CN116303094A - 基于rbf神经网络与个体迁移的多路径覆盖测试方法 - Google Patents

基于rbf神经网络与个体迁移的多路径覆盖测试方法 Download PDF

Info

Publication number
CN116303094A
CN116303094A CN202310519241.6A CN202310519241A CN116303094A CN 116303094 A CN116303094 A CN 116303094A CN 202310519241 A CN202310519241 A CN 202310519241A CN 116303094 A CN116303094 A CN 116303094A
Authority
CN
China
Prior art keywords
individual
neural network
rbf neural
individuals
value
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
Application number
CN202310519241.6A
Other languages
English (en)
Other versions
CN116303094B (zh
Inventor
钱忠胜
孙志旺
秦朗悦
俞情媛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Finance and Economics
Original Assignee
Jiangxi University of Finance and Economics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Finance and Economics filed Critical Jiangxi University of Finance and Economics
Priority to CN202310519241.6A priority Critical patent/CN116303094B/zh
Publication of CN116303094A publication Critical patent/CN116303094A/zh
Application granted granted Critical
Publication of CN116303094B publication Critical patent/CN116303094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F11/3676—Test management for coverage analysis
    • 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]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

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

本发明提出一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，首先构建RBF神经网络预测模型，经过RBF神经网络预测模型预测出的适应度值筛选接近阈值的个体，再计算这部分个体的精确适应度值，以降低适应度值计算的时间复杂度；同时，根据这部分适应度值将优秀个体迁移至对应的子种群中，最后对子种群中的个体实施进化操作，生成新种群，重复上述过程，直至结束条件。本发明利用RBF神经网络预测模型预测适应度值，有效降低遗传算法的时间复杂度。

Description

基于RBF神经网络与个体迁移的多路径覆盖测试方法
技术领域
本发明涉及机遗传算法领域，特别涉及一种基于RBF神经网络与个体迁移的多路径覆盖测试方法。
背景技术
在软件测试不够充分而投入市场使用时，未被检测到的漏洞被触发时会造成不可预测的后果，用户也因此承担该风险。在开发过程中经常会出现这些漏洞，但在大多数输入情况下系统却表现正常，而当输入一些特定的数据时才会使系统进入未知状态，导致不可估量的损失。因此，软件必须经过严格的测试，如何生成这些特定的测试用例是软件测试中的一个重要问题。
由于需定位错误可能发生的模块，所以软件中每条路径都需尽可能地被覆盖，以免有错误未被检测到。因此在选择一组测试用例时，所覆盖的路径数常作为其是否优秀的一个依据，针对多路径覆盖问题的研究也随之受到重视。
较多学者使用搜索算法解决多路径覆盖问题，由于遗传算法具有良好的全局搜索能力，得到了更多的应用。本发明使用遗传算法作为算法框架，针对以下三方面展开研究。
目前普遍使用搜索算法解决多路径覆盖问题，由于遗传算法具有良好的全局搜索能力，得到了更多的应用。而采用遗传算法解决多路径覆盖问题会出现以下问题：
1) 适应度函数模块时间消耗过多。在多种群遗传算法中，适应度函数常被用于判断个体是否优秀的依据，是算法的核心。但计算个体的适应度值时，需将个体输入至插桩程序中，随后根据反馈回来的信息判断个体优劣，这一过程会消耗很多资源。
2) 个体信息共享不够充分。就多种群覆盖问题而言，一条路径为一个待解决的子问题，问题间相互独立。虽有研究提出个体信息共享策略，将搜索解的范围从单个子种群扩大到多个子种群中，但当种群更新时，某子种群中可能会迭代出其它子种群的优秀个体，这部分优秀个体在个体信息共享策略中并未得到充分利用。
3)优秀个体迁移时算法不稳定。若仅使用路径相似度判断个体优劣，则迁移的优秀个体会不够准确导致算法不稳定；而使用精确计算的适应度值又会急剧增加算法的时间复杂度。
发明内容
鉴于上述状况，本发明的主要目的是为了提出一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，以解决上述技术问题。
本发明提供了一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，所述方法包括如下步骤：
步骤1、利用高斯函数激活RBF神经网络，将个体输入至RBF神经网络中进行训练，以得到RBF神经网络预测模型；
步骤2、根据个体在节点上的经过情况得出关键点概率，再根据关键点概率计算出个体对进化生成测试用例的个体贡献度，利用个体贡献度设计得到适应度函数；
步骤3、利用RBF神经网络预测模型预测个体适应度值的预测值，再筛选出与预测值阈值最小差值的个体，利用适应度函数进行计算筛选后的个体的适应度值；
步骤4、将目标路径集中的任一目标路径随机生成对应的子种群，将计算适应度值后的个体迁移至对应的所有子种群中，并根据个体的适应度值判断个体是否覆盖目标路径，若是，则对应的子种群停止进化；
步骤5、重复步骤3与步骤4，直至进化代数达到预设进化代数值，使得目标路径集被全部覆盖生成得到目标测试用例，以完成多路径测试。
本发明提出一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，首先构建RBF神经网络预测模型，经过RBF神经网络预测模型预测出的适应度值筛选接近阈值的个体，再计算这部分个体的精确适应度值，以降低适应度值计算的时间复杂度；同时，根据这部分适应度值将优秀个体迁移至对应的子种群中，最后对子种群中的个体实施进化操作，生成新种群，重复上述过程，直至结束条件。本发明利用RBF神经网络预测模型预测适应度值，有效降低遗传算法的时间复杂度。
本发明的附加方面与优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
图1为本发明提出的基于RBF神经网络与个体迁移的多路径覆盖测试方法的流程图；
图2为本发明中RBF神经网络预测模型结构图；
图3为本发明中RBF神经元结构图；
图4为本发明中优秀个体迁移示意图；
图5为本发明提出的基于RBF神经网络与个体迁移的多路径覆盖测试系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。
请参阅图1，本发明实施例提供了一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，所述方法包括如下步骤：
步骤1、利用高斯函数激活RBF神经网络，将个体输入至RBF神经网络中进行训练，以得到RBF神经网络预测模型；
请参阅图3与请参阅图4，进一步的，在所述步骤1中，将个体输入至RBF神经网络进行训练的具体方法为：
S102、先初始化中心向量、宽度向量与权重向量；
S103、将个体输入神经网络中得到的预测值，计算个体的预测值与实际适应度值的误差；
S104、若误差大于阈值，则使用梯度下降法更新中心向量、宽度向量与权重向量，使RBF神经网络预测模型的拟合曲线逼近适应度函数曲线；
S105、循环步骤S103与步骤S104的操作，直至迭代超过上限或误差小于阈值，输出RBF神经网络预测模型。
RBF神经网络使用径向基函数，它是仅依赖于与原点距离的实值函数，这里使用欧几里得距离计算方法；
本发明步骤1中，RBF神经网络采用径向基函数，径向基函数表达式为：
Figure SMS_1
；
其中，
Figure SMS_4
为径向基函数，/>
Figure SMS_8
为个体，/>
Figure SMS_12
，/>
Figure SMS_3
表示第/>
Figure SMS_7
个元素，
Figure SMS_11
为转置操作，/>
Figure SMS_15
为中心向量，/>
Figure SMS_2
，/>
Figure SMS_6
表示第/>
Figure SMS_10
个中心向量与所有隐含层关系的集合，/>
Figure SMS_14
，/>
Figure SMS_5
表示第/>
Figure SMS_9
个中心向量与第/>
Figure SMS_13
个隐含层关系。
神经网络若不使用激活函数，则无论中间有多少层，输出与输入的函数表达式均为线性组合，即最原始的感知机。激活函数给神经元引入了非线性因素，使得神经网络可拟合任何非线性函数，扩大它的应用范围。
因此本发明使用高斯函数作为激活函数，在所述步骤1中，激活后的RBF神经网络表达式为：
Figure SMS_16
；
其中，
Figure SMS_18
为激活后的RBF神经网络的表达，/>
Figure SMS_20
为宽度向量，
Figure SMS_23
，/>
Figure SMS_19
表示第/>
Figure SMS_22
个宽度向量与所有隐含层关系的集合，
Figure SMS_24
，/>
Figure SMS_25
表示第/>
Figure SMS_17
个宽度向量与第/>
Figure SMS_21
个隐含层关系。
进一步的，在所述步骤1中，RBF神经网络预测模型表达式为
Figure SMS_26
；
其中，
Figure SMS_27
为预测值，/>
Figure SMS_28
为权重向量，/>
Figure SMS_29
为转置操作，/>
Figure SMS_30
，/>
Figure SMS_31
表示第/>
Figure SMS_32
个权重向量。
进一步的，在所述步骤1.2中，误差的表达式为：
Figure SMS_33
；
其中，
Figure SMS_34
为误差，/>
Figure SMS_35
为适应度函数；
中心向量
Figure SMS_36
的梯度下降表达式为/>
Figure SMS_37
；
宽度向量
Figure SMS_38
的梯度下降表达式为/>
Figure SMS_39
；
权重向量
Figure SMS_40
的梯度下降表达式为/>
Figure SMS_41
；
其中，
Figure SMS_42
为常量系数，/>
Figure SMS_43
为偏导数。
RBF神经网络隐藏层中的激活函数使用局部响应的高斯函数，而其它前向神经网络一般使用全局响应函数，使得RBF神经网络的神经元更多，因此，RBF神经网络的网络模型更精简，训练时间更短。同时RBF神经网络拟合的函数也是最优的，若神经元足够多，其能逼近任意连续函数，并由于使用的是局部激活函数，则越接近中心点，其对数据的响应就越敏感，远离中心点则响应成指数递减。每个神经元都有一个互不重叠的中心点，当隐含层中的神经元越多，感知域越大，因此神经元越多，逼近就越精确。
步骤2、根据个体在节点上的经过情况得出关键点概率，再根据关键点概率计算出个体对进化生成测试用例的个体贡献度，利用个体贡献度设计得到适应度函数；
进一步的，在所述步骤2中，根据个体在节点上的经过情况得出关键点概率的方法包括：
设
Figure SMS_44
表示为个体在节点/>
Figure SMS_45
的经过情况，当个体经过节点/>
Figure SMS_46
，则/>
Figure SMS_47
；当个体未经过节点/>
Figure SMS_48
，则/>
Figure SMS_49
；
运行被测程序，得到被测程序对应目标路径集
Figure SMS_50
，目标路径集/>
Figure SMS_51
包含/>
Figure SMS_52
条目标路径，每个目标路径上分别有若干节点，个体在每个节点经过的次数为/>
Figure SMS_53
，则每个节点的关键点概率为/>
Figure SMS_54
；
其中，
Figure SMS_55
为目标路径数量，/>
Figure SMS_56
表示第/>
Figure SMS_57
个节点。
进一步的，在所述步骤2中，根据关键点概率计算出个体对进化生成测试用例的个体贡献度的方法包括：
计算个体路径
Figure SMS_58
与目标路径/>
Figure SMS_59
之间相同节点的关键点概率之和，即为个体贡献度/>
Figure SMS_60
；
其中，个体路径
Figure SMS_61
表示为个体/>
Figure SMS_62
所覆盖的目标路径；
个体贡献度表达式为：
Figure SMS_63
。
进一步的，在所述步骤2中，适应度函数的表达式为：
Figure SMS_64
；
其中，
Figure SMS_65
表示个体/>
Figure SMS_66
与第/>
Figure SMS_67
条目标路径/>
Figure SMS_68
对应的适应度函数，/>
Figure SMS_69
为个体/>
Figure SMS_70
的适应度值。
其中，适应值函数作为判断个体优劣的依据，是遗传算法的核心。多数在适应值函数方面的相关研究结合分支距离与层接近度。
设
Figure SMS_72
是一条目标路径，个体为/>
Figure SMS_75
，/>
Figure SMS_78
为/>
Figure SMS_73
的穿越路径。 />
Figure SMS_74
偏离/>
Figure SMS_77
的节点个数与/>
Figure SMS_80
的总节点数的比值称为/>
Figure SMS_71
对/>
Figure SMS_76
的层接近度，记为/>
Figure SMS_79
。
分支距离函数最初由Korel提出，用于描述输入的测试数据X在各条件语句中的接近程度。例如，设输入的个体为
Figure SMS_81
,某条件语句为“/>
Figure SMS_82
”，当运行到该节点时，/>
Figure SMS_83
取值为
Figure SMS_84
，则/>
Figure SMS_85
在该节点的分支距离函数表达式为：
Figure SMS_86
；
其中，个体
Figure SMS_87
的适应度值/>
Figure SMS_88
的表达式为：
Figure SMS_89
；
其中，
Figure SMS_90
为个体/>
Figure SMS_91
对目标路径/>
Figure SMS_92
的层接近度，
Figure SMS_93
为个体/>
Figure SMS_94
在该节点的分支距离；
其中，标准化分支距离函数表达式为：
Figure SMS_95
；
其中，
Figure SMS_96
表示分支距离。
步骤3、利用RBF神经网络预测模型预测个体适应度值的预测值，再筛选出与预测值阈值最小差值的个体，利用适应度函数进行计算筛选后的个体的适应度值；
步骤4、将目标路径集中的任一目标路径随机生成对应的子种群，将计算适应度值后的个体迁移至对应的所有子种群中，并根据个体的适应度值判断个体是否覆盖目标路径，若是，则对应的子种群停止进化；
其中，设目标路径集
Figure SMS_98
包含/>
Figure SMS_102
条目标路径，当输入/>
Figure SMS_103
尝试覆盖第/>
Figure SMS_99
目标路径
Figure SMS_101
时，若对应适应度函数/>
Figure SMS_104
达到最大值，则个体/>
Figure SMS_105
覆盖了目标路径/>
Figure SMS_97
。因此，覆盖目标路径问题转化为求解适应度函数/>
Figure SMS_100
的最大值问题，其对应表达式为：
Figure SMS_106
。
因此，在步骤4中，目标路径集中的所有目标路径对应的适应度值应存在如下公式：
Figure SMS_107
；
其中，
Figure SMS_108
为适应度函数，/>
Figure SMS_109
表示第/>
Figure SMS_110
条目标路径所有适应度值中最大的值，
Figure SMS_111
表示第/>
Figure SMS_112
条目标路径所有适应度值中最大的值。
如图2所示，本发明为进一步提高个体信息共享，提出若个体是目标路径所对应子种群的优秀个体，将它迁移至目标路径所对应子种群中，使得子种群中的优秀基因比例上升，在后续的进化操作中有更大的可能性将优秀基因遗传给后代，进而减少子种群进化代数，加快进化速度。在此需要补充说明的是，图2中的白色圆圈表示未经过的节点，也即目标路径上的节点。黑色圆圈表示经过的节点，也即目标路径上的关键点。图2中的“×”表示个体，图2中的大圈表示子种群。从图2中可以看出：个体迁移到子种群中。
并且本发明种群在向对应目标路径进化时，还会判断其是否覆盖其它相似的目标路径。本发明对任意目标路径，进化过程中搜索优秀个体的范围扩大到
Figure SMS_113
个子种群，各子种群的优秀基因占比也随之增高，这样可以充分利用每个种群中的个体信息，避免了资源的浪费。
步骤5、重复步骤3与步骤4，直至进化代数达到预设进化代数值，使得目标路径集被全部覆盖生成得到目标测试用例，以完成多路径测试。
本发明在充分训练RBF神经网络预测模型后，即可在遗传算法中先使用模型筛选得到种群中的优秀基因。当某个体的适应度值达到阈值，则计算其精确值，这可避免计算所有个体的适应度值。下面介绍测试用例生成算法。
请参阅图5，在算法运行前，对被测程序插桩，将个体转换成二进制编码格式，初始化以下参数：子种群数
Figure SMS_114
，子种群中个体数/>
Figure SMS_115
，最大进化代数/>
Figure SMS_116
，种群进化时的选择、交叉与变异概率等。
首先，随机生成样本，并充分训练RBF神经网络；然后，随机生成目标路径集
Figure SMS_117
中路径/>
Figure SMS_118
的子种群/>
Figure SMS_119
；
再使用模型预测第
Figure SMS_120
个子种群/>
Figure SMS_121
的适应度值，若适应度值大于阈值,则精确计算其值。并根据该值判断个体是否需迁移，若大于阈值，则将该个体迁移至对应子种群中。若某个体覆盖目标路径/>
Figure SMS_122
，则该个体为路径/>
Figure SMS_123
的解，并停止种群/>
Figure SMS_124
的进化操作；
若未覆盖，则对该种群执行选择、交叉、变异等遗传操作。最后，重复上述操作，当目标路径集
Figure SMS_125
被全部覆盖或当种群迭代次数超出最大进化代数Maximum，则算法生成了一组符合条件的测试用例，输出并终止。
本发明提出基于RBF神经网络与个体迁移的多路径覆盖测试方法，有效地降低了适应度值计算的时间复杂度且利用了更多的个体信息以减少资源损耗，通过该方法可明显提高测试用例的生成效率。
本发明的主要贡献为以下三点：
1) 训练RBF神经网络预测模型预测适应度值，降低时间复杂度。RBF神经网络不仅继承了神经网络强大的非线性映射特征，而且具备自适应、自学习与容错性等能力，可从大量的历史数据中进行聚类与学习，进而得到行为变化规律；同时，在众多前馈式神经网络中，它表现出更优秀的局部逼近能力与全局寻优性能，且训练方法快速、易于理解，使得其在非线性时间序列预测中得到广泛应用。本发明使用RBF神经网络预测模型预测适应度值，有效降低遗传算法的时间复杂度。
2) 迁移优秀个体，提升个体信息共享程度。在传统个体信息共享中，仅考虑了种群中是否有其它子种群的解，但在种群更新过程中，旧种群进化生成新种群后，旧种群已出现的其它种群中的优秀个体被舍弃，这部分个体信息没有得到充分利用。为提高个体信息共享程度，本发明引入个体迁移策略，将这部分旧种群的优秀个体迁移至对应的新种群中，参与该种群的进化操作，从而将搜索解或近似解的范围从单种群扩大到多种群中。
3) 结合RBF神经网络预测模型与优秀个体迁移增加种群中优秀基因占比，提升算法稳定性。在迁移个体时，若使用路径相似度判断个体优劣，则会让部分不够优秀的个体迁移至子种群中，虽总体上优秀基因占比会提高，但若能更精确地筛选出优秀个体，可进一步增加算法的稳定性。若使用适应度值作为衡量标准，则需计算个体在各种群中的精确适应度值，会极大地增加算法时间复杂度。
应当理解的，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
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。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，所述方法包括如下步骤：
步骤1、利用高斯函数激活RBF神经网络，将个体输入至RBF神经网络中进行训练，以得到RBF神经网络预测模型；
步骤2、根据个体在节点上的经过情况得出关键点概率，再根据关键点概率计算出个体对进化生成测试用例的个体贡献度，利用个体贡献度设计得到适应度函数；
步骤3、利用RBF神经网络预测模型预测个体适应度值的预测值，再筛选出与预测值阈值最小差值的个体，利用适应度函数进行计算筛选后的个体的适应度值；
步骤4、将目标路径集中的任一目标路径随机生成对应的子种群，将计算适应度值后的个体迁移至对应的所有子种群中，并根据个体的适应度值判断个体是否覆盖目标路径，若是，则对应的子种群停止进化；
步骤5、重复步骤3与步骤4，直至进化代数达到预设进化代数值，使得目标路径集被全部覆盖生成得到目标测试用例，以完成多路径测试。
2.根据权利要求1所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤1中，将个体输入至RBF神经网络进行训练的具体方法为：
步骤1.1、先初始化中心向量、宽度向量与权重向量；
步骤1.2、将个体输入神经网络中得到的预测值，计算个体的预测值与实际适应度值的误差；
步骤1.3、若误差大于阈值，则使用梯度下降法更新中心向量、宽度向量与权重向量；
步骤1.4、循环步骤1.2与步骤1.3的操作，直至迭代超过上限或误差小于阈值，输出RBF神经网络预测模型。
3.根据权利要求2所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤1中，RBF神经网络采用径向基函数，径向基函数表达式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为径向基函数，/>
Figure QLYQS_3
为个体，/>
Figure QLYQS_4
为中心向量。
4.根据权利要求3所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤1中，激活后的RBF神经网络表达式为：
Figure QLYQS_5
；
其中，
Figure QLYQS_6
为激活后的RBF神经网络的表达，/>
Figure QLYQS_7
为宽度向量。
5.根据权利要求4所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤1中，RBF神经网络预测模型表达式为：
Figure QLYQS_8
；
其中，
Figure QLYQS_9
为预测值，/>
Figure QLYQS_10
为权重向量，/>
Figure QLYQS_11
为转置操作。
6.根据权利要求5所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤1.2中，误差的表达式为：
Figure QLYQS_12
；
其中，
Figure QLYQS_13
为误差，/>
Figure QLYQS_14
为适应度函数；
中心向量
Figure QLYQS_15
的梯度下降表达式为/>
Figure QLYQS_16
；
宽度向量
Figure QLYQS_17
的梯度下降表达式为/>
Figure QLYQS_18
；
权重向量
Figure QLYQS_19
的梯度下降表达式为/>
Figure QLYQS_20
；
其中
Figure QLYQS_21
为常量系数，/>
Figure QLYQS_22
为偏导数。
7.根据权利要求1所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤2中，根据个体在节点上的经过情况得出关键点概率的方法包括：
设
Figure QLYQS_23
表示为个体在节点/>
Figure QLYQS_24
的经过情况，当个体经过节点/>
Figure QLYQS_25
，则/>
Figure QLYQS_26
；当个体未经过节点/>
Figure QLYQS_27
，则/>
Figure QLYQS_28
；
运行被测程序，得到被测程序对应目标路径集
Figure QLYQS_29
，目标路径集/>
Figure QLYQS_30
包含/>
Figure QLYQS_31
条目标路径，每个目标路径上分别有若干节点，个体在每个节点经过的次数为/>
Figure QLYQS_32
，则每个节点的关键点概率为/>
Figure QLYQS_33
；
其中，
Figure QLYQS_34
为目标路径数量，/>
Figure QLYQS_35
表示第/>
Figure QLYQS_36
个节点。
8.根据权利要求7所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤2中，根据关键点概率计算出个体对进化生成测试用例的个体贡献度的方法包括如下步骤：
计算个体路径
Figure QLYQS_37
与目标路径/>
Figure QLYQS_38
之间相同节点的关键点概率之和，即为个体贡献度
Figure QLYQS_39
；
其中，个体路径
Figure QLYQS_40
表示为个体/>
Figure QLYQS_41
所覆盖的目标路径；
个体贡献度表达式为：
Figure QLYQS_42
；
其中，
Figure QLYQS_43
表示第/>
Figure QLYQS_44
个目标路径。
9.根据权利要求8所述的基于RBF神经网络与个体迁移的多路径覆盖测试方法，其特征在于，在所述步骤2中，适应度函数的表达式为：
Figure QLYQS_45
；
其中，
Figure QLYQS_46
表示个体/>
Figure QLYQS_47
与第/>
Figure QLYQS_48
条目标路径/>
Figure QLYQS_49
对应的适应度函数，/>
Figure QLYQS_50
为个体/>
Figure QLYQS_51
的适应度值。
CN202310519241.6A 2023-05-10 2023-05-10 基于rbf神经网络与个体迁移的多路径覆盖测试方法 Active CN116303094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310519241.6A CN116303094B (zh) 2023-05-10 2023-05-10 基于rbf神经网络与个体迁移的多路径覆盖测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310519241.6A CN116303094B (zh) 2023-05-10 2023-05-10 基于rbf神经网络与个体迁移的多路径覆盖测试方法

Publications (2)

Publication Number Publication Date
CN116303094A true CN116303094A (zh) 2023-06-23
CN116303094B CN116303094B (zh) 2023-07-21

Family

ID=86817055

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310519241.6A Active CN116303094B (zh) 2023-05-10 2023-05-10 基于rbf神经网络与个体迁移的多路径覆盖测试方法

Country Status (1)

Country Link
CN (1) CN116303094B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
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 (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170213127A1 (en) * 2016-01-24 2017-07-27 Matthew Charles Duncan Method and System for Discovering Ancestors using Genomic and Genealogic Data
CN110322072A (zh) * 2019-07-09 2019-10-11 程新宇 一种基于神经网络的经济预测方法
CN110413657A (zh) * 2019-07-11 2019-11-05 东北大学 面向季节型非平稳并发量的平均响应时间评估方法
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
CN111240995A (zh) * 2020-01-21 2020-06-05 江西财经大学 结合关键点概率与路径相似度的多路径覆盖方法及系统
US20210157283A1 (en) * 2019-11-26 2021-05-27 Apex Artificial Intelligence Industries, Inc. Adaptively controlling groups of automated machines
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
CN115664804A (zh) * 2022-10-25 2023-01-31 湖南大学 一种基于径向基函数神经网络的LDoS攻击检测方法
CN116089882A (zh) * 2022-12-30 2023-05-09 国网北京市电力公司 电缆故障预测处理方法、装置及电子设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170213127A1 (en) * 2016-01-24 2017-07-27 Matthew Charles Duncan Method and System for Discovering Ancestors using Genomic and Genealogic Data
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
CN110322072A (zh) * 2019-07-09 2019-10-11 程新宇 一种基于神经网络的经济预测方法
CN110413657A (zh) * 2019-07-11 2019-11-05 东北大学 面向季节型非平稳并发量的平均响应时间评估方法
US20210157283A1 (en) * 2019-11-26 2021-05-27 Apex Artificial Intelligence Industries, Inc. Adaptively controlling groups of automated machines
CN111240995A (zh) * 2020-01-21 2020-06-05 江西财经大学 结合关键点概率与路径相似度的多路径覆盖方法及系统
CN115664804A (zh) * 2022-10-25 2023-01-31 湖南大学 一种基于径向基函数神经网络的LDoS攻击检测方法
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
CN116089882A (zh) * 2022-12-30 2023-05-09 国网北京市电力公司 电缆故障预测处理方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M ZICCARDI 等: "Extended Path Coverage for Measurement-Based Probabilistic Timing Analysis", 《HTTPS://IEEEXPLORE.IEEE.ORG/ABSTRACT/DOCUMENT/7383590/》, pages 1 - 12 *
丁蕊等: "基于关键点路径的快速测试用例自动生成方法", 《软件学报》, pages 814 - 827 *

Cited By (2)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN116303094B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN111602149B (zh) 自组织偏序网络
Rojas-Carulla et al. Invariant models for causal transfer learning
CN116303094B (zh) 基于rbf神经网络与个体迁移的多路径覆盖测试方法
CN109120462A (zh) 机会网络链路的预测方法、装置及可读存储介质
CN112085161B (zh) 一种基于随机信息传递的图神经网络方法
WO2022252455A1 (en) Methods and systems for training graph neural network using supervised contrastive learning
Wang et al. Cooperative anomaly detection with transfer learning-based hidden Markov model in virtualized network slicing
WO2020209860A1 (en) Leveraging lagging gradients in machine-learning model training
Yuan et al. Improving fault tolerance in diagnosing power system failures with optimal hierarchical extreme learning machine
Liu et al. Out-of-distribution generalization by neural-symbolic joint training
Mao et al. An XGBoost-assisted evolutionary algorithm for expensive multiobjective optimization problems
CN117171690A (zh) 基于改进标签传播的光伏阵列故障诊断方法、装置及设备
KR102573643B1 (ko) 인공지능 기반 제어 시뮬레이션 방법
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
Guan et al. An interval particle swarm optimization algorithm for evolving interval neural networks
CN116248472A (zh) 基于神经霍克斯过程的云边端系统故障预测方法
Mouli et al. Metaphysica: Ood robustness in physics-informed machine learning
Chang et al. Edge differentially private estimation in the β-model via jittering and method of moments
Banga et al. Optimized Component based Selection using LSTM Model by Integrating Hybrid MVO-PSO Soft Computing Technique
Zhang et al. Graph attention MLP with reliable label utilization
CN116089317B (zh) 基于路径相似表与个体迁移的多路径测试方法与系统
Alioscha-Perez et al. Neural architecture search under black-box objectives with deep reinforcement learning and increasingly-sparse rewards
Farooque et al. Predicting Boolean Satisfiability Using a Graph Neural Network
Aarti et al. Hybrid semi-supervised SOM based clustered approach with genetic algorithm for software fault classification
Yang et al. A new supervised learning for gene regulatory network inference with novel filtering method

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