CN116010291A - 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 - Google Patents
基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 Download PDFInfo
- Publication number
- CN116010291A CN116010291A CN202310308991.9A CN202310308991A CN116010291A CN 116010291 A CN116010291 A CN 116010291A CN 202310308991 A CN202310308991 A CN 202310308991A CN 116010291 A CN116010291 A CN 116010291A
- Authority
- CN
- China
- Prior art keywords
- individuals
- value
- prediction model
- difficult
- fitness
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000010998 test method Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 238000013522 software testing Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，包括：获取被测程序的目标路径，对被测程序依据该目标路径生成对应的子种群，再利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度，根据程序均衡度的变化情况设计适应度函数；基于适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对适应度函数值进行训练，得到训练后的灰色预测模型，使用灰色预测模型进行个体适应度值预测，对预测值大于等于阈值的优秀个体，计算精确适应度值；利用优秀个体精确适应度值，通过优秀个体覆盖目标路径，从而进化生成测试数据。本发明能够避免不必要的计算消耗，提升测试数据生成效率。
Description
技术领域
本发明涉及软件测试技术领域，特别是涉及一种基于均衡优化理论与灰色预测模型的多路径覆盖测试方法。
背景技术
自动生成满足测试需求的数据是软件测试的一个关键问题，相关技术人员提出各种方法对该问题求解，最普遍的方法即对代码已知的被测程序尝试进行路径覆盖。大多数测试数据自动生成问题可转化为目标路径覆盖问题。该问题分两个方面考虑（即，单目标、多目标的路径覆盖），其中多目标路径覆盖的复杂程度高，但更贴近实际应用，且测试数据的生成也更高效。
近年来，利用搜索的测试方法是软件自动测试领域的常用方法，它被认为是一种基于优化思想解决测试问题并利用相关搜索算法生成测试用例的方法。遗传算法作为经典的搜索算法，是求解多路径覆盖测试数据自动生成问题的一种有效方法，近年来国内外的相关研究较丰富，其主要通过适应度函数寻找最优解。
但是，已有方法大多需计算所有个体的适应度值，时间消耗巨大，且随程序复杂度及代码量的增加，表现越明显。因此，如何有效避免不必要的计算消耗，从而改善测试数据生成效率，是本领域技术人员需要解决的技术问题。
值得进一步研究。利用均衡优化理论评价个体对程序均衡度的影响，区分个体的优劣，由此设计出的适应度函数无需计算分支距离与层接近度，可减少时间消耗。而灰色预测模型对适应度值进行预测，能快速锁定优秀个体，减少测试数据生成的进化代数。
发明内容
为此，本发明的实施例提出一种基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，以避免不必要的计算消耗，提升测试数据生成效率。
根据本发明一实施例的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，包括以下步骤：
获取被测程序的目标路径，对被测程序依据该目标路径生成对应的子种群，再利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度，根据程序均衡度的变化情况设计适应度函数；
基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，得到训练后的灰色预测模型，使用灰色预测模型进行个体适应度值预测，对适应度预测值大于等于阈值的优秀个体，计算其精确适应度值；
在多种群遗传算法中利用优秀个体精确适应度值，通过优秀个体覆盖目标路径，从而进化生成测试数据。
根据本发明实施例的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，基于均衡优化理论设计恰当的适应度函数，再通过灰色预测模型快速准确地找到优秀个体，最后利用多种群遗传算法生成测试数据覆盖目标路径，该方法具有以下有益效果：
（1）本发明基于均衡优化理论设计恰当的适应度函数，若某个体的删除使适应度值增加，说明该个体能有效改善程序均衡性，则在进化中充分利用其个体信息。反之，在进化中淘汰此类个体。在种群进化中，个体适应度值可通过其对程序均衡性的作用来计算，可获取优秀个体，从而保证优秀个体在进化中有更大几率被保留，减少测试数据进化生成时间；
（2）对被测程序计算部分个体的适应度函数值，利用它们训练灰色预测模型，对训练好的模型预测适应度函数值，对预测结果大于等于阈值的个体，计算其精确适应度值，若该值不低于阈值，则确定为优秀个体，可尝试利用优秀个体进行多路径覆盖。此外，灰色预测模型可用于解决遗传进化算法中存在的容易过早收敛，局部寻优能力较差的问题，能快速准确地定位优秀个体，并在进化过程中合理利用，进化代数有所降低；
（3）本发明采用个体适应度函数结合个体信息共享策略，子种群在覆盖种群目标路径后，让其继续尝试覆盖相似目标路径。若存在相似路径，则已有个体有较大机会能覆盖该相似路径，使个体信息得到更充分的利用。通过仿真实验可知，本发明的测试效果较好，且随程序规模的增大，在进化时间和进化代数等指标上会越来越显现其优势，特别在大型复杂程序上，效率提高显著。
附图说明
本发明实施例的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是根据本发明一实施例的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法的流程示意图；
图2是一示例性的程序伪代码示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提出一种基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，所述方法包括步骤1~3：
步骤1，获取被测程序的目标路径，对被测程序依据该目标路径生成对应的子种群，再利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度，根据程序均衡度的变化情况设计适应度函数。
其中，现有技术主要利用层接近度、分支距离或两者结合等设计适应度函数，其计算过程中需比较个体执行路径与目标路径中相同节点个数，随着程序复杂度的增加，需比较次数会增长太快，计算会变得很复杂。而本实施例中，基于均衡优化理论设计适应度函数无需计算层接近度或分支距离，实现上更容易，且在种群进化中，个体适应度值可通过其对程序均衡性的作用来计算，可获取优秀个体，从而保证优秀个体在进化中有更大几率被保留，以快速生成覆盖目标路径的测试数据。
为获得目标路径，先计算节点被穿越的概率，概率为0是不可达节点，为1是可达节点。对于其它节点根据设定的概率阈值进行判断（概率阈值可以是所有节点被穿越概率的平均值，概率阈值会随着每组测试数据而动态变化），低于概率阈值的记为难覆盖节点。若路径中某边的两个节点均为难覆盖节点，则该边为难覆盖边（也称，关键边），其路径作为目标路径。
获取被测程序的目标路径的步骤具体包括：
对被测程序进行插桩，随机生成测试数据，计算每个节点被穿越的概率，设定概率阈值并确定难覆盖节点及难覆盖边，所述难覆盖节点为被穿越的概率低于概率阈值的节点，所述难覆盖边的两个节点均为难覆盖节点；
遍历被测程序中所有测试路径，将包含难覆盖边的测试路径作为初始目标路径，计算各初始目标路径中难覆盖边概率之和，按照从大到小的顺序，根据难覆盖边概率之和对各个初始目标路径排序；
选择排序靠前的预设数量的初始目标路径作为被测程序的目标路径，并组成目标路径集。
其中，难覆盖边概率的计算公式如下：
；
；
；
；
；
其中，表示难覆盖边的概率，难覆盖边的两个节点分别为节点和节点，表示节点被穿越的概率，表示节点被穿越的概率，表示穿越矩阵覆盖节点的路径数，表示穿越矩阵覆盖节点的路径数，表示被测程序中测试路径的总数，表示穿越矩阵中第行第列的元素，表示穿越矩阵中第行第列的元素；在穿越矩阵中，若元素对应的测试路径穿越难覆盖边，则元素的取值为1，若元素对应的测试路径未穿越难覆盖边，则元素的取值为0。
以图2所示的程序伪代码为例进行说明，图2所示的程序伪代码为经典的三角形分类程序，图2中，假设有3条路径，穿越矩阵覆盖节点
N 8 的路径数
C 8 =2，其节点概率=2/3=0.67，覆盖节点
N 9 的路径数
C 9 =1，其节点概率=1/3=0.33。若为难覆盖边，则难覆盖边概率==0.67*0.33=0.22。
其中，利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度的步骤中，采用下式计算子种群中一个体被删除前的程序均衡度：
；
；
其中，表示子种群中一个体被删除前第代种群对应的程序均衡度，表示第条难覆盖边的均衡度，表示难覆盖边的总数，表示第代种群中穿越第条难覆盖边的个体数，表示目标路径中第条难覆盖边被穿越的个体数。
继续以图2所示的程序伪代码为例进行说明，假设种群规模z=4（即种群中包含4条个体），当进化到第6代时，统计目标路径上难覆盖边被个体穿越的情况，得到个体穿越矩阵(6)。
；
按上述方法计算得到某种群的程序均衡度，结果如表1所示。
表1
由表1可知，关键边
E 1,3被目标路径与测试路径穿越的个体数分别为1、5。根据第条难覆盖边的均衡度的计算公式得到关键边
E 1,3的均衡度为|5-1|/|5+1|=0.67。同样可得其余关键边的均衡度分别为0.6、0.5、0.25、0.6及0.11，再利用程序均衡度的计算公式得到程序均衡度为0.67+0.6+0.5+0.25+0.6 +0.11=2.73。
为考查某个体是否能改善程序的均衡性（即，优秀个体），考虑在个体适应值计算过程中，依据目标路径集与测试数据集穿越各关键边的情况，计算程序均衡度，删除某个体后再计算程序均衡度，观察该个体对程序均衡性的影响，同时计算出该个体的适应度值，可表示为下式：
；
其中，为子种群中一个体被删除后第代种群对应的程序均衡度，其计算原理与相同。
若某个体的删除使程序均衡度增加，则反而说明该个体的存在能有效改善程序均衡性（其中，均衡度越小则个体越优），应在进化过程中优先保留这样的个体。反之，则将其适应度值设为0，淘汰这样的个体。
在表1的基础上，计算某个体被删除后的程序均衡度，如表2所示。
表2
对照表1和表2可知，删除某个体后，关键边
E 3,5被目标路径穿越及测试路径穿越的个体数分别为1和5，根据均衡度的计算公式得到关键边
E 3,5的均衡度为|5-1|/|5+1|=0.67。同样可得其余关键边的均衡度分别为0.67、0.5、0.25、0.6及0.11，再利用程序均衡度的计算公式得到程序均衡度为0.67+0.67+0.5+0.25+0.6+0.11=2.80。结合表1得到的该个体被删除前的程序均衡度2.73，利用适应度值的计算公式得到该个体的适应度值为2.80-2.73=0.07，该值大于0，表示该个体可优化程序的均衡性。因此，可将这样的个体及其对应适应度值信息看出一条测试路径样本
X，用于训练灰色预测模型。
步骤2，基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，得到训练后的灰色预测模型，使用灰色预测模型进行个体适应度值预测，对适应度预测值大于等于阈值的优秀个体，计算其精确适应度值。
其中，灰色预测模型（grey prediction model, GM）是一种可基于小样本、不完整数据链搭建的微分预测模型，以分析事物未来的发展状况。
GM(1,n)表示一阶多变量的预测模型，它具有对样本要求低（即，样本数量少、规律性不强）及精确度高等多种优势，可用于预测适应度值，以优化测试用例生成效率。
其中，基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，得到训练后的灰色预测模型的步骤具体包括：
基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，
计算训练后的灰色预测模型的相对误差；
若训练后的灰色预测模型的相对误差低于相对误差阈值，则停止训练，否则修正训练参数继续训练，直至训练后的灰色预测模型的相对误差低于相对误差阈值。
需要说明的是，在模型预测过程中，准确性非常关键。本实施例通过真实值与预测值之差计算可得到相对误差（即，|真实值-预测值|/真实值所得结果的百分比），来检验该模型的预测准确性，对图2所示的示例进行计算，结果如表3所示。
表3
由表3可知，灰色预测模型的预测值与真实值计算得到的相对误差较为理想，其预测准确性较高。
步骤3，在多种群遗传算法中利用优秀个体精确适应度值，通过优秀个体覆盖目标路径，从而进化生成测试数据。
其中，步骤3具体包括：
插桩被测程序后，对参数进行初始化，参数包括子种群数、子种群中个体数、进化代数最大值以及种群进化中所需的相关值，并对个体进行二进制编码；
实施多种群进化，具体包括：（1）对目标路径集中的任意路径，生成个体数为z的随机子种群，计算被该随机子种群中个体覆盖所需达到的最大适应度值，若存在个体的适应度值达到该最大适应度值，则将其从目标路径集中移除，若不存在，则对该随机子种群执行进化操作；（2）除判定种群中个体是否为当前子种群的最优解，还计算是否为其它子种群的近似解；（3）种群中的个体覆盖其它所有的相似目标路径后，输出测试数据并终止算法。
此外，可以理解的，若目标路径集中的所有路径被全部覆盖或种群进化代数达到其最大值，也可对测试数据执行输出并终止算法。
综上，根据本发明提供的基于均衡优化理论设计恰当的适应度函数，再通过灰色预测模型快速准确地找到优秀个体，最后利用多种群遗传算法生成测试数据覆盖目标路径，该方法具有以下有益效果：
（1）本发明基于均衡优化理论设计恰当的适应度函数，若某个体的删除使适应度值增加，说明该个体能有效改善程序均衡性，则在进化中充分利用其个体信息。反之，在进化中淘汰此类个体。在种群进化中，个体适应度值可通过其对程序均衡性的作用来计算，可获取优秀个体，从而保证优秀个体在进化中有更大几率被保留，减少测试数据进化生成时间；
（2）对被测程序计算部分个体的适应度函数值，利用它们训练灰色预测模型，对训练好的模型预测适应度函数值，对预测结果大于等于阈值的个体，计算其精确适应度值，若该值不低于阈值，则确定为优秀个体，可尝试利用优秀个体进行多路径覆盖。此外，灰色预测模型可用于解决遗传进化算法中存在的容易过早收敛，局部寻优能力较差的问题，能快速准确地定位优秀个体，并在进化过程中合理利用，进化代数有所降低；
（3）本发明采用个体适应度函数结合个体信息共享策略，子种群在覆盖种群目标路径后，让其继续尝试覆盖相似目标路径。若存在相似路径，则已有个体有较大机会能覆盖该相似路径，使个体信息得到更充分的利用。通过仿真实验可知，本发明的测试效果较好，且随程序规模的增大，在进化时间和进化代数等指标上会越来越显现其优势，特别在大型复杂程序上，效率提高显著。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，所述方法包括：
获取被测程序的目标路径，对被测程序依据该目标路径生成对应的子种群，再利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度，根据程序均衡度的变化情况设计适应度函数；
基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，得到训练后的灰色预测模型，使用灰色预测模型进行个体适应度值预测，对适应度预测值大于等于阈值的优秀个体，计算其精确适应度值；
在多种群遗传算法中利用优秀个体精确适应度值，通过优秀个体覆盖目标路径，从而进化生成测试数据。
2.根据权利要求1所述的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，获取被测程序的目标路径的步骤具体包括：
对被测程序进行插桩，随机生成测试数据，计算每个节点被穿越的概率，设定概率阈值并确定难覆盖节点及难覆盖边，所述难覆盖节点为被穿越的概率低于概率阈值的节点，所述难覆盖边的两个节点均为难覆盖节点；
遍历被测程序中所有测试路径，将包含难覆盖边的测试路径作为初始目标路径，计算各初始目标路径中难覆盖边概率之和，按照从大到小的顺序，根据难覆盖边概率之和对各个初始目标路径排序；
选择排序靠前的预设数量的初始目标路径作为被测程序的目标路径，并组成目标路径集。
3.根据权利要求2所述的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，难覆盖边概率的计算公式如下：
；
；
；
；
；
其中，表示难覆盖边的概率，难覆盖边的两个节点分别为节点和节点，表示节点被穿越的概率，表示节点被穿越的概率，表示穿越矩阵覆盖节点的路径数，表示穿越矩阵覆盖节点的路径数，表示被测程序中测试路径的总数，表示穿越矩阵中第行第列的元素，表示穿越矩阵中第行第列的元素；在穿越矩阵中，若元素对应的测试路径穿越难覆盖边，则元素的取值为1，若元素对应的测试路径未穿越难覆盖边，则元素的取值为0。
4.根据权利要求3所述的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，利用均衡优化方法计算子种群中一个体被删除前后的程序均衡度的步骤中，采用下式计算子种群中一个体被删除前的程序均衡度：
；
；
其中，表示子种群中一个体被删除前第代种群对应的程序均衡度，表示第条难覆盖边的均衡度，表示难覆盖边的总数，表示第代种群中穿越第条难覆盖边的个体数，表示目标路径中第条难覆盖边被穿越的个体数。
5.根据权利要求1所述的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，得到训练后的灰色预测模型的步骤具体包括：
基于设计出的适应度函数计算被测程序中部分个体的适应度函数值，通过灰色预测模型对该部分个体的适应度函数值进行训练，
计算训练后的灰色预测模型的相对误差；
若训练后的灰色预测模型的相对误差低于相对误差阈值，则停止训练，否则修正训练参数继续训练，直至训练后的灰色预测模型的相对误差低于相对误差阈值。
6.根据权利要求2所述的基于均衡优化理论与灰色预测模型的多路径覆盖测试方法，其特征在于，在多种群遗传算法中利用优秀个体精确适应度值，通过优秀个体覆盖目标路径，从而进化生成测试数据的步骤具体包括：
插桩被测程序后，对参数进行初始化，参数包括子种群数、子种群中个体数、进化代数最大值以及种群进化中所需的相关值，并对个体进行二进制编码；
实施多种群进化，具体包括：（1）对目标路径集中的任意路径，生成个体数为z的随机子种群，计算被该随机子种群中个体覆盖所需达到的最大适应度值，若存在个体的适应度值达到该最大适应度值，则将其从目标路径集中移除，若不存在，则对该随机子种群执行进化操作；（2）除判定种群中个体是否为当前子种群的最优解，还计算是否为其它子种群的近似解；（3）种群中的个体覆盖其它所有的相似目标路径后，输出测试数据并终止算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310308991.9A CN116010291A (zh) | 2023-03-28 | 2023-03-28 | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310308991.9A CN116010291A (zh) | 2023-03-28 | 2023-03-28 | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116010291A true CN116010291A (zh) | 2023-04-25 |
Family
ID=86021431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310308991.9A Pending CN116010291A (zh) | 2023-03-28 | 2023-03-28 | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010291A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117632770A (zh) * | 2024-01-25 | 2024-03-01 | 江西财经大学 | 一种多路径覆盖测试用例生成方法和系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010009510A (ja) * | 2008-06-30 | 2010-01-14 | Univ Waseda | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム |
| WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
| CN108509335A (zh) * | 2018-01-31 | 2018-09-07 | 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 |
| CN109918304A (zh) * | 2019-03-06 | 2019-06-21 | 牡丹江师范学院 | 一种快速高路径覆盖率测试用例生成方法 |
| CN110533150A (zh) * | 2019-07-05 | 2019-12-03 | 江西财经大学 | 基于支持向量机回归模型的测试生成与重用系统及方法 |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
| CN111340367A (zh) * | 2020-02-26 | 2020-06-26 | 国网陕西省电力公司电力科学研究院 | 基于多维度关联性数据分析的少油设备状态评估方法及系统 |
| CN111582428A (zh) * | 2020-04-01 | 2020-08-25 | 长江大学 | 一种基于灰色预测演化算法的多模态多目标优化方法 |
| US20210209008A1 (en) * | 2018-05-23 | 2021-07-08 | South China University Of Technology | Unit testing method based on automatic generation of path coverage test cases |
| CN113468044A (zh) * | 2021-05-27 | 2021-10-01 | 长江大学 | 一种基于改进的灰色预测演化算法的测试用例生成方法 |
| CN115576848A (zh) * | 2022-11-10 | 2023-01-06 | 江西财经大学 | 结合关键边概率与路径层接近度的多路径覆盖测试方法 |
-
2023
- 2023-03-28 CN CN202310308991.9A patent/CN116010291A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010009510A (ja) * | 2008-06-30 | 2010-01-14 | Univ Waseda | 局所交通量予測プログラム生成装置、局所交通量予測装置、局所交通量予測プログラム生成方法、局所交通量予測方法及びプログラム |
| WO2018082132A1 (zh) * | 2016-11-04 | 2018-05-11 | 江南大学 | 一种用于能源系统输出功率的短期预测方法 |
| CN108509335A (zh) * | 2018-01-31 | 2018-09-07 | 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 |
| US20210209008A1 (en) * | 2018-05-23 | 2021-07-08 | South China University Of Technology | Unit testing method based on automatic generation of path coverage test cases |
| WO2020063690A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统预测的方法和装置 |
| CN109918304A (zh) * | 2019-03-06 | 2019-06-21 | 牡丹江师范学院 | 一种快速高路径覆盖率测试用例生成方法 |
| CN110533150A (zh) * | 2019-07-05 | 2019-12-03 | 江西财经大学 | 基于支持向量机回归模型的测试生成与重用系统及方法 |
| CN111340367A (zh) * | 2020-02-26 | 2020-06-26 | 国网陕西省电力公司电力科学研究院 | 基于多维度关联性数据分析的少油设备状态评估方法及系统 |
| CN111582428A (zh) * | 2020-04-01 | 2020-08-25 | 长江大学 | 一种基于灰色预测演化算法的多模态多目标优化方法 |
| CN113468044A (zh) * | 2021-05-27 | 2021-10-01 | 长江大学 | 一种基于改进的灰色预测演化算法的测试用例生成方法 |
| CN115576848A (zh) * | 2022-11-10 | 2023-01-06 | 江西财经大学 | 结合关键边概率与路径层接近度的多路径覆盖测试方法 |
Non-Patent Citations (9)
| Title |
|---|
| LAO, TF等: "Predicting the production and consumption of natural gas in China by using a new grey fcasting method", 《MATHEMATICS AND COMPUTERS IN SIMULATION》 * |
| 姚香娟;巩敦卫;李彬;: "融入神经网络的路径覆盖测试数据进化生成", 《软件学报》, no. 04, pages 3 * |
| 张岩;巩敦卫;: "基于稀有数据扑捉的路径覆盖测试数据进化生成方法", 《计算机学报》, no. 12 * |
| 朱晓翠;钱赛;: "一种基于灰色模型的数据预测优化算法", 河南科学, no. 11 * |
| 程宾;王志红;: "基于改进遗传算法的灰色预测模型的研究", 计算机与信息技术, no. 10 * |
| 范书平 等: "一种面向路径覆盖的测试用例进化生成方法", 《牡丹江师范学院学报(自然科学版)》 * |
| 范书平;张岩;马宝英;万里;姚念民;宋妍;: "基于均衡优化理论的路径覆盖测试数据进化生成", 《电子学报》, no. 07, pages 1 - 4 * |
| 范书平;张岩;马宝英;万里;姚念民;宋妍;: "基于均衡优化理论的路径覆盖测试数据进化生成", 电子学报, no. 07 * |
| 钱忠胜 等: "结合关键点概率与路径相似度的多路径覆盖策略", 《软件学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117632770A (zh) * | 2024-01-25 | 2024-03-01 | 江西财经大学 | 一种多路径覆盖测试用例生成方法和系统 |
| CN117632770B (zh) * | 2024-01-25 | 2024-04-19 | 江西财经大学 | 一种多路径覆盖测试用例生成方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108509335B (zh) | 基于遗传算法优化的软件测试数据生成方法 | |
| US8700548B2 (en) | Optimization technique using evolutionary algorithms | |
| CN110110862A (zh) | 一种基于适应性模型的超参数优化方法 | |
| US20040167721A1 (en) | Optimal fitting parameter determining method and device, and optimal fitting parameter determining program | |
| CN109165159B (zh) | 一种基于程序频谱的多缺陷定位方法 | |
| CN111611748B (zh) | 一种数据驱动的材料逆向设计方法及系统 | |
| CN108563555A (zh) | 基于四目标优化的故障更改代码预测方法 | |
| CN113407185B (zh) | 基于贝叶斯优化的编译器优化选项推荐方法 | |
| CN115248781B (zh) | 一种组合测试用例生成方法、装置、设备及可读存储介质 | |
| CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
| CN114064453A (zh) | 基于聚类和进化算法的软件测试用例自动生成方法 | |
| CN115576848B (zh) | 结合关键边概率与路径层接近度的多路径覆盖测试方法 | |
| CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
| CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
| CN117252114B (zh) | 一种基于遗传算法的电缆耐扭转实验方法 | |
| CN111444079A (zh) | 一种软件缺陷修复方法及装置 | |
| Li et al. | Surrogate-assisted multi-objective evolutionary optimization with a multi-offspring method and two infill criteria | |
| CN108764570A (zh) | 一种基于蚁群算法与Lin-Kernighan算法解决旅行商问题的杂交算法 | |
| Kim et al. | NACST/Seq: A sequence design system with multiobjective optimization | |
| CN111813669B (zh) | 基于多目标群体智能的适应性随机测试用例生成方法 | |
| CN112749082B (zh) | 一种基于de-th算法的测试用例生成方法及系统 | |
| CN115146702A (zh) | 一种变压器故障诊断方法、介质及系统 | |
| CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
| CN110263906B (zh) | 非对称负相关搜索方法 | |
| CN113554144A (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 |
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 |