基于惩罚函数的演化测试优化方法研究  

Research on Evolutionary Testing Optimization Based on Penalty Function

作　　者：张楠[1] 周晓宇[1] 陈林[1] 

机构地区：[1]东南大学计算机科学与工程学院,南京210096

出　　处：《计算机与数字工程》2009年第4期1-3,共3页Computer & Digital Engineering

基　　金：国家杰出青年科学基金项目(编号:60425206);国家自然科学基金资助项目(编号:60403016;60633010);高等学校博士学科点专项科研基金(编号:20060286020);教育部-英特尔信息技术专项科研基金(编号:MOE-INTEL-08-12)资助项目

摘　　要：演化测试是一种有效的测试用例自动生成技术。它将测试用例的生成的过程转化为一个利用遗传算法进行数值优化的问题,可以自动生成高质量的测试用例。目前,演化测试技术已经在许多测试领域被广泛地研究。研究发现,演化测试过程中无效解和局部最优解的存在扰乱了演化正常进行,降低了演化测试的性能。针对演化测试中存在的问题,提出基于惩罚函数的适应值函数F(x),对无效解和局部最优解进行惩罚,有助于演化过程中根据适应值选择更合适的个体进行遗传操作,提高演化测试的性能。实验结果表明,F(x)有效降低了无效解和局部最优解的适应值,提高了演化测试的性能。Evolutionary Testing （ET） is a kind of efficient method of automatically test case generation. ET uses a kind of meta-heuristic search technique, the genetic algorithm, to convert the task of test case generation into an optimal problem. Nowadays, ET has been widely researched in many areas. However, the existing of invalid solution and local optimization solution disturbs the process of evolution. In this paper, we present a fitness function F（x）, which is based on penalty function, to penalty invalid solution and local optimization solution. The experimental results show that F（x） can reduce fitness value of invalid solution and local optimization solution, which help to choose the best fit individuals into the next iteration, and improve the performance of the ET in many cases.

关 键 词：演化测试 惩罚函数 无效解 退化现象 

分 类 号：TP391.1[自动化与计算机技术—计算机应用技术]