基于粒子群优化算法的类集成2.PDFVIP

基于粒子群优化算法的类集成 测试序列确定方法 报告人：张艳梅 中国矿业大学 (张艳梅姜淑娟陈若玉王兴亚) 2015年11月 研究背景 • 类测试顺序确定问题是指为待进行集成测试的类簇确定它们的测试顺 序。 • 若类间关系构成环路，需要首先删除某些依赖关系来消除环路，再通 过逆向拓扑排序得到类测试顺序。 • 删除依赖关系时要满足测试代价尽可能低，因此，类测试顺序问题是 一个优化问题。 典型技术 B • 基于图论的方法 A C • 基于遗传算法的方法 研究背景 • 基于遗传算法（GA ）的方法初始测试序列的局限性导致解空间不够 大，交叉和变异影响测试序列的选择速度和精确度。 • 粒子群优化算法（PSO）和GA都属于人工智能算法。PSO简单高效， 已成功应用于解决许多组合优化问题，如旅行商问题，顺序排序问 题，集合覆盖问题等。 本文贡献  提出一种基于PSO的类集成测试序列确定方法 • 将一个类测试序列(粒子)映射到一维空间的方法; • 适应度函数构造方法，用于评价粒子的优劣; • 将选择的最优粒子映射为类测试序列的方法. 方法描述- 方法概述 开始 复杂度计算 位置区间映射 粒子群初始化 满足终止条件 全局最优值更新 局部最优值更新 粒子适应度值计算 Y N 最优粒子生成 粒子速度更新 类测试序列映射 类测试序列 粒子位置更新 结束 图1 方法流程图 方法描述- 方法概述 （1）位置区间的映射： • 对所有类进行排列生成类测试序列 • 将每个类测试序列 （粒子）映射到一维空间，使该空间中的每 一个位置对应一个类测试序列。 方法描述-基于PSO的类集成测试序列确定方法 算法1. 一个类集成测试序列映射为粒子位置. 输入：list_cito一个类集成测试序列 List_classes 类优先级表 //表中的类按照依赖个数降序排列 输出：position粒子位置 1. BEGIN 2. position = 0; • 初始化粒子位置，获得待测类个数n 3. n = list_classes.size(); 4. FOR (int i = 0; i n; i ++) 5. class = list_citos.get(i); • 迭代计算类集成测试序列中前 i 6. index = list_classes.getIndex(class); 个类的位置信息 c • 直到分析完所有类，将类集成测 7. position = position + index * (n-i-1)!; 试序列映射为粒子位置 8. ENDFOR 9. END 方法描述- 方法概述 开始 复杂度计算 位置区间映射 粒子群初始化 满足终止条件 全局最优值更