基于自学习控制算法优化软件测试用例的研究

格式：pdf
大小：1.30 MB
文档页数：4

若以 e （t）表示软件某时刻测试缺陷，在不同时间点软件系统期望输出值 y（），实际输出值为 y （t）， x （t）表示每个测试过 d t 程中输入参数状态变量， u （t）表示每时刻选取作用在软件系统上控制策略。考虑到软件测试是一个不断回归循环往复的测试过程，并且第 j 次回归的每个时间点 t 上输出 y（）和行动 i t u（）都会影响下一个 t+1 时间点输出 y（），整个测试过程可 i t i t+1 以转换为一个迭代控制过程，如图 2 所示。
1
引言
目前软件规模越来越庞大，软件测试也日益为大家所重
试目标，如何设计最优测试用例集来实现软件自动化测试目标 [2-4]。 Walcot 等 [5] 研究了分支覆盖测试中不同测试策略的选取问题，用复合泊松模型描述不同测试策略产生的分支覆盖数，均衡各种测试策略效率给出了相对应的停止准则； Cai[6-8]等人使用控制理论将软件测试等转换为一个控制问题，对软件测试使用马尔可夫控制方法、自适应控制等方法将被测软件作为被控对象，将软件测试策略作为控制器，并能在线调整软件测试策略。但这些研究仅针对测试脚本用例进行优化，没有考虑到测试过程是一个不断回归过程，在每次回归测试中如何持续优化测试用例是一个值得研究的问题。研究了在被测软件参数动态变化条件下，如何调节测试策略，设计最优软件测试用例，快速检测并排除软件缺陷，提出了一种测试系统状态转移模型，并给出了一类二维变因子自学习控制方法，在回归测试过程中快速学习软件过程缺陷，加速了优化整个测试回归过程。

0£t£T ，这里 T 为一次学习时间， N 为正整数，且外部干扰 δξ j + 1(×)

初始误差为 0 （即 e j (0) = 0 ），且满足 I - CBk 2 < 1 ，则采用式
¥
λ
7 ）学习控制律将保证该系统输出 y j (t) 当 j ® ¥ 时收敛于 y d (t) 。 δξ j + 1(t) = ξ j + 1(t) - ξ j (t)，（ £ ε d（这里 j 为回归测试次数），证明 y d (t) - y j + 1(t) = y d (t) - [C exp( At) x j (0) +
[1]
2
Байду номын сангаас
软件测试状态转移矩阵模型
对于某被测软件系统，图 1 给出了软件测试转化为控制问
基金项目：广东省自然科学基金（the Natural Science Foundation of Guangdong Province of China under Grant No.10151064101000011)；广东省科技攻关计划（the Key Technologies R&D Program of Guangdong Province， China under Grant No.2009Z2-D021)。作者简介：曾敏（1983—），女，硕士研究生，研究方向软件测试；黄颖（1986—），女，硕士研究生，研究方向软件测试，优化算法。收稿日期： 2010-08-10 修回日期： 2010-10-14
曾题的结构图[7]。
控制器（测试策略）控制
敏，黄
颖：基于自学习控制算法优化软件测试用例的研究
2011， 47 （3）
71
当不考虑外部测试不确定性干扰时，由式（1）知
被控对象（被测软件）输出变量
u(t) = B+ ( ẋ (t) - Ax(t)) = ((CB)-1 ẏ (t) - B+ AC + y(t)) u d (t) = (CB) ẏ d (t) - B AC y d (t) e(t) = y d (t) - y(t)
视，软件测试自动化程度也越来越高，人们可以用多种方法设计测试用例来开展测试工作。软件测试是一个不断的重复过程，通过回归测试过程来使测试用例日益完善。但如何减少回归测试次数，尽可能在有限的测试过程中尽量多地发现软件缺陷，或者选择合适的测试用例尽可能多地发现软件缺陷是软件测试中研究中的热点问题，因此软件测试优化方法主要集中在选择优化测试用例，加快回归测试过程两个这方面。另外在测试过程中，考虑到程序执行的连续性，一个有效的测试用例和程序执行状态，与先前选取的测试用例和已经检测的软件缺陷都是紧密相关的，如何在有限测试用例中选取最优化测试用例和测试资源，充分利用测试脚本运行过程中搜集到的测试信息，设计合理的测试策略是一个值得研究的问题。在目前软件测试用例研究中，一方面是从工程化的角度研究软件自动化测试平台，基于平台自动产生测试用例脚本及测试脚本路径可达性等问题；另一方面是研究给定一个测
u j + 1(t)
控制器（测试策略 f (u j e j ) ）
e j (t)
由递推最小二乘得增益阵 k （i， j）估计为：
ì p(i j)Y (i j + 1)Y T (i j + 1) p(i j) ï p(i j + 1) = p(i j) ï I + Y (i j + 1)T p(i j)Y (i j + 1) ï ïk(i j + 1) = k(i j) + （12） í ï T ï Y ( i j + 1) p ( i j ) ï [u(i j + 1) - k(i j)Y (i j + 1)] ï I + Y T (i j + 1) p(i j)Y (i j + 1) î 这种递推算法不同于一般的最小方差参数估计，式（12）的估计是沿学习轴 j 迭代进行的，而不是通常的时间轴，因此可以不象自适应算法那样在线求解估计值，而是在两次学习间隔上离线地运算。正因为这种特点，较为复杂的递推最小二乘的运算时间对测试效果性能没有影响，算法可以推广到较为复杂测试流程，而且在这种算法基础上可发展出更为复杂的算法。下面定理给出了该学习控制律收敛性的必要条件。定理 1 考虑式（1）的线性时变系统，若满足每次回归测试
存储器
u j (t)
考虑到测试过程状态的离散性，将式（7）写成离散形式， k1(i j)、 k 2 (i j) 可采用如下递推算法求出：
U T (i j) = [q u (i 1) q u (i 2) q u (i j)]
（8）（9）（10）（11）
被测对象（被测软件）
图2
软件测试迭代控制问题转化图
整个测试过程可以以如下状态转移矩阵来描述： ẋ (t) = A(t) x(t) + B(t)u(t) + ξ (t) y(t) = C (t) x(t) x(0) = x0
（1）
这里 x （t）、 u （t）分别为 n × 1 维测试输入状态矢量和 m × 1 维控制矢量， ξ （t）为 n*1 维外部测试不确定性随机干扰。考虑到软件测试是一个回归测试过程，每一次回归程序执行过程都是相同的，因此系统矩阵 A （t）、 B （t）、 C （t）严格满足： A(t + NT ) = A(t) B(t + NT ) = B(t) C (t + NT ) = C (t)
-1 + +
（3）（4）（5）（6）
图1
软件测试控制问题转化图
由式（3）～（5）得：
u d (t) = u(t) - B+ AC + e(t) + (CB)-1ė (t) C + 分别表示 B、这里 B+、 C 的广义逆。当考虑使用如下学习控制律： u j + 1(t) = u j (t) + k1(i j)e(t) + k 2 (i j)ė (t) （7）
基于自学习控制算法优化软件测试用例的研究
曾敏，黄颖 ZENG Min， HUANG Ying
华南理工大学计算机科学与工程学院，广州 510006 College of Computer Science and Science， South China University of Technology， Guangzhou 510006， China E-mail： bearbearmin@ ZENG Min， HUANG Ying.Research on optimal software testing case based on self learning control puter Engineering and Applications， 2011， 47 （3）： 70-73. Abstract： This paper demonstrates an approach to optimize software testing by rapid fixing software bug with given software parameter uncertainty during regressive testing process.Taking software testing process into time-varied system control problem， a state transform matrix model is presented.The two dimension variable factor self learning strategy is used to get optimized test case.Simulation results show that the learning control strategy is better than random testing and Markov testing strategy， and can significantly reduce regressive test numbers and save test cost. Key words：software testing； state transforms matrix； self-learning control； convergence 摘要：研究了软件参数变化条件下，在回归测试中以最快速度修复软件缺陷为目标的软件优化问题，将软件测试过程转化为一

基于自适应算法的测控系统优化

基于自适应算法的测控系统优化在当今科技飞速发展的时代，测控系统在各个领域中都发挥着至关重要的作用。

从工业生产中的质量监控到航空航天领域的飞行器姿态控制，从医疗设备的精准测量到通信系统的信号处理，测控系统的性能直接影响着相关应用的效果和可靠性。

为了满足日益提高的性能要求，基于自适应算法的测控系统优化成为了研究的热点。

测控系统的核心任务是对被测量对象进行准确的测量，并根据测量结果对控制对象进行有效的控制，以实现预定的目标。

然而，在实际应用中，测控系统往往面临着诸多挑战。

例如，测量环境的变化、被控对象的不确定性以及系统内部的噪声等因素都会影响测控系统的性能。

为了应对这些挑战，传统的测控方法通常采用固定的控制策略和参数设置，但其适应性和鲁棒性往往有限。

自适应算法的引入为测控系统的优化带来了新的思路。

自适应算法是一种能够根据系统的运行状态和环境变化自动调整控制策略和参数的算法。

通过实时监测系统的输入输出数据，并利用这些数据对算法进行在线更新和优化，自适应算法能够使测控系统更好地适应复杂多变的工作环境，提高系统的性能和可靠性。

在自适应算法中，最常见的一类是基于模型的自适应算法。

这类算法首先建立被控对象的数学模型，然后根据模型预测系统的输出，并与实际测量值进行比较，通过不断调整模型参数来减小预测误差。

例如，卡尔曼滤波算法就是一种基于模型的自适应算法，它在状态估计和预测方面具有很高的精度和效率，被广泛应用于导航、控制等领域。

另一类常见的自适应算法是无模型自适应算法。

这类算法不需要建立被控对象的精确数学模型，而是直接根据系统的输入输出数据进行学习和优化。

例如，强化学习算法就是一种无模型自适应算法，它通过智能体与环境的交互，不断尝试不同的动作，并根据获得的奖励来调整策略，以实现最优的控制效果。

基于自适应算法的测控系统优化在实际应用中具有诸多优势。

首先，它能够提高测控系统的精度和稳定性。

通过实时调整控制策略和参数，自适应算法能够有效地补偿系统中的各种误差和干扰，使系统的输出更加准确和稳定。

基于智能算法的优化控制方法研究

基于智能算法的优化控制方法研究随着科技的进步，智能算法在各个领域的应用越来越广泛。

在控制领域，优化控制方法能够对系统进行有效的调整和优化。

本文将介绍一些基于智能算法的优化控制方法，并探讨其应用与发展。

智能算法是一种模仿生物学、行为学、生态学等启发式思路的数学方法。

通过对问题的搜索和优化进行模拟，智能算法能够找到较好的解决方案。

在控制工程中，优化控制方法通过对控制系统进行优化，使之达到最佳性能。

传统的控制方法往往是确定性的，难以应对实际系统存在的不确定性和复杂性。

而智能算法的引入，为优化控制提供了新的思路和工具。

一种常见的基于智能算法的优化控制方法是遗传算法。

遗传算法是一种模拟生物进化过程的优化算法。

它通过对问题解空间的搜索和进化，逐步生成越来越优的解决方案。

遗传算法将问题表示为染色体的形式，通过选择、交叉和变异等操作，模拟自然选择和进化的过程。

在控制系统中，遗传算法可以用来确定系统的参数和结构，以使得系统的性能达到最佳。

通过多次迭代优化，遗传算法能够找到全局最优解或者接近最优解的解决方案。

另一种基于智能算法的优化控制方法是粒子群优化算法。

粒子群优化算法是一种模拟鸟群觅食行为的优化算法。

它通过模拟粒子在解空间中的搜索和追随行为，来寻找最优解决方案。

粒子群优化算法的优势主要在于其搜索速度快、易于理解和实现。

在控制系统中，粒子群优化算法可以用来确定控制器的参数，以在系统动态变化时保持较好的性能。

除了遗传算法和粒子群优化算法，还有许多其他的智能算法被应用于优化控制领域。

例如蚁群优化算法、模拟退火算法、人工免疫算法等等。

这些算法都通过模拟自然界生物行为的方式，对问题的搜索和优化进行模拟。

它们在不同的问题和控制系统中具有不同的优势和适用性。

未来，基于智能算法的优化控制方法将继续得到发展和应用。

随着智能算法的不断进化和改进，优化控制方法将更加准确和高效。

同时，优化控制方法也将和其他控制方法结合，形成更加强大的控制方案。

智能优化算法自动生成软件测试数据的方法探析的研究报告

智能优化算法自动生成软件测试数据的方法探析的研究报告随着信息技术的迅猛发展，软件应用的重要性也越来越凸显。

对于软件应用的测试，一般需要验证其功能、性能、稳定性以及安全性等方面，而测试数据的产生是此过程中必不可少的一环。

在软件测试过程中，手动编写测试数据需要耗费大量时间和精力，并且难以保证测试数据的覆盖率和质量。

因此，自动生成软件测试数据是目前研究的重点之一。

本文将探析一种智能优化算法自动生成软件测试数据的方法，并从实验结果中分析其优缺点。

智能优化算法是一种基于现代优化理论的算法，具有搜索速度快、精度高等优点。

借助智能优化算法生成测试数据，可以提高测试数据的质量和效率。

目前比较有代表性的智能优化算法包括遗传算法、粒子群算法、蚁群算法等。

这些算法均以模拟自然界优化的过程为基础，通过迭代、选择、交叉、变异等操作来产生出趋于全局最优解的结果。

在软件测试中，常常需要生成满足某些约束条件的测试数据，如输入数据的类型、范围、数量、格式等。

这些约束条件可以转化为优化问题的目标函数和限制条件，然后将其输入到优化算法中进行求解。

比如，遗传算法可以通过编码、交叉、变异等操作来生成符合规定范围的测试数据，而粒子群算法可以根据输入的目标函数和约束条件来调整粒子的运动轨迹来找到最优解。

在具体的实践中，可以采用多种智能优化算法对软件进行测试数据的自动生成。

例如，在某个特定的应用场景下，可以使用遗传算法优化算法来生成测试数据，而在不同场景下则可以采用其他优化算法进行数据生成。

通过实验证明，智能优化算法可以提高测试数据生成的效率和质量。

在实验中，将某款软件随机生成测试数据和使用基于遗传算法的测试数据生成工具随机生成的测试数据进行比较，结果显示后者的效果更加优秀，覆盖率更高，且可以更快地发现漏洞和问题。

另外，还需要注意到的一点是，虽然使用智能优化算法可便于快速生成测试数据，但仍然需要将生成的测试数据进行人工检查，防止出现偏差。

综上所述，智能优化算法在软件测试数据生成领域具有良好的应用潜力。