CN108376116A - 基于改进粒子群算法的测试用例生成方法 - Google Patents
基于改进粒子群算法的测试用例生成方法 Download PDFInfo
- Publication number
- CN108376116A CN108376116A CN201810098679.0A CN201810098679A CN108376116A CN 108376116 A CN108376116 A CN 108376116A CN 201810098679 A CN201810098679 A CN 201810098679A CN 108376116 A CN108376116 A CN 108376116A
- Authority
- CN
- China
- Prior art keywords
- particle
- search
- speed
- test case
- formula
- 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.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 88
- 238000012360 testing method Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 230000008929 regeneration Effects 0.000 claims description 2
- 238000011069 regeneration method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000013461 design Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 2
- 230000003247 decreasing effect Effects 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000013522 software testing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于软件测试领域，具体涉及一种基于改进粒子群算法的测试用例生成方法。包括：引入带有权重函数的学习因子，学习因子随惯性权重的线形或非线性变化发生相应的递增或者递减的变化，进而通过两者之间的相互作用来平衡算法的全局探索和局部开采能力。本发明引入再次搜索和反向学习，可以提高求解精度，改善种群多样性等。在测试用例生成模块，分析适应度函数的设计方法，考虑不同分支节点的优劣程度，设计更加合理的适应度函数评价。
Description
技术领域
本发明属于软件测试领域，具体涉及一种基于改进粒子群算法的测试用例生成。
背景技术
在软件工程领域中，软件测试是保证软件质量的核心，它需具备三个主要特点：一是高错误检测能力，二是低成本消耗，三是广泛的适用性。软件测试的基本原理是对程序的副本提供一组有代表性的输入数据，在给定的环境下运行这个副本，并对程序的输出进行适当的检查和分析。如要发现所有错误，则必须进行“穷举测试”，但这是不可能的。并且随着计算机技术的不断发展,软件规模的不断扩大，同时用户的需求也越来越高，一系列的问题随之产生。例如，软件错误更加隐蔽，其造成的后果更加严重，如何高效开发新产品，提高软件质量及可靠性已经成为软禁工程领域中的重要任务。而软件测试则是保证软件质量、提高软件可靠性的关键。
二十世纪末，粒子群优化算法由Eberhart博士和Kennedy博士提出的一种基于群体智能的随机优化方法，具有简单、高效、收敛速度快的特点。它模拟的是一个经过简化的鸟类群体运动的模型。该算法将每只鸟比作一个粒子，根据鸟类种群中各个粒子之间的合作和相互学习,最终达到算法优化的目的。在粒子群优化算法中,需要被优化的问题的解抽象为粒子,粒子通过不断地向种群中的最优解及其自身经历过的最优解学习,不断被优化进而找到最优解。由于粒子群算法具备原理简单、可调整参数较少、易于实现、智能化、并行性等优点，所以提出后迅速引起了学者们的广泛关注，并在现实问题优化中得到广泛应用。同时，由于PSO算法存在早熟收敛、维数灾难、易于陷入局部极值等问题，针对粒子群算法容易出现局部极值，进化后期收敛速度慢和精度低的问题，引入带有权重函数的学习因子，再次搜索，反向学习，对标准粒子群算法进行改进，可以有效提高粒子群算法的效率及精确度。
在软件测试的领域中，软件测试用例的自动生成技术一直是软件测试领域的研究热点之一。它的关键是找到具有代表性的测试用例，这样才能确保能够更加高效地找出软件中存在的缺陷。目前，软件测试中的测试用例，大部分还是依靠测试人员采用手工方法来实现的，这种方法测试效率低下，测试的充分性难以保证，而且耗费大量的人力、财力、物力和时间，使测试费用和测试时间占幵发过程的总比例居高不下。对于一个简单的软件模块，进行单元测试，由于程序中的逻辑条件可能很多，产生庞大的测试路径，需要大量的测试用例对此模块进行路径测试，仅仅依靠手工设计编写测试用例，将是一项极其复杂繁琐费时的工作。如果能在保证软件质量的同时，提高软件测试的自动化程度，尤其是测试用例的自动生成效率，从而提高软件测试效率，降低测试成本和测试时间，将对整个开发项目有着重大的意义。从上世纪年代开始至今，国内外的许多学者对于测试用例的自动化生成方法和技术进行了多角度，多方面的研究，总结出很多好的方法和宝贵的经验。
发明内容
本发明的目的是在标准粒子群算法的基础上，针对粒子群算法中存在的缺陷以及现有的适应度函数设计不够合理等问题，引入带有权重函数的学习因子，再次搜索，反向学习，对标准粒子群算法进行改进，可以有效提高粒子群算法的效率及精确度，根据不同分支节点的优劣程度，设计更加合理的适应度函数评价。
本发明解决其技术问题所采用的技术方案如下：引入带有权重函数的学习因子，学习因子随惯性权重的线形或非线性变化发生相应的递增或者递减的变化，进而通过两者之间的相互作用来平衡算法的全局探索和局部开采能力。引入再次搜索和反向学习，可以提高求解精度，改善种群多样性等。在测试用例生成模块，分析适应度函数的设计方法，考虑对不同分支节点的优劣程度，设计更加合理的适应度函数评价。
为实现上述目标,本发明提出了一种基于改进粒子群算法的测试用例生成方法。本方法具体步骤如下：
(1)输入源程序；
(2)对源程序进行静态分析，对分支路径进行分析，进行程序插桩，来进一步收集测试运行过程中的信息，从而达到软件测试的目的。通过对被测程序插桩，了解到测试用例在执行过程的一些动态特征，比如实时堆栈信息或者桩函数信息，有助于我们对测试用例的信息进行收集和评价；
(3)初始化每个粒子的位置矢量Xi和速度矢量Vi，每个粒子的位置、速度均在其范围内进行随机赋值。设置与算法有关的参数：种群数目N、搜索空间的维度D、粒子位置的范围、速度的范围、最大进化代数T、惯性权重w、学习因子c1、c2；；
(4)计算适应度值，根据桩函数信息构造适应度函数，使测试用例均可以通过适应度函数得到一个适应度值，来评价测试用例的优劣程度；
(5)根据粒子的速度与位置公式进行计算，在种群范围内进行搜索，寻找最优解与次优解；
(6)根据粒子的速度与位置公式更新粒子的速度与位置信息，并对最优与次优粒子进行再次搜索；
(7)根据再次搜索的结果得到的最优粒子的位置确定禁止区域，以R为半径确定一个圆，对到达圆边际的其他粒子进行反向学习；
(8)重复(4)～(8)步骤，直至满足终止条件即达到最大迭代次数N；
(9)输出测试用例集；
本发明提出的基于改进粒子群算法的测试用例生成方法可有效提高求解精度以及增强局部探索能力，针对“分支覆盖测试用例”这一具体问题，考虑分支嵌套深度的影响，对适应度函数进行改进，增强算法的实用性，提高测试用例生成效率。
附图说明
图1是基于改进粒子群算法的测试用例生成方法的流程图。
图2是改进后的粒子群算法。
具体实施方式
下面结合附图并通过具体实施方式来进一步描述本发明。
图2为本发明方法中核心的改进粒子群算法的流程图。
本发明所述的测试用例生成方法，将标准粒子群算法进行了优化，引入了带有权重函数的学习因子，再次搜索，反向学习等因素对其改进，根据不同分支节点的优劣程度，设计更加合理的适应度函数评价，如图1所示，包括以下步骤：
步骤1：在定义域内随机生成测试用例集。
步骤2：静态分析被测程序，在现有的测试用例生成技术及粒子群算法基本原理的基础上，选择分支覆盖的测试覆盖标准作为测试充分性评价准则，针对“分支覆盖测试用例”这一具体问题，考虑分支嵌套深度的影响，对适应度函数进行改进，增强算法的实用性，提高测试用例生成效率。对被测程序插桩。
步骤3：初始化每个粒子的位置矢量Xi和速度矢量Vi，将数据调用至驱动模块中，经被测程序运行后，输出有用信息至算法模块，进行适应值的计算。
步骤3.1：假设D维搜索空间中，有N个粒子组成一个群体，其中第i(i＜N)个粒子在第t代时可用两个指标来描述：位置可表示为 的D维向量，飞行速度可表示为 的D维量.若第i个粒子搜索至第t代时的个体历史最优位置为pi＝(pi1，pi2，…，pij，…，piD)，搜索至第t代时的整个粒子群的历史最优位置为pg＝(pg1，pg2，…，pgj，…，pgD)，则在第t+1代时，第i个粒子的第j维速度和位置的迭代更新公式如下：
其中，ω为惯性权重，衡量下一时刻的速度对下次移动的影响，c1和c2为学习因子，r1和r2为[0，1]内的随机数。
步骤3.2：采用学习因子与权重呈非线性的函数关系：
其中A、B、C为常系数.
步骤3.3：粒子群在每代飞行更新位置后，更新种群历史最优位置pg1和历史次优位置pg2，并利用pg1与pg2之间的差分结果指导pg1进行局部搜索，增强pg1邻域内的搜索能力，公式如下：
P′g1＝Pg1+r·dt·(Pg1-Pg2)
dt+1＝dt·(1-t/T)
式中，r为[-1，+1]之间均匀分布的随机数，用以控制局部搜索的方向，dt为第t代时的局域缩放因子，dt随着种群迭代次数t的增加而线性递减，对局部搜
索的结果P‘g1采用贪心保留策略，fit(x)为x的适应值。
步骤3.4：对于最优粒子进行再次搜索，采用梯度下降法，具有计算过程简单、初始收敛较快等特点，其基本思想是某一质点沿着函数f(p)(p为D维向量)上梯度下降方向可以快速滑落至函数的极值点处，主要由两部分组成:
1)计算搜索方向:按照下式计算负梯度，即最佳搜索方向。
2)计算搜索步长：λk取最优步长必须满足：
dk为负梯度，pk为D维向量，λk为步长。
步骤3.5：以再次搜索后得到的最优粒子为中心，某一具体长度R为半径，构成一个圆域空间ΩR(p’g)，当粒子Xi搜索到ΩR(p’g)边界时，令Vj反射，从而防止粒子重复搜索ΩR(p’g)区域，避免陷入局部最优，提高寻优效率。
步骤3.6：对于反射的粒子进行反向学习。第i个粒子反向学习的对象为该粒子的历史最差位置Wi＝(wi1，wi2，…，wij，…，wiD)，以及初始化种群时选择的规模为m的初始最差粒子个体的位置集合中的任一个体第i个粒子反向学习过程时的速度更新公式为:
式中，为第i个粒子进化到第t代时，其历史最差位置的第j维的值，为随机选择的初始最差粒子个体位置的第j维的值。为了保证m个初始最差粒子能将反向学习的粒子牵引出当前的局部最优区域，并较为广泛地分布到搜索区域中，这m个初始最差粒子间应该具有较大的欧式距离，所以在选择它们时需要保证其两两间的距离大于预设的排异半径R。
步骤4：判断是否满足终止条件，若满足，则算法停止，输出测试用例集；反之，则跳转到步骤3。此处的终止条件为迭代是否满足设定的迭代次数N，在本实施例中N为100次或者是否已执行完所有的目标路径。
本发明提出的基于再次搜索与反向学习的优化粒子群算法，可改善粒子种群的多样性，保证算法的全局探测能力，同时算法的收敛精度得到提高。将该优化算法用于测试用例生成中，能高效的生成测试用例。适应度函数设计的优劣对最终结果有直接的影响，在本发明中，可以判断测试用例在某一个分支节点的优劣程度，然后将所有的分支函数信息汇总起来，设计适应度函数，对适应度函数进行标准化，通过该适应度函数，每个测试用例均能得到一个适应度值，来寻找满足适应度值要求的测试用例。
Claims (5)
1.一种基于改进粒子群算法的测试用例生成方法，其特征在于包括如下步骤：
(1)输入源程序；
(2)对源程序进行静态分析，对分支路径进行分析，进行程序插桩；
(3)初始化每个粒子的位置矢量Xi和速度矢量Vi，每个粒子的位置、速度均在其范围内进行随机赋值，设置与算法有关的参数：种群数目N、搜索空间的维度D、粒子位置的范围、速度的范围、最大进化代数T、惯性权重w、学习因子c1、c2；
(4)计算适应度值，构造适应度函数，使测试用例均可以通过适应度函数得到一个适应度值，来评价测试用例的优劣程度；
(5)根据粒子的速度与位置公式进行计算，在种群范围内进行搜索，寻找最优解与次优解；
(6)根据粒子的速度与位置公式更新粒子的速度与位置信息，并对最优与次优粒子进行再次搜索；
(7)根据再次搜索的结果得到的最优粒子的位置确定禁止区域，以R为半径确定一个圆，对到达圆边际的其他粒子进行反向学习；
(8)重复(4)～(8)步骤，直至满足终止条件即达到最大迭代次数N；
(9)输出测试用例集。
2.根据权利要求1所述的基于改进粒子群算法的测试用例生成方法，其特征在于所述的步骤(4)具体为:
步骤a：假设该程序含有m个分支节点，被测程序有n个输入参数，即测试用例有n维度(x1，x2，…，xn)，则需要在目标路径上的每个分支前插入分支函数f1(x1，x2，…，xn)，f2(x1，x2，…，xn)，…，
fm(x1，x2，…，xn)，然后在被测程序结束时以分支函数叠加的形式插入适应度函数：F＝f1+f2+…+fm，当F＝0时，表示测试用例覆盖了目标路径，即达到了覆盖标准，但是该方式无法确定适应度函数的最大值，因此，对适应度函数进行标准化，让其分布在0-100的区间之内，适应度函数公式如下：
3.根据权利要求1所述的基于改进粒子群算法的测试用例生成方法，其特征在于所述的步骤(5)具体为：
步骤a：假设D维搜索空间中，有N个粒子组成一个群体，其中第i个粒子在第t代时可用两个指标来描述：位置可表示为 的D维向量，飞行速度可表示为的D维向量.若第i个粒子搜索至第t代时的个体历史最优位置为pi＝(pi1，pi2，…，pij，…，piD)，搜索至第t代时的整个粒子群的历史最优位置为pg＝(pg1，pg2，…，pgj，…，pgD)，则在第t+1代时，第i个粒子的第j维速度和位置的迭代更新公式如下：
其中，ω为惯性权重，衡量下一时刻的速度对下次移动的影响，c1和c2为学习因子，r1和r2为[0，1]内的随机数；
根据速度与位置公式在每次迭代后更新速度与位置信息；
步骤b：学习因子与权重呈非线性的函数关系：
其中A、B、C为常系数；
步骤c：粒子群在每代飞行更新位置后，在种群范围内进行搜索，更新种群历史最优位置pg1和历史次优位置pg2，并利用pg1与pg2之间的差分结果指导pg1进行局部搜索，增强pg1邻域内的搜索能力，pg1的搜索公式如下：
P′g1＝Pg1+r·dt·(Pg1-Pg2)
dt+1＝dt·(1-t/T)
式中，r为[-1，+1]之间均匀分布的随机数，用以控制局部搜索的方向，dt为第t代时的局域缩放因子，dt随着种群迭代次数t的增加而线性递减，对局部搜索的结果P‘g1采用贪心保留策略，fit(x)为x的适应值。
4.根据权利要求1所述的基于改进粒子群算法的测试用例生成方法，其特征在于所述的步骤(6)具体为：
步骤a：根据速度与位置公式在每次迭代后进行更新，速度与位置公式如下：
其中，ω为惯性权重，衡量下一时刻的速度对下次移动的影响，c1和c2为学习因子，r1和r2为[0，1]内的随机数；
步骤b：学习因子与权重呈非线性的函数关系：
其中A、B、C为常系数。
步骤c：对于最优粒子与次优粒子进行再次搜索，采用梯度下降法，首先计算搜索方向:按照下式计算负梯度，即最佳搜索方向；
步骤b：计算搜索步长：λk取最优步长必须满足：
dk为负梯度，pk为D维向量，λk为步长。
5.根据权利要求1所述的基于改进粒子群算法的测试用例生成方法，其特征在于所述的步骤(7)具体为：
步骤a：以再次搜索后得到的最优粒子为中心，某一具体长度R为半径，构成一个圆域空间ΩR(pg’)，当粒子Xi搜索到ΩR(pg’)边界时，令Vj反射，从而防止粒子重复搜索ΩR(pg’)区域，避免陷入局部最优，提高寻优效率；
步骤b：对于反射的粒子进行反向学习，第i个粒子反向学习的对象为该粒子的历史最差位置Wi＝(wi1，wi2，…，wij，…，wiD)，以及初始化种群时选择的规模为m的初始最差粒子个体的位置集合中的任一个体第i个粒子反向学习过程时的速度更新公式为:
式中，为第i个粒子进化到第t代时，其历史最差位置的第j维的值，为随机选择的初始最差粒子个体位置的第j维的值，为了保证m个初始最差粒子能将反向学习的粒子牵引出当前的局部最优区域，并较为广泛地分布到搜索区域中，这m个初始最差粒子间应该具有较大的欧式距离，所以在选择它们时需要保证其两两间的距离大于预设的排异半径R。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810098679.0A CN108376116B (zh) | 2018-01-31 | 2018-01-31 | 基于改进粒子群算法的测试用例生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810098679.0A CN108376116B (zh) | 2018-01-31 | 2018-01-31 | 基于改进粒子群算法的测试用例生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108376116A true CN108376116A (zh) | 2018-08-07 |
| CN108376116B CN108376116B (zh) | 2021-06-11 |
Family
ID=63017257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810098679.0A Active CN108376116B (zh) | 2018-01-31 | 2018-01-31 | 基于改进粒子群算法的测试用例生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108376116B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083531A (zh) * | 2019-04-12 | 2019-08-02 | 江西财经大学 | 改进个体信息共享的多目标路径覆盖测试方法及实现系统 |
| CN110135558A (zh) * | 2019-04-22 | 2019-08-16 | 南京邮电大学 | 基于可变强度组合测试的深度神经网络测试充分性方法 |
| CN110334026A (zh) * | 2019-07-03 | 2019-10-15 | 浙江理工大学 | 基于cs-spso算法的组合测试用例生成方法 |
| CN110515851A (zh) * | 2019-08-30 | 2019-11-29 | 西安邮电大学 | 一种并行化的两两组合测试用例生成方法 |
| CN112099468A (zh) * | 2020-08-12 | 2020-12-18 | 东方红卫星移动通信有限公司 | 一种基于粒子群的整车控制策略测试用例自动生成方法 |
| CN112327958A (zh) * | 2020-10-26 | 2021-02-05 | 江南大学 | 一种基于数据驱动的发酵过程pH值控制方法 |
| CN112347597A (zh) * | 2020-11-13 | 2021-02-09 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
| CN112558482A (zh) * | 2020-12-21 | 2021-03-26 | 北京航空航天大学 | 一种基于非概率区间置信可靠度的结构振动主动控制方法 |
| CN112685320A (zh) * | 2021-01-09 | 2021-04-20 | 北京信息科技大学 | 一种基于多候选程序的软件缺陷修复方法及装置 |
| CN112711535A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工业大学 | 基于粒子群优化的约束下组合测试数据生成方法 |
| CN113377646A (zh) * | 2021-05-20 | 2021-09-10 | 山东科技大学 | 一种基于粒子群算法的数据流测试用例自动生成方法 |
| US20230161689A1 (en) * | 2019-11-27 | 2023-05-25 | Capital One Services, Llc | Unsupervised Integration Test Builder |
| CN117149662A (zh) * | 2023-10-27 | 2023-12-01 | 深圳云塔信息技术有限公司 | 一种基于惯性权重混沌粒子群优化技术的测试方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58161054A (ja) * | 1982-03-19 | 1983-09-24 | Toshiba Corp | プログラムの異常検出装置 |
| EP0683617A2 (en) * | 1994-05-17 | 1995-11-22 | Leader Electronics Corp. | Phase shifting device for vectorscope |
| US20060064313A1 (en) * | 2003-12-05 | 2006-03-23 | John Steinbarth | Benefits administration system and methods of use and doing business |
| CN104778340A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于增强型粒子滤波的轴承寿命预测方法 |
| US20150227326A1 (en) * | 2014-02-13 | 2015-08-13 | Avery Dennison Corporation | System and method for automated digital rfid printing and integration |
| CN105426955A (zh) * | 2015-08-20 | 2016-03-23 | 武汉科技大学 | 一种基于扰动的精英反向学习粒子群优化的实现方法 |
| CN105512046A (zh) * | 2016-02-01 | 2016-04-20 | 北京理工大学 | 基于粒子群优化算法的Android自动化测试方法 |
| CN105718368A (zh) * | 2016-01-15 | 2016-06-29 | 西安邮电大学 | 一种软件测试数据扩增方法 |
| CN106123892A (zh) * | 2016-06-22 | 2016-11-16 | 武汉科技大学 | 一种基于无线传感器网络与地磁地图的机器人定位方法 |
| CN106598849A (zh) * | 2016-12-03 | 2017-04-26 | 浙江理工大学 | 一种基于ap‑pso算法的组合测试用例生成方法 |
| CN107544904A (zh) * | 2017-08-21 | 2018-01-05 | 哈尔滨工程大学 | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 |
-
2018
- 2018-01-31 CN CN201810098679.0A patent/CN108376116B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58161054A (ja) * | 1982-03-19 | 1983-09-24 | Toshiba Corp | プログラムの異常検出装置 |
| EP0683617A2 (en) * | 1994-05-17 | 1995-11-22 | Leader Electronics Corp. | Phase shifting device for vectorscope |
| US20060064313A1 (en) * | 2003-12-05 | 2006-03-23 | John Steinbarth | Benefits administration system and methods of use and doing business |
| US20150227326A1 (en) * | 2014-02-13 | 2015-08-13 | Avery Dennison Corporation | System and method for automated digital rfid printing and integration |
| CN104778340A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于增强型粒子滤波的轴承寿命预测方法 |
| CN105426955A (zh) * | 2015-08-20 | 2016-03-23 | 武汉科技大学 | 一种基于扰动的精英反向学习粒子群优化的实现方法 |
| CN105718368A (zh) * | 2016-01-15 | 2016-06-29 | 西安邮电大学 | 一种软件测试数据扩增方法 |
| CN105512046A (zh) * | 2016-02-01 | 2016-04-20 | 北京理工大学 | 基于粒子群优化算法的Android自动化测试方法 |
| CN106123892A (zh) * | 2016-06-22 | 2016-11-16 | 武汉科技大学 | 一种基于无线传感器网络与地磁地图的机器人定位方法 |
| CN106598849A (zh) * | 2016-12-03 | 2017-04-26 | 浙江理工大学 | 一种基于ap‑pso算法的组合测试用例生成方法 |
| CN107544904A (zh) * | 2017-08-21 | 2018-01-05 | 哈尔滨工程大学 | 一种基于深度cg‑lstm神经网络的软件可靠性预测模型 |
Non-Patent Citations (6)
| Title |
|---|
| LUTTON EVELYNE等: "Tuning of patient-specific deformable models using an adaptive evolutionary optimization strategy", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 * |
| XIAOAN BAO等: "The Application of the Variable Parameter PID Optimization Based on PSO in Geotechnical Triaxial Apparatus Controller", 《JOURNAL OF INFORMATION AND COMPUTATIONAL SCIENCE》 * |
| 夏学文 等: "具备反向学习和局部学习能力的粒子群算法", 《计算机学报》 * |
| 杨亚娟: "基于改进粒子群的组合测试用例生成技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 王令赛: "基于粒子群优化算法的测试用例生成技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 王晓燕 等: "结合变异粒子群和字典学习的遥感影像去噪", 《计算机工程与科学》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083531A (zh) * | 2019-04-12 | 2019-08-02 | 江西财经大学 | 改进个体信息共享的多目标路径覆盖测试方法及实现系统 |
| CN110083531B (zh) * | 2019-04-12 | 2022-12-27 | 江西财经大学 | 改进个体信息共享的多目标路径覆盖测试方法及实现系统 |
| CN110135558B (zh) * | 2019-04-22 | 2022-04-12 | 南京邮电大学 | 基于可变强度组合测试的深度神经网络测试充分性方法 |
| CN110135558A (zh) * | 2019-04-22 | 2019-08-16 | 南京邮电大学 | 基于可变强度组合测试的深度神经网络测试充分性方法 |
| CN110334026A (zh) * | 2019-07-03 | 2019-10-15 | 浙江理工大学 | 基于cs-spso算法的组合测试用例生成方法 |
| CN110334026B (zh) * | 2019-07-03 | 2023-03-24 | 浙江理工大学 | 基于cs-spso算法的组合测试用例生成方法 |
| CN110515851A (zh) * | 2019-08-30 | 2019-11-29 | 西安邮电大学 | 一种并行化的两两组合测试用例生成方法 |
| US11874763B2 (en) * | 2019-11-27 | 2024-01-16 | Capital One Services, Llc | Unsupervised integration test builder |
| US20230161689A1 (en) * | 2019-11-27 | 2023-05-25 | Capital One Services, Llc | Unsupervised Integration Test Builder |
| CN112099468A (zh) * | 2020-08-12 | 2020-12-18 | 东方红卫星移动通信有限公司 | 一种基于粒子群的整车控制策略测试用例自动生成方法 |
| CN112327958A (zh) * | 2020-10-26 | 2021-02-05 | 江南大学 | 一种基于数据驱动的发酵过程pH值控制方法 |
| CN112347597A (zh) * | 2020-11-13 | 2021-02-09 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
| CN112347597B (zh) * | 2020-11-13 | 2024-04-05 | 西安工程大学 | 基于改进粒子群算法提升led照明均匀性的方法 |
| CN112558482A (zh) * | 2020-12-21 | 2021-03-26 | 北京航空航天大学 | 一种基于非概率区间置信可靠度的结构振动主动控制方法 |
| CN112711535A (zh) * | 2020-12-29 | 2021-04-27 | 哈尔滨工业大学 | 基于粒子群优化的约束下组合测试数据生成方法 |
| CN112685320A (zh) * | 2021-01-09 | 2021-04-20 | 北京信息科技大学 | 一种基于多候选程序的软件缺陷修复方法及装置 |
| CN113377646A (zh) * | 2021-05-20 | 2021-09-10 | 山东科技大学 | 一种基于粒子群算法的数据流测试用例自动生成方法 |
| CN113377646B (zh) * | 2021-05-20 | 2023-11-14 | 山东科技大学 | 一种基于粒子群算法的数据流测试用例自动生成方法 |
| CN117149662A (zh) * | 2023-10-27 | 2023-12-01 | 深圳云塔信息技术有限公司 | 一种基于惯性权重混沌粒子群优化技术的测试方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108376116B (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376116A (zh) | 基于改进粒子群算法的测试用例生成方法 | |
| CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
| Welling | On the choice of regions for generalized belief propagation | |
| Namura et al. | Expected improvement of penalty-based boundary intersection for expensive multiobjective optimization | |
| Wortmann et al. | Are genetic algorithms really the best choice for building energy optimization? | |
| Soliman et al. | Modified moth-flame optimization algorithms for terrorism prediction | |
| Cao et al. | A PSO-based cost-sensitive neural network for imbalanced data classification | |
| WO2019154215A1 (zh) | 机器人运行路径生成方法、计算设备及存储介质 | |
| CN107562066A (zh) | 一种航天器多目标启发式排序任务规划方法 | |
| Ji et al. | An improved particle swarm optimization algorithm | |
| Zhang et al. | Gllpa: A graph layout based label propagation algorithm for community detection | |
| Adacher et al. | The global optimization of signal settings and traffic assignment combined problem: a comparison between algorithms. | |
| Fan et al. | Application of multi-objective firefly algorithm based on archive learning in robot path planning | |
| CN109961130A (zh) | 一种基于粒子群算法确定目标对象位置的方法和装置 | |
| WO2016112618A1 (zh) | 一种基于距离的求解二维空间中代表性节点集的算法 | |
| CN101894063A (zh) | 一种用于微处理器功能验证的测试程序生成方法及装置 | |
| Messac et al. | Multiobjective optimization: Concepts and methods | |
| Yin et al. | An improved artificial bee colony algorithm for staged search | |
| CN113064440A (zh) | 一种基于海洋模式的自适应观测方法 | |
| Mishra et al. | Weapon target assignment problem: multi-objective formulation, optimisation using MOPSO and TOPSIS | |
| Karimi et al. | QoS-aware web service composition using Gray Wolf Optimizer | |
| Zhang et al. | An immune inspired framework for optimization in dynamic environment | |
| Cubukcuoglu et al. | Multi-objective harmony search algorithm for layout design in theatre hall acoustics | |
| Wang et al. | Optimization of SMOTE for imbalanced data based on AdaRBFNN and hybrid metaheuristics | |
| Geng et al. | Improved Bat Algorithm Based on Fast Diving Strategy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220926 Address after: Room 406, building 19, haichuangyuan, No. 998, Wenyi West Road, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Address before: No.928, No.2 street, Jianggan Economic Development Zone, Hangzhou City, Zhejiang Province, 310018 Patentee before: ZHEJIANG SCI-TECH University |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Test Case Generation Method Based on Improved Particle Swarm Optimization Granted publication date: 20210611 Pledgee: Hangzhou High-tech Financing Guarantee Co.,Ltd. Pledgor: HANGZHOU HUICUI INTELLIGENT TECHNOLOGY CO.,LTD. Registration number: Y2024980003708 |