改进PSO算法在软件测试数据生成中的应用

J4 ›› 2012, Vol. 34 ›› Issue (1): 86-89.

改进PSO算法在软件测试数据生成中的应用

时贵英

（东北石油大学计算机与信息技术学院,黑龙江大庆 163318）

收稿日期:2010-12-13 修回日期:2011-03-11 出版日期:2012-01-25 发布日期:2012-01-25

Application of an Improved Particle Swarm Optimization Algorithm in Software Test Data Generation

SHI Guiying

(School of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China)

Received:2010-12-13 Revised:2011-03-11 Online:2012-01-25 Published:2012-01-25

摘要/Abstract

摘要：

软件测试是软件质量保证的重要手段，测试用例自动生成一直是被广泛研究的问题。本文在分析了遗传算法、粒子群算法和蚁群算法的优缺点后，在软件测试用例的自动生成过程中采用一种新改进的粒子群算法。该算法将蚁群算法的信息素机制引入到粒子群算法中，加大了粒子间的多样性，有效地克服了粒子群算法容易发生早熟停滞的缺陷。最后通过仿真实验证明了算法应用于软件测试的可行性和高效性。

关键词: 粒子群算法, 蚁群算法, 信息素机制, 软件测试

Abstract:

Software testing is an important means of software quality assurance,the automatic generation of test cases has been widely studied. By analyzing the advantages and disadvantages of the genetic algorithm, the particle swarm optimization algorithm and the ant colony algorithm,the paper proposes a new improved particle swarm algorithm in the automatic generation of test cases. The pheromone mechanism of the ant colony algorithm is introduced into the particle swarm algorithm, which can increase the diversity of particles and overcome the defect that PSO is easy to premature and stagnation. Finally the simulation experiment proves the feasibility and efficiency of the algorithm in software testing.

Key words: PSO;ACO;peromone mechanism;software testing

时贵英. 改进PSO算法在软件测试数据生成中的应用[J]. J4, 2012, 34(1): 86-89.

SHI Guiying. Application of an Improved Particle Swarm Optimization Algorithm in Software Test Data Generation[J]. J4, 2012, 34(1): 86-89.

［1］	夏芸,刘锋.基于免疫遗传算法的软件测试数据自动生成［J］. 计算机应用，2008,8(3):723725.
［2］	汪浩,谢军凯,高仲仪.遗传算法及其在软件测试数据生成中的应用研究［J］.计算机工程与应用,2001,37(12):6468．
［3］	许秀梅.基于退火免疫遗传算法的测试数据生成方法研究［D］.北京:北京交通大学,2007.
［4］	尉小环,高慧敏,李峰.微粒群算法在软件测试数据生成中的应用［J］.太原科技大学学报, 2009,30(4):294296.
［5］	傅博.基于蚁群算法的软件测试数据自动生成［J］.计算机工程与应用,2007,43(12):9799.
［6］	Kennedy J,Eberhert R. Particle Swarm Optimization［C］∥Proc of IEEE International Conferenceon Neural Networks, 1995:19421948.
［7］	段玉红,高岳林.基于蚁群信息机制的粒子群算法［J］.计算机工程与应用,2008,44(31):8183.

[1]	顾楚梅, 曹建军, 王保卫, 徐雨芯, . 基于蚁群参数优化的LightGBM辐射源个体识别[J]. 计算机工程与科学, 2023, 45(01): 85-94.
[2]	牛胜杰, 李鹏, 张玉杰, . 模糊测试技术研究综述[J]. 计算机工程与科学, 2022, 44(12): 2173-2186.
[3]	赵广元, 赵英. 基于改进蚁群优化算法的养殖场机器人路径规划[J]. 计算机工程与科学, 2022, 44(05): 910-915.
[4]	刘雨青, 向军, 曹守启. 基于改进蚁群算法的水下自主航行机器人路径规划[J]. 计算机工程与科学, 2022, 44(03): 536-544.
[5]	胡平志, 李泽滔. 基于改进蚁群算法的四足机器人步态规划[J]. 计算机工程与科学, 2021, 43(12): 2253-2262.
[6]	宋阿妮, 包贤哲. 精英扩散蚁群优化算法求解运输无人机三维路径规划[J]. 计算机工程与科学, 2021, 43(10): 1891-1900.
[7]	王翼虎, 王思明. 基于改进粒子群算法的无人机路径规划[J]. 计算机工程与科学, 2020, 42(09): 1690-1696.
[8]	王永琦, 江潇潇. 基于混合灰狼算法的机器人路径规划[J]. 计算机工程与科学, 2020, 42(07): 1294-1301.
[9]	闫盼盼，俞海珍，史旭华，万凯. 基于Pareto支配的MPRM电路面积与功耗优化[J]. 计算机工程与科学, 2020, 42(04): 596-602.
[10]	马贵平, 潘峰. 基于改进蚁群算法的物流运输路径研究[J]. 计算机工程与科学, 2020, 42(03): 523-528.
[11]	曹新亮, 王智文, 冯晶, 查敏, 王宇航. 基于改进蚁群算法的机器人全局路径规划研究[J]. 计算机工程与科学, 2020, 42(03): 564-570.
[12]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.
[13]	喻小惠1，张晶1,2，陶涛3，龚力波4，黄云明1，傅铁威1. 基于蚁群策略的无线传感器网络能耗均衡分簇算法[J]. 计算机工程与科学, 2019, 41(07): 1197-1202.
[14]	郑延斌1,2，王林林1，席鹏雪1，樊文鑫1，韩梦云1. 动态环境下改进蚁群算法的多Agent路径规划[J]. 计算机工程与科学, 2019, 41(06): 1078-1085.
[15]	覃远年，梁仲华. 基于混合粒子群算法的运动估计研究[J]. 计算机工程与科学, 2019, 41(04): 758-764.