基于模擬退火-量子遺傳算法的路徑測試數(shù)據(jù)自動生成方法研究.pdf

1、隨著軟件產(chǎn)品的復(fù)雜性不斷提高以及軟件規(guī)模的不斷擴(kuò)大，軟件測試的自動化技術(shù)越來越受到學(xué)術(shù)界和工業(yè)界的重視。測試數(shù)據(jù)的自動化生成是實現(xiàn)測試自動化的關(guān)鍵，只有使測試數(shù)據(jù)能夠自動化生成才能從根本上降低軟件成本，保證軟件質(zhì)量。目前許多國內(nèi)外學(xué)者針對這一問題進(jìn)行了研究，雖然目前一些算法和技術(shù)已經(jīng)能夠自動生成測試數(shù)據(jù)，但是尚不成熟，還需要進(jìn)行進(jìn)一步的探索和完善。
　　 本文通過大量研究和分析發(fā)現(xiàn)采用基本路徑測試生成測試數(shù)據(jù)是非常有效的方法，但

2、是該方法需要一種性能較高的演化算法作為基礎(chǔ)。因此，本文提出將量子遺傳算法作為核心算法，并針對其生成測試數(shù)據(jù)方面的缺點進(jìn)行了分析和改進(jìn)。首先量子染色體的編碼方式由矢量編碼改進(jìn)為角度編碼，由于角度編碼只存儲一個實數(shù)，大大降低了存儲空間；其次，提出一種新的動態(tài)旋轉(zhuǎn)角策略，使種群的演化直接以父代最優(yōu)解為目標(biāo)，加速了算法收斂效率，同時該策略還可以保證種群中優(yōu)秀性狀能夠得到較好地遺傳，使子代更容易收斂到最優(yōu)解；而后，采用Hadamard門變異策略，

3、對變異種群是以小幅度的波動增加種群多樣性；最后將量子遺傳算法和模擬退火算法有效結(jié)合，利用狀態(tài)轉(zhuǎn)移概率選擇性地接受惡化解，使種群概率地跳出當(dāng)前解，防止算法“早熟收斂”。本文將改進(jìn)的算法命名為“模擬退火-量子遺傳算法”，簡稱SA-QGA。本文采用多個復(fù)雜連續(xù)函數(shù)對多種算法進(jìn)行了比較，實驗證明新算法在尋優(yōu)性能和收斂次數(shù)上較其他算法有很大提高。
　　 最后，本文基于SA-QGA設(shè)計并實現(xiàn)了基于指定路徑的測試數(shù)據(jù)自動生成框架。該框架主要分