摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第10-20页 |
1.1 引言 | 第10-11页 |
1.2 研究背景与现状 | 第11-18页 |
1.2.1 软件测试的发展 | 第11页 |
1.2.2 测试数据生成方法 | 第11-14页 |
1.2.3 基于启发式搜索算法的研究 | 第14-16页 |
1.2.4 国内外研究现状 | 第16-18页 |
1.3 研究内容与意义 | 第18-19页 |
1.4 本文结构 | 第19-20页 |
2 粒子群优化算法 | 第20-26页 |
2.1 标准粒子群算法原理 | 第20-22页 |
2.2 粒子群算法的特点 | 第22页 |
2.3 粒子群算法的收敛性分析 | 第22-24页 |
2.3.1 粒子轨迹收敛分析 | 第22-24页 |
2.3.2 粒子速度收敛分析 | 第24页 |
2.4 粒子群算法的设计步骤及流程图 | 第24-25页 |
2.5 本章小结 | 第25-26页 |
3 基于约减的自适应粒子群算法的测试数据自动生成 | 第26-35页 |
3.1 自适应粒子群算法(adaptive particle swarm optimization, APSO) | 第26-27页 |
3.2 约减的自适应粒子群算法(RAPSO) | 第27-28页 |
3.2.1 约减粒子群进化方程 | 第27页 |
3.2.2 基于惯性权重w的自适应调整方案 | 第27-28页 |
3.3 RAPSO与测试数据自动生成 | 第28-31页 |
3.3.1 适应度函数构造 | 第28-29页 |
3.3.2 基于RAPSO的测试数据自动生成模型 | 第29-30页 |
3.3.3 RAPSO算法步骤 | 第30-31页 |
3.3.4 RAPSO算法复杂性分析 | 第31页 |
3.4 实验 | 第31-34页 |
3.4.1 实验方案 | 第31页 |
3.4.2 参数设置 | 第31-32页 |
3.4.3 实验结果 | 第32-34页 |
3.5 本章小结 | 第34-35页 |
4 基于混合粒子群算法的测试数据自动生成 | 第35-46页 |
4.1 六种粒子群拓扑结构分析 | 第35-36页 |
4.2 混合拓扑结构的粒子群算法(MPSO) | 第36-38页 |
4.2.1 全局模型(Global particle swarm optimization, GPSO) | 第36-37页 |
4.2.2 局部模型(Local particle swarm optimization, LPSO) | 第37页 |
4.2.3 混合模型MPSO | 第37-38页 |
4.3 MPSO与测试数据自动生成 | 第38-41页 |
4.3.1 适应度函数构造 | 第38-39页 |
4.3.2 基于MPSO的测试数据自动生成模型 | 第39-40页 |
4.3.3 MPSO算法实现步骤 | 第40-41页 |
4.4 实验 | 第41-45页 |
4.4.1 实验方案 | 第41页 |
4.4.2 参数设置 | 第41-42页 |
4.4.3 实验结果 | 第42-45页 |
4.5 本章小结 | 第45-46页 |
5 基于自适应混沌粒子群算法的测试数据自动生成 | 第46-55页 |
5.1 自适应混沌粒子群算法(ACPSO) | 第46-48页 |
5.1.1 基于惯性权重w的自适应调整方案 | 第46页 |
5.1.2 混沌粒子群算法 | 第46-48页 |
5.2 APSO与CPSO | 第48页 |
5.2.1 自适应粒子群算法(APSO) | 第48页 |
5.2.2 混沌粒子群算法(CPSO) | 第48页 |
5.3 ACPSO与测试数据自动生成 | 第48-51页 |
5.3.1 适应度函数构造 | 第48页 |
5.3.2 基于ACPSO的测试数据自动生成模型 | 第48-49页 |
5.3.3 ACPSO算法步骤 | 第49-50页 |
5.3.4 ACPSO算法复杂性分析 | 第50-51页 |
5.4 实验 | 第51-54页 |
5.4.1 实验方案 | 第51-52页 |
5.4.2 实验环境 | 第52页 |
5.4.3 实验结果 | 第52-54页 |
5.5 本章小结 | 第54-55页 |
6 总结与展望 | 第55-57页 |
6.1 总结 | 第55-56页 |
6.2 展望 | 第56-57页 |
参考文献 | 第57-61页 |
个人简历、在学期间参加的科研项目及发表的论文 | 第61-62页 |
致谢 | 第62页 |