少测试数据的冗余度，提高软件测试的效率。首先，将测试数据缩减问题转化为多目标优化问题，优化的目标是使得测试数据集的语句覆盖率和缺陷检测率尽可能地多，并且测试数据的个数尽可能地少；然后明确各个目标函数，建立多目标优化模型；最后提出一种遗传算法对该问题进行求解。该方法能够找到有效的测试数据，使其同时满足满足语句覆盖率、缺陷检测率的最大化，测试数据个数最小化。
Description
技术领域
本发明涉及计算机软件测试领域，设计了一种基于语句覆盖和缺陷检测的多目标测试数据缩减及进化求解方法。该方法区别于已有方法的特色在于，基于语句覆盖和缺陷检测建立测试数据缩减问题的多目标优化模型，从而保证缩减后的测试数据具有较好的质量；另外，给出一种遗传算法来对上述模型进行求解。该方法不但可以有效减少测试数据的数量，还可以保证缩减后的测试数据具有较好的检错能力，对提高软件测试的效率和质量具有重要意义。
背景技术
软件测试的目的是为了发现软件中存在的缺陷甚至错误，从而提高软件的质量。而进行软件测试的核心，是采用有针对性的理论和方法，生成有效的测试数据，以满足既定的测试充分性准则。但是，传统方法生成的测试数据往往存在大量冗余。测试数据之所以会出现冗余，是因为覆盖某一测试目标的测试数据往往同时覆盖其他测试目标。另外，在回归测试中，会根据新的测试要求不断补充大量测试数据，从而导致测试用例的数量不断攀升。
测试数据冗余是软件测试领域面临的一个重要难题。如果能够找到更少的测试数据满足既定的测试要求，那么，无疑将会提高软件测试的效率，因为这可以减少执行测试数据集所需的时间，从而降低测试成本。为此，人们提出多种测试数据进行缩减策略，从而达到减少冗余、提高软件测试效率的目的。
一般来说，测试数据缩减的思想是：按照某种覆盖准则，找到原有测试数据集的子集，使得该子集也能够覆盖所有测试目标，该子集称为原有测试数据集的代表集。如果一个测试数据集的任何真子集都不能满足既定的测试准则，那么，称该测试数据集为最优集或最小集。
Leung和White证明，寻找覆盖所有测试目标的最小测试数据集属于NP困难问题。所以，人们往往寻找该问题的近似解。Harrold等提出一种启发式算法缩减测试数据集，该方法首先根据测试数据和测试目标的关联矩阵对测试需求分类，再根据测试需求的等级，按照一定顺序选择测试数据。Chen等提出另外一种启发式方法，解决测试数据缩减问题，该方法用到3种策略，分别是贪心策略、必要性策略和一对一策略，其中，贪心策略优先选择覆盖更多测试目标的测试数据；必要性策略选择必不可少的测试数据；而一对一策略选择只能由一个测试数据覆盖的测试目标。Lin等改进了Harrold的方法，区分具有相同优先级的测试数据。
解决测试数据冗余问题的另一种方法，是在生成测试数据的同时，最小化测试数据集。Ding等提出一种面向连续和并发程序的测试数据生成方法，该方法首先根据条件语句，将程序的输入域划分为若干子区域；然后，在程序的每个输出节点建立表达式，包括：相应的输入变量、到达的条件，以及一些“与、或”操作符号等；最后，根据表达式生成相应的测试数据。实验结果表明，该方法生成的测试数据避免了大量的冗余。Li等提出一种利用语句优先级选择测试目标的语句覆盖测试数据生成方法，该方法首先按照某种准则确定语句的优先级；然后，根据语句的优先级选择目标路径，使得该路径能够覆盖更多高优先级的目标语句。
一般情况下，人们把测试数据缩减看成单目标优化问题，优化的目标是测试数据个数最少。但是，也有把测试数据缩减和其它目标相结合的方法，如：在Yoo和Harman的工作中，优化的目标包括：代码覆盖、以前的排错记录和执行该测试数据所需要的时间等。Black等利用线性规划缩减测试数据，该方法包含两个模型，第一个优化的目标是测试数据个数最少；第二个优化的目标有两个，一个是测试数据个数最少；另一个是测试数据累计覆盖的测试目标最多。
与测试数据缩减相近的另一工作是测试数据选择，二者都是要找到原来的测试数据集的代表集，不同的是代表集满足的准则不同。测试数据缩减的准则是代表集能够覆盖既定的测试目标；而测试数据选择主要针对回归测试，考察代表集能否覆盖程序中修改的部分。
现有方法对测试数据进行缩减时，一般只要求缩减后的测试数据满足特定覆盖要求。虽然也有利用多目标方法解决测试数据缩减问题的，但很少考虑缩减后测试数据的检错能力。因此，已有测试数据缩减方法虽然可以降低测试数据的数量，但往往会消弱其缺陷检测能力。
语句覆盖是最基本的测试覆盖准则，因此，本发明把语句覆盖率作为衡量测试数据质量的第一个目标。另外，软件测试的核心是为了查找缺陷。测试数据发现的错误越多，对应测试数据的质量也就越高。因此，本发明把缺陷检测率作为衡量测试数据质量的第二个目标。最后，为了降低测试成本，希望缩减后的测试数据数量越少越好。鉴于此，本发明建立了测试缩减问题的多目标优化模型，并给出其进化求解方法。
发明内容
本发明给出一种基于语句覆盖和缺陷检测的多目标测试数据缩减方法。首先，把测试数据缩减问题的建模为多目标优化问题，优化的目标分别语句覆盖率、缺陷检测率和缩减率。在此基础之上，设计了一种遗传算法对上述多目标优化模型进行求解。最后的实验结果表明，本发明提出的方法不但可以大幅度缩减测试数据的数量，同时可以保证其语句覆盖率和检错能力不会降低。
本发明所要解决的技术问题：基于语句覆盖和缺陷检测建立测试数据缩减问题的多目标优化模型，从而保证缩减后的测试数据具有较好的质量；提出一种求解上述优化问题的遗传算法，从而保证该优化问题求解的效率。
本发明的技术解决方案：一种基于语句覆盖和缺陷检测的测试数据缩减方法，其特征包含以下步骤：
步骤1：建立测试数据缩减问题的多目标优化模型
首先，明确我们所要解决的问题。假设被测程序为G，其输入空间为D，要求覆盖的目标语句集为S＝{s1,s2,…,sm}，其中，m为目标语句的个数。已有测试数据集为Ω＝{x1,x2,…,xn}，其中xi∈D。假设Ω能够覆盖目标语句集S的所有目标语句。现在要解决的问题可描述为：找到测试数据集Ω的一个子集Ω*，使其尽可能满足以下几个目标要求：能够覆盖的目标语句的个数尽可能地多，即语句覆盖率最大化；检测到的缺陷个数尽可能地多，即缺陷检测率最大化；且包含的测试数据个数尽可能地少，也就是说测试数据集最小化。
因此，我们需要得到满足上述目标的一个子集Ω*。为了有效解决该问题，需要建立语句覆盖率函数、缺陷检测率函数以及缩减率函数，从而将测试数据缩减问题建模为一个多目标优化问题：
max f1(Ω*)
f2(Ω*)
minf3(Ω*)
s.t.Ω*∈2Ω
步骤2、利用遗传算法对基于语句覆盖和缺陷检测的测试数据缩减问题进行求解
测试数据缩减问题是NP困难问题。这是因为，如果Ω中包含n个测试数据，那么Ω将含有2n个子集。随着n值的增大，Ω的子集个数将会呈指数增长。因此，利用传统方法求解该问题具有很大难度。作为一种全局搜索算法，遗传算法在解决NP困难问题时显示了独特的优势。因此，我们设计了一种多目标遗传算法，来对所建立的多目标优化问题进行求解。算法步骤如下：
步骤1遗传算法的参数设置及个体编码
步骤2种群初始化
步骤3个体适应值计算
步骤4判断算法终止条件是否满足
步骤5进行遗传操作
步骤6停止进化，输出结果。
综上所述，本发明主要给出一种基于语句覆盖和缺陷检测的测试数据缩减方法。首先，该方法将测试数据缩减问题转化为含约束优化问题，优化的目标是使得测试数据的个数尽可能的少，同时使得测试数据集的语句覆盖率和缺陷检测率不会降低；然后，利用遗传算法对该模型进行求解，从而达到有效缩减测试数据的目的。
具体实施方式
下面对本发明的实施方式进行详细说明。
步骤1：建立测试数据缩减问题的多目标优化模型
1.1问题描述
设被测程序为G，其输入空间为D，要求覆盖的目标语句集为S＝{s1,s2,…,sm}，其中，m为目标语句的个数。已有测试数据集为Ω＝{x1,x2,…,xn}，其中xi∈D。假设Ω能够覆盖目标语句集S的所有目标语句。现在要解决的问题可描述为：找到测试数据集Ω的一个子集Ω*，使其尽可能满足以下几个目标要求：能够覆盖的目标语句的个数尽可能地多，检测到的缺陷个数尽可能地多，且包含的测试数据个数尽可能地少。
也就是说，我们需要得到满足上述目标的一个子集Ω*。为了有效解决该问题，本文将测试数据缩减问题建模为一个多目标优化问题。
1.2目标函数
前面给出了所要解决的问题的三个优化目标。下面给出针对每个优化目标的目标函数。
(1)语句覆盖率
语句覆盖准则要求测试数据集能够覆盖所有的目标语句。若Ω*覆盖了目标语句集S中的t条语句，那么，Ω*对S的语句覆盖率可定义为：
由定义可以看出，f1(Ω*)的值位于0和1之间；并且，f1(Ω*)的值越接近于1，Ω*覆盖的目标语句也就越多，从而满足语句覆盖准则的程度就越高。我们的目标是使得f1(Ω*)的值尽可能地大，直到取得最大值1。
(2)缺陷检测率
一个测试数据集发现的软件缺陷个数越多，其检错能力也就越好。但是，被测程序包含缺陷或错误的类型及个数都是未知的。因此，本文采用变异测试方法来模拟程序的错误。
变异测试的基本思想是：首先，通过变异算子作用源程序，产生一组变异体；然后，采用相同的测试数据分别运行源程序和变异体，若两者输出不同，则认为变异体被杀死。
首先，按照一定规则生成若干变异体，设变异体的总个数MT，等价变异体的个数为ME。如果测试数据集Ω*杀死变异体的个数为MK，则该测试数据集的缺陷检错率为：
由定义可以看出，则f2(Ω*)的值位于0和1之间；并且，f2(Ω*)的值越接近于1，Ω*杀死的非等价变异体的个数就越多，其检错能力也就越好。我们的目标是使得f2(Ω*)的值尽可能地大，直到取得其最大值1。
(3)缩减率
本文方法对测试数据缩减的目的是，使得Ω的子集Ω*包含的测试数据的个数尽可能的少。设Ω包含的元素个数为|Ω|，Ω*包含的元素个数为|Ω*|，则缩减率
由定义可以看出，则f3(Ω*)的值位于0和1之间；并且，f2(Ω*)的值越接近于0，Ω*包含的测试数据的个数就越少。我们的目标是使得f2(Ω*)的值尽可能
1.3模型建立
综上所述，本发明给出的测试数据缩减问题的多目标优化模型如下：
该模型的决策变量是测试测试数据集Ω*；三个目标函数分别为f1(Ω*)，f2(Ω*)和f3(Ω*)，其中，f1(Ω*)和f2(Ω*)是最大化问题，f3(Ω*)是最小化问题。
步骤2、利用遗传算法对基于语句覆盖和缺陷检测的测试数据缩减问题进行求解
作为一种全局搜索算法，遗传算法在解决NP困难问题时显示了独特的优势。因此，我们设计了一种多目标遗传算法，来对式(4)所建立的多目标优化问题进行求解。下面具体介绍个体的编码方法、个体优劣的评价方法、进化策略，以及算法步骤。
2.1个体编码方法
设Ω*是待求问题(4)的一个候选解，下面将给出Ω*的编码方法。对于原有测试数据集Ω＝{x1,x2,…,xn}，令
则可得到一个长为n的(0-1)串α1,α2,…,αn。可以看出，(0-1)串γ1,γ2,…,γn和子集Ω*是一一对应的关系。因此，我们可以使用长度为n的(0-1)串γ1,γ2,…,γn来表示个体Ω*。这样表示，为遗传操作的顺利实施奠定了基础。
2.2种群初始化
随机生成m个长为n的(0-1)字符串，分别记为Ω1,Ω2,…,Ωm。每个字符串是一个个体，m个个体组成一个初始种群。
2.3个体评价方法
由于(4)式建立的是一个多目标优化问题，需要给出个体的评价方法。由式(1)、(2)和(3)可知，目标函数f1(Ω*)，f2(Ω*)和f3(Ω*)的取值都在0和1之间，因此，不需要对目标函数进行归一化处理。
另外，由于f1(Ω*)和f2(Ω*)是最大化问题，f3(Ω*)是最小化问题，现在统一转化为最小化问题。令f1'(Ω*)＝1-f1(Ω*)，f2'(Ω*)＝1-f2(Ω*)。则f1'(Ω*)和f2'(Ω*)的值都在0和1之间，且对f1(Ω*)和f2(Ω*)是最大化问题，等价于对f1'(Ω*)和f2'(Ω*)的最小化问题。
最后，将f1'(Ω*)，f2'(Ω*)和f3(Ω*)进行加权组合，得到个体Ω*的适应值函数如下：
fit(Ω*)＝ω1f1(Ω*)+ω2f2(Ω*)+ω3f3(Ω*) (6)
其中，ω1,ω2,ω3为权重系数。个体Ω*的适应值越小，就越接近我们期望的解。
2.4进化策略
由于每个个体都是一个(0，1)字符串，可以采用传统的进化算子对个体实施遗传操作。本发明算法中，个体交叉算子为单点交叉，变异算子为单点变异，选择算子采用轮盘赌选择。
2.5算法步骤
基于前面提出的个体编码及适应值计算策略，使用遗传算法来求解式(4)的步骤如下：
步骤1遗传算法的参数设置及个体编码
确定算法的控制参数，包括种群规模、算法终止代数、选择概率、交叉概率，以及变异概率等。种群的个体为已有测试数据集的子集，并按照2.1给出的方法进行编码。
步骤2种群初始化
随机生成包含若干个体的初始种群M1，进化代数t＝1。
步骤3个体适应值计算
对第i代种群Mi，按照(9)式计算每个个体的适应值。个体适应值越小，说明该个体越接近最优解，被遗传到下一代的概率也就越大。
步骤4判断算法终止条件是否满足
算法终止的条件是，连续进化若干代后没有出现更优个体，或者种群进化代数超过设定的最大值。若终止条件被满足，转步骤6；否则，转步骤5。
步骤5进行遗传操作
对个体实施选择、交叉和变异算子；令i＝i+1，转步骤3。
步骤6停止进化，输出结果。
Claims (1)
1.基于语句覆盖和缺陷检测的多目标测试数据缩减方法，其特征在于如下步骤：
步骤1.1：建立测试数据缩减问题的多目标优化模型，在不降低覆盖率的条件下，提高测试数据的检错能力，并减少测试数据的数量；
设被测程序为G，输入空间为D，目标语句集为S＝{s1,s2,…,sm}，已有测试数据集为Ω＝{x1,x2,…,xn}，其中x1∈D,x2∈D,…,xn∈D；找到测试数据集Ω的一个子集Ω*；
建立的多目标优化模型包含三个目标函数，分别是语句覆盖率、缺陷检测率和缩减率；
(1)语句覆盖率
若Ω*覆盖了目标语句集S中的t条语句，Ω*对S的覆盖率定义为：
<mrow>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mi>t</mi>
<mrow>
<mo>|</mo>
<mi>S</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，|S|为S包含的元素的个数；
(2)缺陷检测率
采用变异测试方法模拟程序的内部错误：设变异体的总个数为MT，等价变异体的个数为ME；如果测试数据集Ω*杀死变异体的个数为MK，该测试数据集的缺陷检错率为：
<mrow>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msub>
<mi>M</mi>
<mi>K</mi>
</msub>
<mrow>
<msub>
<mi>M</mi>
<mi>T</mi>
</msub>
<mo>-</mo>
<msub>
<mi>M</mi>
<mi>E</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
(3)缩减率
设Ω包含的元素个数为|Ω|，Ω*包含的元素个数为|Ω*|，缩减率：
<mrow>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&Omega;</mi>
<mo>*</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>&Omega;</mi>
<mo>*</mo>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<mi>&Omega;</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
建立测试数据缩减问题的多目标优化模型如下：
max{f1(Ω*)，f2(Ω*)}
minf3(Ω*) (4)
满足Ω*∈2Ω
该模型的决策变量是：测试数据集Ω*；三个目标函数分别为f1(Ω*)，f2(Ω*)和f3(Ω*)，其中，f1(Ω*)和f2(Ω*)是最大化问题，f3(Ω*)是最小化问题；
步骤1.2：利用遗传算法对基于语句覆盖和缺陷检测的测试数据缩减问题进行求解：
设计了一种多目标遗传算法，对公式(4)所建立的多目标优化模型进行求解；
1.2.1个体编码方法
设Ω*是待求公式(4)的一个候选解，Ω*是Ω的一个子集，对Ω*进行编码；对于原有测试数据集Ω＝{x1,x2,…,xn}，令
对每个Ω*，可得到一个长为n的字符串α1,α2,…,αn；α1,α2,…,αn和子集Ω*是一一对应的关系，使用长度为n的字符串α1,α2,…,αn来表示个体Ω*；
1.2.2种群初始化
随机生成m个长为n的字符串，每个字符串表示一个个体，分别记为Ω1,Ω2,…,Ωm，m个个体组成一个初始种群；
1.2.3个体适应值计算
基于公式(4)建立的是多目标优化问题，需要给出个体的评价方法；由公式(1)、(2)和(3)可知，目标函数f1(Ω*)，f2(Ω*)和f3(Ω*)的取值都在0和1之间；
另外，由于f1(Ω*)和f2(Ω*)是最大化问题，f3(Ω*)是最小化问题，统一转化为最小化问题；令f1'(Ω*)＝1-f1(Ω*)，f2'(Ω*)＝1-f2(Ω*)；对f1(Ω*)和f2(Ω*)的最大化问题，等价于对f1'(Ω*)和f2'(Ω*)的最小化问题，且f1'(Ω*)和f2'(Ω*)的值都在0和1之间；
最后，将f1'(Ω*)，f2'(Ω*)和f3(Ω*)进行加权组合，得到Ω*的适应值函数如下：
fit(Ω*)＝ω1f1(Ω*)+ω2f2(Ω*)+ω3f3(Ω*) (6)
其中，ω1,ω2,ω3为权重系数；
1.2.4进化策略
由于每个个体都是一个字符串，采用传统的进化算子对个体实施遗传操作，算法中，个体交叉算子为单点交叉，变异算子为单点变异；依据个体的适应值大小对其进行选择，适应值越大，被选中的概率就越大；
1.2.5算法步骤
基于前面提出的个体编码及适应值计算方法，使用遗传算法来求解公式(4)的步骤如下：
步骤1遗传算法的参数设置及个体编码
确定算法的控制参数，包括种群规模、算法终止代数、选择概率、交叉概率，以及变异概率等，种群的个体为已有测试数据集的子集，并按照步骤1.2.1给出的方法进行编码；
步骤2种群初始化
随机生成包含若干个体的初始种群Pop1，进化代数t＝1；
步骤3个体适应值计算
对第i代种群Popi，按照公式(6)计算每个个体的适应值，个体适应值越小，说明该个体越接近最优解，被遗传到下一代的概率也就越大；
步骤4判断算法终止条件是否满足
算法终止的条件是，连续进化若干代后没有出现更优个体，或者种群进化代数超过设定的最大值；若终止条件被满足，转步骤6；否则，转步骤5；
步骤5进行遗传操作
对个体实施选择、交叉和变异算子；令i＝i+1，转步骤3；
步骤6停止进化，输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410543046.8A CN104281522B (zh) | 2014-10-14 | 2014-10-14 | 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410543046.8A CN104281522B (zh) | 2014-10-14 | 2014-10-14 | 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104281522A CN104281522A (zh) | 2015-01-14 |
| CN104281522B true CN104281522B (zh) | 2017-09-05 |
Family
ID=52256419
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410543046.8A Expired - Fee Related CN104281522B (zh) | 2014-10-14 | 2014-10-14 | 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104281522B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105808426B (zh) * | 2016-02-28 | 2018-10-16 | 徐州工程学院 | 一种用于弱变异测试的路径覆盖测试数据生成方法 |
| CN108509335B (zh) * | 2018-01-31 | 2021-03-19 | 浙江理工大学 | 基于遗传算法优化的软件测试数据生成方法 |
| CN111274119B (zh) * | 2018-12-05 | 2022-05-17 | 徐州工程学院 | 一种基于多种群协同进化的变异测试数据生成方法 |
| CN110084369A (zh) * | 2019-04-08 | 2019-08-02 | 西北工业大学 | 基于多目标优化的变异测试变异体约简方法 |
| CN111881654B (zh) * | 2020-08-01 | 2023-07-18 | 牡丹江师范学院 | 一种基于多目标优化的刑罚测试数据扩增方法 |
| CN115859537B (zh) * | 2023-03-03 | 2023-05-12 | 厦门市特种设备检验检测院 | 一种烧结炉超标缺陷部位加强弧块结构的优化评定方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141958A (zh) * | 2011-03-09 | 2011-08-03 | 中国矿业大学 | 面向缺陷的路径覆盖测试数据进化生成方法 |
| CN103903072A (zh) * | 2014-04-17 | 2014-07-02 | 中国矿业大学 | 一种基于决策者偏好的高维多目标集合进化优化方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104755908B (zh) * | 2012-07-27 | 2017-12-12 | 统雷有限公司 | 敏捷成像系统 |
-
2014
- 2014-10-14 CN CN201410543046.8A patent/CN104281522B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102141958A (zh) * | 2011-03-09 | 2011-08-03 | 中国矿业大学 | 面向缺陷的路径覆盖测试数据进化生成方法 |
| CN103903072A (zh) * | 2014-04-17 | 2014-07-02 | 中国矿业大学 | 一种基于决策者偏好的高维多目标集合进化优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| Generating test data for both paths coverage and faults detection using genetic algorithms: multi-path case;张岩等;《RESEARCH ARTICLE》;20140919;第726-740页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104281522A (zh) | 2015-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104281522B (zh) | 基于语句覆盖和缺陷检测的多目标测试数据缩减方法 | |
| Carley et al. | Response surface methodology | |
| Mao et al. | Towards a trust prediction framework for cloud services based on PSO-driven neural network | |
| CN102141958B (zh) | 面向缺陷的路径覆盖测试数据进化生成方法 | |
| Liu et al. | An efficient surrogate-aided importance sampling framework for reliability analysis | |
| CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
| CN110046706A (zh) | 模型生成方法、装置及服务器 | |
| WO2021115186A1 (zh) | 基于ann的程序检测方法和检测系统及应用 | |
| CN116204445B (zh) | 测试用例生成方法、装置、代码测试方法、设备及介质 | |
| CN114357724B (zh) | 基于动态多目标优化的临机用频规划方法、装置和设备 | |
| Braga et al. | Integrating spatial and phylogenetic information in the fourth‐corner analysis to test trait–environment relationships | |
| Crawford et al. | A hyperheuristic approach for dynamic enumeration strategy selection in constraint satisfaction | |
| CN111416797A (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
| CN103559129A (zh) | 基于遗传算法的统计回归测试数据生成方法 | |
| Sestelo Perez et al. | FWDselect: An R package for variable selection in regression models | |
| CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
| CN105930272A (zh) | 基于重要语句的分支覆盖测试数据生成方法 | |
| CN109767034A (zh) | 继电保护的定值优化方法、装置、计算机设备和存储介质 | |
| CN111126566B (zh) | 基于gan模型的异常家具布局数据检测方法 | |
| Long et al. | Sample selection bias in evaluation of prediction performance of causal models | |
| Hsieh et al. | CMAIS‐WOA: An Improved WOA with Chaotic Mapping and Adaptive Iterative Strategy | |
| CN109344057A (zh) | 基于遗传方法和符号执行的组合加速测试用例生成方法 | |
| Sun et al. | Parameter Optimization on the Three‐Parameter Whitenization Grey Model and Its Application in Simulation and Prediction of Gross Enrollment Rate of Higher Education in China | |
| Leung | Design of cluster-randomized trials with cross-cluster interference | |
| Mao et al. | QoS trust rate prediction for Web services using PSO-based neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170905 Termination date: 20181014 |