| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于组合覆盖的测试用例集约简技术 | 第9页 |
| 1.2.2 基于测试需求集的测试用例集约简技术 | 第9-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 主要创新点 | 第12页 |
| 1.5 论文结构 | 第12-14页 |
| 第2章 测试用例集约简的理论基础 | 第14-24页 |
| 2.1 引言 | 第14-15页 |
| 2.2 定义及基本术语 | 第15-16页 |
| 2.3 现有约简方法分析 | 第16-20页 |
| 2.3.1 贪心算法 | 第16-17页 |
| 2.3.2 HGS算法 | 第17-18页 |
| 2.3.3 GE&GRE算法 | 第18-19页 |
| 2.3.4 整数规划算法 | 第19-20页 |
| 2.3.5 需求驱动的测试用例集约简方法 | 第20页 |
| 2.4 错误检测力 | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 聚类分析及相关算法 | 第24-32页 |
| 3.1 聚类分析的概念及相关术语 | 第24-26页 |
| 3.1.1 聚类 | 第24-25页 |
| 3.1.2 聚类分析概念 | 第25-26页 |
| 3.2 聚类分析算法的分类 | 第26-30页 |
| 3.2.1 划分聚类分析方法 | 第27页 |
| 3.2.2 层次聚类分析方法 | 第27-28页 |
| 3.2.3 基于密度的聚类分析方法 | 第28页 |
| 3.2.4 基于网格的聚类分析方法 | 第28页 |
| 3.2.5 基于模型的聚类分析方法 | 第28-29页 |
| 3.2.6 高维数据的聚类分析方法 | 第29页 |
| 3.2.7 基于约束的聚类分析方法 | 第29-30页 |
| 3.3 聚类分析相似度准则 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 K中心点算法在测试用例集约简问题中的应用 | 第32-44页 |
| 4.1 K均值(K-MEANS)算法与K中心点(K-MEDOIDS)算法 | 第32-38页 |
| 4.1.1 K均值(K-MEANS)算法 | 第32-34页 |
| 4.1.2 K中心点(K-MEDOIDS)算法描述 | 第34-36页 |
| 4.1.3 K中心点(K-MEDOIDS)算法流程 | 第36-38页 |
| 4.2 运用K中心点算法的聚类过程 | 第38-40页 |
| 4.3 K中心点算法在测试用例集约简中的算法模型 | 第40-43页 |
| 4.3.1 算法模型 | 第40-41页 |
| 4.3.2 算法实现 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 算法的实现及性能分析 | 第44-52页 |
| 5.1 实验目的与方案 | 第44页 |
| 5.2 实验运行环境 | 第44页 |
| 5.3 实验 | 第44-52页 |
| 5.3.1 实验 | 第44-45页 |
| 5.3.2 系统界面 | 第45-46页 |
| 5.3.3 实验结果与数据分析 | 第46-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 论文总结 | 第52页 |
| 6.2 未来工作展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间公开发表的论文 | 第58页 |
