| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-15页 |
| 1.3.1 基于神经网络技术的测试用例生成时间预测 | 第14页 |
| 1.3.2 基于强化学习技术的测试用例自动生成 | 第14-15页 |
| 1.3.3 基于分支限界测试用例生成框架的等式约束处理策略 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关技术 | 第17-29页 |
| 2.1 神经网络技术 | 第17-20页 |
| 2.1.1 神经元模型与感知机 | 第17-18页 |
| 2.1.2 误差逆传播算法与多层网络 | 第18-20页 |
| 2.1.3 局部最小与全局最小问题 | 第20页 |
| 2.2 强化学习技术 | 第20-23页 |
| 2.2.1 马尔科夫决策 | 第21-22页 |
| 2.2.2 探索与利用策略 | 第22页 |
| 2.2.3 免模型学习策略 | 第22-23页 |
| 2.3 分支限界法 | 第23-24页 |
| 2.4 代码测试技术 | 第24-29页 |
| 2.4.1 代码测试系统CTS | 第24-26页 |
| 2.4.2 区间运算 | 第26-27页 |
| 2.4.3 面向路径的测试用例生成 | 第27页 |
| 2.4.4 基于分支限界的测试用例自动生成框架 | 第27-29页 |
| 第三章 基于神经网络技术的测试用例自动生成时间预测 | 第29-42页 |
| 3.1 问题描述 | 第29-31页 |
| 3.1.1 问题提出 | 第29-30页 |
| 3.1.2 问题定义 | 第30-31页 |
| 3.2 数据准备 | 第31-34页 |
| 3.2.1 实例分析及函数级数据集 | 第32-33页 |
| 3.2.2 数据清洗及文件级数据集 | 第33-34页 |
| 3.3 模型确立与实现 | 第34-38页 |
| 3.3.1 模型的确定 | 第34-35页 |
| 3.3.2 模型的实现 | 第35-36页 |
| 3.3.3 模型的优化 | 第36-38页 |
| 3.4 实验 | 第38-41页 |
| 3.4.1 实验配置 | 第38页 |
| 3.4.2 实验结果和分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于强化学习技术的测试用例自动生成 | 第42-55页 |
| 4.1 问题描述 | 第42-43页 |
| 4.1.1 问题提出 | 第42-43页 |
| 4.1.2 问题定义 | 第43页 |
| 4.2 强化学习模型的构架及算法描述 | 第43-48页 |
| 4.2.1 构建状态集 | 第43页 |
| 4.2.2 构建动作集 | 第43-45页 |
| 4.2.3 构建奖惩函数 | 第45-46页 |
| 4.2.4 算法描述 | 第46-48页 |
| 4.3 实例分析 | 第48-51页 |
| 4.4 实验 | 第51-54页 |
| 4.4.1 实验环境 | 第51页 |
| 4.4.2 实验结果和分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于分支限界约束求解框架的等式处理策略 | 第55-69页 |
| 5.1 问题描述 | 第55-56页 |
| 5.2 算法描述和实现 | 第56-61页 |
| 5.3 实例分析 | 第61-64页 |
| 5.3.1 等式有单一解 | 第61-62页 |
| 5.3.2 等式有多解 | 第62页 |
| 5.3.3 等式无解 | 第62-64页 |
| 5.4 实验 | 第64-68页 |
| 5.4.1 实验环境 | 第64页 |
| 5.4.2 等式成立策略分析 | 第64-66页 |
| 5.4.3 测试实际工程 | 第66-67页 |
| 5.4.4 与Choco约束求解器比较 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 工作总结 | 第69页 |
| 6.2 下一步工作 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士期间发表的学术论文目录 | 第75页 |
