基于模拟退火—量子遗传算法的路径测试数据自动生成方法研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-21页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·本文研究内容 | 第17-18页 |
| ·本文的组织结构 | 第18-21页 |
| 2 软件测试的分类及测试数据自动生成技术 | 第21-33页 |
| ·软件测试分类 | 第21-27页 |
| ·静态测试 | 第21-22页 |
| ·动态测试 | 第22页 |
| ·黑盒测试 | 第22-23页 |
| ·白盒测试 | 第23-27页 |
| ·测试数据自动生成方法 | 第27-31页 |
| ·面向功能的测试数据的自动生成 | 第28页 |
| ·面向结构的测试数据的自动生成 | 第28-31页 |
| ·本章小结 | 第31-33页 |
| 3 模拟退火-量子遗传算法 | 第33-51页 |
| ·量子遗传算法 | 第33-37页 |
| ·量子位 | 第34-35页 |
| ·量子门表示 | 第35-37页 |
| ·改进的量子遗传算法 | 第37-43页 |
| ·角度编码量子位 | 第38-39页 |
| ·新的动态旋转角策略 | 第39-40页 |
| ·Hadamard门(H门)变异操作 | 第40-41页 |
| ·改进的量子遗传算法流程 | 第41-43页 |
| ·模拟退火算法 | 第43-44页 |
| ·模拟退火算法的构成要素 | 第43-44页 |
| ·模拟退火算法流程 | 第44页 |
| ·模拟退火-量子遗传算法 | 第44-49页 |
| ·SA-QGA算法描述 | 第45页 |
| ·SA-QGA算法的优点 | 第45-46页 |
| ·各算法性能对比实验 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 4 基于模拟退火-量子遗传算法的测试数据自动生成 | 第51-65页 |
| ·测试数据生成框架 | 第51-52页 |
| ·被测程序静态分析 | 第52-56页 |
| ·程序插桩设计 | 第52-53页 |
| ·参数编码设计 | 第53-54页 |
| ·适应度函数的设计 | 第54-56页 |
| ·SA-QGA算法的设计 | 第56-57页 |
| ·SA-QGA算法在测试数据生成框架中的实现 | 第57-62页 |
| ·种群初始化 | 第58页 |
| ·计算相应函数的适应度值 | 第58-59页 |
| ·最佳个体的设计 | 第59页 |
| ·量子遗传算子的实现 | 第59-61页 |
| ·退火操作 | 第61-62页 |
| ·算法时间度分析 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 5 仿真实验结果及分析 | 第65-77页 |
| ·数据生成实验构造 | 第65-68页 |
| ·测试数据自动生成结果分析 | 第68-74页 |
| ·模拟退火-量子遗传算法自动生成测试数据采样 | 第68-71页 |
| ·量子遗传算法生成测试数据采样 | 第71-72页 |
| ·SA-QGA及QGA的测试数据生成对比 | 第72-74页 |
| ·时间复杂度验证 | 第74页 |
| ·本章小结 | 第74-77页 |
| 6 结论及展望 | 第77-79页 |
| ·结论 | 第77-78页 |
| ·展望 | 第78-79页 |
| 参考文献 | 第79-86页 |
| 攻读学位期间的研究成果 | 第86页 |
