Test Data Generation for Software Testing Based on Quantum-Inspired Genetic Algorithm
Test Data Generation for Software Testing Based on Quantum-Inspired Genetic Algorithm
复制标题
基于量子启发遗传算法的软件测试测试数据生成
DOI：
10.1142/s1469026813500041
复制
发表时间：
2013-03
影响因子：
1.8
通讯作者：
喻新欣
中科院分区：
文献类型：
--
作者：
毛澄映;喻新欣
测试数据的质量对软件测试的效果有着重要的影响，因此测试数据的生成一直是发现程序代码中潜在错误的关键任务。在结构测试中，主要目标是用一些特定的输入来覆盖某些类型的结构元素。基于搜索的测试数据生成为处理这一难题提供了一种合理的方法。在过去，一些著名的元启发式搜索算法已经成功地解决了这个问题。本文引入了遗传算法（GA）的一种变体——量子启发遗传算法（QIGA）来生成具有更强覆盖能力的测试数据。该算法将传统的二进制位替换为量子位（Q-bit），扩大了搜索空间，避免陷入局部最优解。另一方面，为了提高算法效率和测试数据质量，还采用了量子旋转门和突变运算等策略。此外，还对八个实际程序进行了实验分析，以验证我们的方法的有效性。结果表明，与基于遗传算法的方法相比，基于qiga的方法可以在更小的收敛代内生成覆盖率更高的测试数据。更重要的是，该方法对算法参数的变化具有更强的鲁棒性。
The quality of test data has an important impact on the effect of software testing, so test data generation has always been a key task for finding the potential faults in program code. In structural testing, the primary goal is to cover some kinds of structure elements with some specific inputs. Search-based test data generation provides a rational way to handle this difficult problem. In the past, some well-known meta-heuristic search algorithms have been successfully utilized to solve this issue. In this paper, we introduce a variant of genetic algorithm (GA), called quantum-inspired genetic algorithm (QIGA), to generate the test data with stronger coverage ability. In this new algorithm, the traditional binary bit is replaced by a quantum bit (Q-bit) to enlarge the search space so as to avoid falling into local optimal solution. On the other hand, some other strategies such as quantum rotation gate and catastrophe operation are also used to improve algorithm efficiency and quality of test data. In addition, experimental analysis on eight real-world programs is performed to validate the effectiveness of our method. The results show that QIGA-based method can generate test data with higher coverage in much smaller convergence generations than GA-based method. More importantly, our proposed method is more robust for algorithm parameter change.
登录
查看更多内容
影响因子：
2.7
作者：
Gexiang Zhang
通讯作者：
Gexiang Zhang
影响因子：
14.3
作者：
Han, KH;Kim, JH
通讯作者：
Kim, JH
DOI：
--
发表时间：
1985-08
期刊：
--
影响因子：
--
作者：
D. Hedley;M. Hennell
通讯作者：
D. Hedley;M. Hennell
DOI：
10.1109/cec.2008.4630993
发表时间：
2008-06
期刊：
2008 IEEE Congress on Evolutionary Computation (IEEE World Congress on Computational Intelligence)
影响因子：
--
作者：
Jing Xiao;YuPing Yan;Ying-biao Lin;Ling Yuan;Jun Zhang
通讯作者：
Jing Xiao;YuPing Yan;Ying-biao Lin;Ling Yuan;Jun Zhang
DOI：
10.1142/9789814527224_0012
发表时间：
1999-10
期刊：
--
影响因子：
--
作者：
Jochen Heistermann
通讯作者：
Jochen Heistermann