粒子群与遗传算法在变异测试数据生成中的比较评估

沙特国王大学学报粒子群和遗传算法用于测试数据生成的变异测试：比较评估Nishtha Jatanaa， Bharti SuribaUSICT和印度新德里MSIT计算机科学与工程系bUSICT，GGSIPU，新德里，印度阿提奇莱因福奥文章历史记录：收到2019年2019年4月23日修订2019年5月15日接受在线发售2019年保留字：基于粒子群搜索的变异测试遗传算法测试用例生成测试用例优化A B S T R A C T基于搜索的测试数据生成在最近得到了普及。突变测试可以帮助提高生成的测试数据的有效性。我们最近提出了PSO-MT（粒子群优化与突变测试）用于生成测试数据。在本文中，我们加强了我们的pro-budget应用所提出的方法对较大的程序从软件工件基础设施库（SIR）。粒子群算法与遗传算法具有相似的工作特性，遗传算法已被广泛应用于变异测试数据的进化。结果进行评估，对比较与遗传算法用于突变测试（GA-MT）的测试数据的生成，这是已经实现了基于搜索的突变测试的文献。结果表明，在大多数基准程序中，PSO- MT的计算效率都优于GA-MT。进行了统计检验（MannWhitneyU检验），以统计分析所提供的结果。©2019作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍变异测试作为一种度量测试集充分性的技术得到了广泛的应用。一项广泛的调查（Jia和Harman，2010）给出了详细的分析，并列出了突变测试的各种应用。它已被应用于不同层次的测试，如单元测试，集成测试，规格测试，并在设计级，以验证模型的程序。它也被应用于各种 编 程 语 言 ， 如 FORTRAN ， ADA ， C ， C# ， Java 等 等 （ Jia 和Harman，2010）。在本文中，两个元启发式算法已被应用和评估的测试数据生成使用变异测试。第一种算法是一种进化算法，即遗传算法（GA），第二种算法是粒子群优化算法*通讯作者。电子邮件地址：nishtha. gmail.com（N. Jatana），bharti@ipu.edu（B. Suri）。沙特国王大学负责同行审查（PSO），其是基于群智能的优化算法。GA和PSO是模拟生命系统的人工智能技术，这两种基于种群的算法试图通过在每次迭代中使用确定性和概率性规则来改进种群。遗传算法是公知的和探索最多的元启发式算法之一（Hassan等人， 2005年）。GA解决计算问题的历史Hassan等人（2005）比较了GA和PSO的计算效率Kennedy和Eberhart（1995）提出了PSO作为一种随机技术;模仿自然界中与动物运动相关的社会行为PSO最初是在连续搜索空间中提出的。为了适 用 于 离 散 问 题 ， 出 现 了 一 种 新 的 PSO 版 本 ， 称 为 离 散 PSO（DPSO）（Kennedy等人，1997年）。从那时起，人们提出了许多DPSO方法，并将其应用于许多离散问题（Jordehi和Jasni，2015）。本文是我们以前的会议论文（Jatana等人，2016年，我们比较了基本原则，并给出了PSO应用于变异测试的测试数据生成（PSO-MT）的程序框图。这篇扩展论文的贡献包括：https://doi.org/10.1016/j.jksuci.2019.05.0041319-1578/©2019作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comN. 哈塔纳湾Suri/ Journal of King Saud University515对PSO-MT算法进行了形式化描述PSO-MT和GA-MT已经在基准程序上进行了测试PSO-MT和GA-MT已经在基准程序● 实证结果得到了统计学的证实。本文的其余部分组织如下：第2节详细介绍了PSO作为一种优化技术的发展第三节综述了遗传算法在突变检测中的应用第4节详细介绍了PSO-MT。实验装置和研究问题在第5节中陈述。第6节解释了从PSO-MT和GA-MT的经验评估中获得的结果。第7解释了工作有效性的威胁，第8节总结了所呈现的结果。2. 粒子群优化技术用粒子群方法优化非线性连续函数的概念是由Kennedy和Eberhart（1995），Eberhart et al.（1996）提出的。它从Heppner et al.（1990）的工作中获得了动力。Kennedy自1995年提出粒子群算法以来，对粒子群算法的性质和行为进行了深入的研究.该算法一直更新到2009年。本节列出了这些年来取得的各种进展。 在1997年，Kennedy&Eberhart介绍了PSO的离散二进制版本（Kennedy et al.，1997年）。1998年，Shi和Eberhart（1998）分析了惯性权重和最大速度等参数对PSO效率的影响。它们还为选择这些参数提供了准则。Kennedy提出了PSO与生物社会互动之间的关系（Kennedy，1997）.在1998年，Kennedy研究了粒子群算法中不同超参数值的搜索过程中粒子的行为和轨迹。2000年，Eberhart和Shi（2000）在五个基准函数上使用惯性权 重结合 收缩因 子评估 了PSO算法 的性能 。2002 年，Clerc和Kennedy（2002）分析了粒子在离散和连续时间中的轨迹。在此基础上，对粒子在复搜索空间中的运动进行了分析，并对原算法进行了改进和测试。2003年，Kennedy（2003）通过取消速度公式对PSO算法进行了修改，并将其与其他版本的PSO算法进行了比较。Kennedy在2005年（Kennedy，2005）给出了“高斯动态粒子群（GDPS）"，一种动态和概率形式的PSO，并在六个基准函数上将其性能与规范版本的PSO和完全知情的粒子群版本进行了实证比较。他声称GDPS优于完全知情的粒子群。Kennedy（2005）还解释了速度项的必要性和贡献在PSO算法的性能。2006年，Kennedy（2006）将PSO算法分解为基本的和定性的组件，以便理解和改进算法，并对算法进行进一步的研究 。 在 2007 年 ， Bratton 和 Kennedy （ 2007 ） 定 义 了 Kennedy（2007）讨论了过去十年中PSO算法发展中观察到的各种问题和实践。Mendes和Kennedy（2007）探索了两种形式的高斯粒子群算法。3. GA-MT的文献综述遗传算法是一种启发式搜索算法，它实现了生物进化中最基本的概念之一的自然选择。它开始于随机选择的candi的初始种群日期解决方案这个初始种群有一些与之相关的可识别的属性，称为染色体或基因型。染色体使遗传操作，如变异，交叉和选择。一个问题的具体适应度函数evalu- ates在每次迭代的每个候选解决方案中的个人的适应度这对于通过应用变异算子随机选择更适合的个体以改变染色体是必要的，从而在每一步导致优化的候选解。迭代过程以根据计算问题选择的终止标准结束。Jones等人（1998）通过自动化结构测试中的代码覆盖标准，使用遗传算法自动生成测试数据，并使用突变分数评估生成的测试数据，以揭示其有效性。Bottaci（2001）给出了一个适应度函数，该函数基于测试数据必须满足的三个条件（可达性、充分性和必要性）来杀死突变体。Baudry等人使用GA用于通过使用突变分数作为Eiffel语言的适应度函数（使用Pylon库）来生成测试套件（Baudry等人，2000年a、b）。Baudry等人后来将使用GA的测试数据生成结果与称为细菌算法的新的元启发式技术进行了比较（Baudry等人，2002年b，2005年）。 Masud等人（2005）通过提出一个模型将被测程序及其相应的突变体划分为程序单元，将GA用于测试数据生成。在这些程序单元中有选择地进行故障查找。Botacci的适应度函数被用来衡量生成的测试集的有效性。Ayari等人（2007）使用Botacci的适应度函数设计了蚁群优化，以降低测试数据生成的成本。用遗传算法和爬山法的结果对该方法进行了实证评估。Molinero等人（2009）提出了一种利用遗传算法和突变测试生成有限状态机测试用例集的方法这项工作提出了一种方法，并命名为“GAMuT”，包括三个阶段。Mishra等人（2010）使用带有突变测试的精英遗传算法来生成测试数据。 Rad等人（2010）对遗传算法和细菌学算法进行了比较评价，以使用突变测试来细化测试数据。Moncao等人（2013年）使用带有突变测试的GA来找到一个简化的数据集，该数据集擅长检测SQL指令中的错误。涉及GA和突变测试的其他相关出版物包括（Fraser和Zeller，2012; Haga和Suehiro，2012;Bashir和Nadeem，2013; Rad和Bahrekazemi，2014）。GA-MT，如May等人所述。（2007）通过以下方式发展测试套件：将其视为迭代进化的个体群体。GA-MT首先随机选择一个测试用例的初始种群（大小为“n”），这些测试用例是随机选择的，并与输入到PUT（Programs Under Test）的约束相关联。染色体由测试用例表示，基因由输入变量所持有的值表示。然后，GA迭代地旨在通过generation来改进种群生成。每代测试用例的选择依据一个拟合函数.适应度是通过它们杀死的非等价突变体的数量来衡量的。每一代的人口是遗传进化使用运营商（选择，交叉和变异）。GA继续迭代直到满足终止条件。遗传算法的一般结构有以下组成部分：a) 初始群体（预期解决方案的遗传表示）b) 染色体（代表初始群体的性质）c) 适应度函数（特定于问题）d) 遗传算子（选择、交叉、变异）e) 参数值（突变率和交叉率）。●●●516N. 哈塔纳湾Suri/ Journal of King Saud University-----如上所定义的系统组件已被映射到May等人（2007）使用突变测试的测试数据演化问题，如下所示：a) 初始种群映射到随机b) 一个染色体由一个测试用例表示c) 适应度由测试用例的变异值决定d) 遗传算子（选择、交叉、变异）在测试用例中的应用e) 突变率为0.06，交叉率为0.70（如（Ayari et al.， 2007））。4. 粒子群优化算法在变异测试中的应用由Kennedy和Eberhart提出的PSO需要较少的算法和速度，因此计算成本较低（Kennedy和Eberhart，1995）。该技术首先定义一个超空间，然后随机选择一些粒子在其中.每个粒子有位置！xi在这个多维超空间中运动速度！v i 其由范围Vmax限制。一个prede-Fined函数，f最初使用粒子的位置作为其输入参数来评估。在每个时间步，每个粒子的位置和速度被调整，从而函数f也被评估。当一个职位被发现，前一个位置，其坐标存储在一个矢量！pi那个表示到目前为止第i个粒子找到的最佳点每个粒子的速度在每一步通过随机增加两项来调整这两个项中的一个项使用之间！我和！xi，第二项使用dif进行评估Fig. 1. PSO的伪代码[来源：（Clerc and Kennedy，2002）]利用变异测试生成有效测试用例的过程表示为状态空间搜索。用于搜索空间中的运动的控制策略是粒子群优化。启发式搜索过程从随机初始化的粒子群（测试用例）开始。搜索过程的目标是继续粒子在搜索空间中的运动，并继续寻找测试用例，直到在搜索函数中有一个陡峭的上升。PSO-MT的启发式函数以生成的测试用例为参数，返回被杀死的突变体总数。只有当它杀死了在算法过程中还没有被杀死的突变体时，这个测试用例才被添加到测试套件中。粒子（测试用例）通过调整其位置和速度来探索搜索空间。X（速度标度向量）乘以速度表达式以避免爆炸，因此其值保持在1以下。保持太低可能会导致算法邻居d的最佳位置p之间的距离！G显示了PSO的伪代码。速度调整-v！id¼-v！同上，1. -p！id--x！2. -p！gdx！id还有！Xi.图 1进展缓慢，因此一直保持在0.98。通过考虑所定义的搜索空间，为每个基准程序单独确定参数Vmax为了这个项目。另一组算法参数是u1和u2，它们分别表示粒子向其最佳位置和全局最佳位置移动的程度。 他们是在0和1之间随机分配的值，每次新在V！ID 是第d维的速度，u1（p！ID -x！id）和u2（p！GD -x！id）是对速度进行的随机调整在前一步。X是应用于速度调整的收缩系数，其确定函数f在搜索空间内的收敛程度。u1和u2是正整数，随机选择，并具有上限umax，这是一个参数。系统的参数u1和u2的随机选择导致一个“酒鬼的散步”。传统的解决方法是用参数Vmax来限制速度。已经提出了处理爆炸问题的其他方法（Clerc和Kennedy，2002）。PSO在计算机科学和工程的各个领域都有应用（Shi和Eberhart，2009）。它已被反复应用于电力系统（Eberhart和Shi，2001年）。PSO，最初提出，处理连续非线性函数和二进制空间中的问题的优化（Kennedy和Eberhart，1995）。从那时起，人们就对其改进、变体和参数选择进行了广泛的研究。为了使PSO适用于离散性质的优化问题，已经采用了各种策略，如调查（Gudise和Venayagamoorthy，2003）中所述。这种离散形式的PSO（称为DPSO）已被应用于（Jordehi和Jasni，2015;Ziari和Jalilian，2010）。在所提出的算法（PSO-MT）中，在算法的过程中生成种群。如果启发式函数的值在很长一段时间内没有变化，也就是说，我们在搜索空间中的一个平台区域被困了一定的阈值时间，那么粒子在超空间中的探索过程就会终止。这种终止标准背后的原因是突变测试文献中的一个公认事实（Jia和Harman，2010），即一些突变体易于消除，一些难以杀死，其余的是等效突变体。这一事实给出了一个逻辑结论，即最初在搜索空间中的移动必然会非常频繁地增加启发函数的值，这意味着启发函数将有一个陡峭的上升这个频率会不断下降，最后当达到一个平台区域时，那些没有被杀死的变种人将是很难杀死的变种人。在搜索空间中移动超过该点不会很快导致启发式函数的值增加即使它增加了，这将是一个微不足道的增加，并在搜索空间的巨大运动因此，在检测到平台区域之后进一步前进是不重要的，因此终止搜索为了提高算法的性能，该算法适用于多个起始状态，并且起始状态应彼此位于一定的位移。下表映射了PSO与PSO-MT的组件（表1）。N. 哈塔纳湾Suri/ Journal of King Saud University517.Σ. - 是的Σ←←þ¼←þ←þ←þ表1PSO与PSO-MT的映射。PSO中系统的组件是：系统，已经映射到使用突变测试的测试数据的进化问题，如下所示：a) 超空间中的粒子b) 超空间的维数c) 超空间的定义（每个维度的上下界的d) 每个维度e) 粒子数（粒子数）f) 终止条件a) 超空间中的粒子被映射到初始测试用例，这些测试用例是搜索空间中随机选择的点b) 超空间中的维数对应于被测程序的输入数或测试用例中的值数c) 超空间由每个维度的上界和下界定义，从而限制了搜索空间。d) 位置向量是测试用例（粒子）在超空间中的位置的向量，每个维度中粒子的速度向量是测试用例（粒子）在超空间中的位置相对于时间的变化率。位置矢量和速度矢量都在每次迭代时更新。e) 群体大小（粒子数）是初始测试套件中测试用例的数量f) 终止条件PSO-MT算法如下所示：n迭代次数s总体的大小粒子的位置矢量v粒子的速度矢量（最初随机选择，受PUT输入值范围的限制pb每个粒子的个人最佳位置的向量u1与粒子个人最好u2与全局最佳相关的系统参数D维数t搜索阈值1 开始2 u1←random0;13 u2←random0;14 p i ←initPopulations; D5pbi← pi6 vi←initVelocity {\displaystyle\initVelocity};D {7i← 18notKilled< $08 whilei≤n do9j< $110 当j≤s时11 如果mScore PJ< mScore p bj 然后12pbj←pj13end if14pg← minGlobal小程序15天←116当d≤D时17vid ← vid1 pbid-pjd 2012年2月28日，18pjd← pjd密码id19Dd120端21 jj122端23如果newlyKilledMutants值为20%，则24不杀不杀125其他26未杀死027end if28如果不是Killed测试，29打破30end if31我我132结束33端部5. 实验评价为了研究我们提出的方法的有效性，本节提出了研究问题和程序用于评估PSO-MT和GA-MT的测试数据生成。5.1. 研究问题使用变异测试和基于搜索的方法生成测试数据为了研究这些问题，提出了以下指定RQ所需的实验设置已与它们一起提及。RQ 1：PSO-MT是否能像GA-MT一样实现有效的解决方案？解决方案的有效性可以通过该方法杀死的突变体数量来衡量。为了评估PSO-MT和GA-MT的解的有效性，我们使用不同的初始种群大小（n = 10，15和20）执行算法。在理想条件下，给定无限长的时间，这两种算法中的任何一种都将近似于完全搜索，即随机生成测试用例，直到我们完全杀死所有可验证的突变体或使用搜索空间中所有可能的测试用例。虽然，在实际情况下，没有足够的时间来执行这样一个完整的搜索，也不可能获得一组可以完全杀死的突变体。因此，我们试图获得一个时间上可行的搜索算法的终点。我们运行算法，直到我们达到一个点，即使经过大量的迭代（在我们的实验中保持为1000），我们也无法杀死任何新的突变体。在这一点上，我们假设进一步杀死变种人是不可能的。作为为了对我们的假设进行合理性检查，我们以这种方式多次运行每个算法，以找到我们端点的近似值。对于一个给定的基准程序，我们总是以端点的相同值结束，这继续验证我们的假设。RQ 2：PSO-MT是否比GA-MT产生更高的计算效率？我们通过在五个基准程序上多次执行PSO-MT和GA-MT来回答这个问题。对结果进行比较评价的假设是，产生颗粒的时间是单位时间，并且对于GA-MT和PSO-MT是相同的因此，产生的粒子的数量决定了算法的收敛速度（更高的计算效率），给定了被杀死的突变体的数量。RQ 3：与GA-MT相比，PSO-MT产生的测试套件是否更小？使用基于搜索的突变测试生成的测试套件是一组能够杀死最大数量的突变体的测试用例。基于搜索的技术发展的测试用例，以揭示最大数量的故障。PSO-MT和GA-MT进化518N. 哈塔纳湾Suri/ Journal of King Saud University初始测试用例集，并生成一个测试套件，杀死最大数量的突变体。能够更早实现这一目标的方法据说收敛得更快。粒子的数量（在PSO-MT的情况下）和染色体的数量（在GA-MT的情况下）决定了测试套件的大小。5.2. 使用的程序如表2所示的五个程序已被用作测试台来测试我们提出的方法。第一个程序（三角形程序）用于使用其尺寸确定三角形的类型。这个程序已经被研究人员在突变测试领域使用了最多的次数（Mitchell，1996）。它 接受 三 个 整数 变 量作 为 输 入。 该 程序 的 代 码摘 自 Jia Harman（2008）的一篇论文，用于评估的初始测试用例是随机生成的。二次规划是另一个被许多研究用来评估的小规划。它采用二次方程的系数并返回方程的根。已经从SIR（软件工件基础设施库）下载了三个程序（TCAS、时间表1和时间表2）（Do等人，2005年），对所提出的方法进行实证评估。这些程序的SIR上可用的测试用例已被用作评估我们提出的方法的初始population。TCAS（Traffic Colli- sion AvoidanceSystem）是一个以12个整数变量为输入的避免或减少飞机碰撞的C程序。Schedule和Schedule2是区分scheduler优先级的C程序。6. 结果本节给出了研究问题的答案和实验评估的结果为了回答RQ 1，针对不同规模的初始群体多次执行PSO-MT和实验结果表明，这两种方法都探索了搜索空间，杀死了相同数量的突变体。这表明PSO-MT和GA-MT具有相似的解的有效性，并完全探索了搜索空间。基准程序获得的终点见表3。这些终点是通过所述方法杀死的突变体的总数（其对于PSO-MT和GA-MT两者是相同的表2受试者方案。表4针对不同大小的初始群体（对应于PSO-MT和GA-MT）生成的粒子数程序名S.no初始人口PSO-MT生成的微粒总数（测试用例）GA-MT生成的染色体（测试用例）数量三角形1101441133121596112013209011321二次110272120612152476271632023412301TCAs110199112,191215357112,736320196111,461附表110178127121513064213203181421附表211010012681215981307132010611781为了回答RQ 2，表4中报告了PSO-MT和GA-MT的执行结果。结果表明，PSO-MT在5个用于实证评估的基准程序中的3个程序中收敛较快。PSO-MT在三角形、调度2和TCAS的情况下性能更好。结果是可比的情况下，二次，而GA-MT表现更好的情况下，调度程序。表4显示了对应于GA-MT和PSO-MT的不同大小的初始群体产生的颗粒数。使用图表（图1）说明所述结果的图表。X轴表示杀死的突变体的数量，y轴表示在PSO-MT/GA-MT的情况下产生的颗粒/染色体的数量这些图描绘了算法的收敛由于两种算法杀死的突变体数量相同，因此在生成一定数量的粒子/染色体后，两条曲线都将指示在算法的终点，较早饱和的线表示该算法的较早收敛 该图还描述了对于基准程序（三角形、调度2和TCAS），PSO-MT收敛得更快。在二次型的情况下，两种算法的性能是相同的。而在调度问题上，GA-MT比PSO-MT收敛更快.为了对PSO- MT和GA-MT的评价结果进行统计分析，我们使用了Mann WhitneyU-检验，这是一种在SPSS中进行的非参数统计检验。这种检验称为Wilcoxon秩和检验，Wilcoxon双样本检验S.no主题名称程序尺寸（mm）说明曼-惠特尼-威尔科克森或Wilcoxon–Mann–Whitney选择非参数检验，因为我们没有证据表明1.三角形50确定三角形的类型，给定边长2.二次30确定一个二次方程3.TCAS173交通防撞系统4.附表412优先级15.附表2 374优先事项2表3受试者计划的终点。程序创建的突变体数量终点（在杀死的突变体中）三角形121 100二次型71 67TCAS 79 47计划85 66附表2137 113数据是正态分布的。测试的目的是检查如果一个样本随机地被另一个样本支配。检验的假设如下所述H 0：算法GA-MT和PSO-MT显示出相似的计算效率（计算时间），用于使用突变测试的测试数据生成。为了证明我们的研究假设并拒绝H0，统计分析结果如下所示U检验比较排序，Z检验比较分布差异，Wilcoxon在我们的例子中，自变量是所使用的达到饱和。我们选择Mann-WhitneyU检验，因为我们的因变量是有序的，但不是正态分布的。图中的“PSO-MT”表示PSO-MT，“GSO-MT”表示GA。N. 哈塔纳湾Suri/ Journal of King Saud University519表5结果的统计分析三角形规划算法N平均秩和电话：+86-510 - 8888888传真：+86-510 - 88888882 300 238.52 71555.00共计500人检验统计量ValMann-WhitneyU 26405.000WilcoxonW 71555.00Z- 2.272Asymp。Sig. （双尾）0.023二次规划算法N平均秩和值1 200 243.00 48599.502 300 255.50 76650.50共计500人检验统计量Val曼-惠特尼U 28499.50WilcoxonW 48599.50Z- 0.948Asymp。Sig. （双尾）0.343TCAS计划算法N平均秩和值1 248 167.31 41493.002 200 295.42 59，083共计448检验统计量ValMann-WhitneyU 10617.00WilcoxonW 41493.00Z- 10.411Asymp。Sig. （双尾）0.000时间表程序算法N平均秩和值1 150 204.83 30725.02150 96.17 14425.0共计300人检验统计量ValMann-WhitneyU 3100.00WilcoxonW 14425.00Z- 10.855Asymp。Sig. （双尾）0.000附表2程序算法N平均秩和值1 100 113.71 11371.02 150 133.36 20004.0共计250人检验统计量ValMann-WhitneyU 6321.0WilcoxonW 11371.0Z- 2.106Asymp。Sig. （双尾）0.035山平均等级表示所有执行的运行的终止时间的平均值。这里，较低的平均秩表示算法的较快收敛。在二次、TCAS和时间表2的情况下，PSO-MT的平均秩低于GA-MT，其中p值表明结果具有显著性（p 0.05）。而在二次的情况下，p值意味着结果的显著性较小，意味着我们的零假设可能是真的，概率为0.323（p）。在三角形和时间表的情况下，GA-MT具有比PSO-MT更低的平均秩，因此比GA-MT表现更好。520N. 哈塔纳湾Suri/ Journal of King Saud University图二. PSO-MT和GA-MT的图形分析。为了回答RQ 3，使用表5对我们的结果进行的分析清楚地表明，在大多数情况下，PSO-MT比GA-MT收敛得更快。产生的杀死突变体的粒子数小于产生的染色体数。这意味着PSO-MT产生的测试套件中的测试用例的数量将更少，因此测试套件的大小将更小，并且与GA-MT的情况下同样有效。这拒绝了H 0，因此我们可以说PSO-MT比GA-MT性能更好。图上面的图2显示了测试程序的比较结果。实线描绘PSO-MT的收敛速率，虚线（红色）表示GA-MT。X轴表示颗粒/染色体的数量，Y轴表示对应于颗粒/染色体的被杀死的突变体的数量。收敛速度较快的算法可以被认为是在最短的时间内产生有效的测试套件，因此被认为是有效的。7. 对有效性的这些技术已经实施，并在一定的设置条件下，如在文件中提到的比较。本节陈述了可能的算法相关和方法相关威胁，以及用于克服这些威胁的最佳可能处理方法。7.1. 算法相关算法的性能可能会有所不同，这取决于在研究中使用的元启发式算法的不同参数的值（X，u1和u2的情况下PSO-MT和变异率和交叉率GA-MT）。最佳配置在实践中是未知的，因此我们使用了相同的配置。在（Jones等人， 1998年）和PSO [47]。N. 哈塔纳湾Suri/ Journal of King Saud University5217.2. 方法学方面初始测试集不可避免地影响算法的性能。因此，我们选择了不同大小的初始测试套件，每次随机生成，并在两种算法上执行1000次迭代。变异算子的设置会影响算法的性能。因此，我们采用了MILU1工具所采用的77个C突变算子的标准集对所呈现结果的有效性的一个可能威胁可能是，我们在评价结果时没有考虑等效突变体和包含的突变体，并处理了所有产生的具有同等价值的突变体。另一个可能的威胁可能是使用的适应度函数我们使用了被该技术杀死的突变体的计数作为拟合函数。考虑可达性、感染和传播的适应度函数也可以用来检验比较技术的效率。突变体和真实故障之间的关系也可能对我们的实验结果的有效性构成威胁8. 结论在这项工作中，我们提出了一种方法（PSO-MT）的进化生成和选择的测试数据的基础上，再加上PSO变异测试的概念，所提出的技术模仿社会互动的行为（这是PSO的基础）优化进化生成的测试数据。PSO-MT的性能进行了比较，遗传算法的测试数据生成使用变异测试（GA/MT）。所提出的方法（PSO-MT和GA-MT）已被评估有限数量的程序，不采取动态输入。从实证评估的结果，可以说，PSO-MT执行速度比GA/MT，这是最常用的算法SBMT。PSO-MT的有效性与GA-MT的有效性相当，因为我们测试的几乎所有程序;我们能够用这两种方法杀死相同数量的突变体。然而，我们的研究结果表明，PSO-MT能够实现这种有效性比GA-MT更高的效率换句话说，如果我们以相同的群体大小开始PSO-MT和GA-MT，那么PSO-MT将需要比GA-MT更少的迭代来杀死相同数量的突变体。因此，PSO-MT可以用于使用突变测试的测试套件的进化。竞争利益一个也没有。引用Ayari，K.，Bouktif，S.，安东尼，G.，2007..利用蚁群算法自动生成变异测试输入数据。遗传和进化计算会议（GECCO'07）。Bashir，M.B.，Nadeem，A.，2013.面向对象程序进化变异测试的适应度函数。IEEE第九届新兴技术国际会议（ICET）。Baudry，B.，Hanh，V.L.，Traon，Y.L.，2000年a。信任测试：遗传选择模型应用于组件鉴定。第33届面向对象语言和系统工具技术国际会议论文集。Baudry，B.，Hanh，V.L.，Jezequel，J.- M.，Traon，Y.L.，2000年b。使用遗传类比将信任构建到OO组件中。ISSRE。Baudry，B.，Fleurey，F.，Jézéquel，J.- M.，Traon，Y.L.，2002年b。用于.NET环境中自动测试用例优化的基因和细菌安纳波利斯。第13届软件可靠性国际研讨会Baudry，B.，Fleurey，F.，Jézéquel，J.- M.，Traon，Y.L.，2005.自动测试用例优化：细菌学算法。IEEESoftw.1链接：https://github.com/yuejia/Milu博塔奇湖2001年一种用于变异测试的遗传算法适应度函数第八届Wrokshop onSoftware Engineering using Metaheuristic（SEMINAL'01）。布拉顿，D.，Kennedy，J.，2007年定义粒子群优化的标准群智能研讨会。Clerc，M.，Kennedy，J.，2002.多维复空间中的粒子群爆炸、稳定性和收敛性。IEEE Trans.评价Comput. 6（1），58-73。Eberhart，R.C.，施，Y.，2000.粒子群优化算法中惯性权重和收缩因子的比较。2000年进化计算大会论文集。埃伯哈特河，施，Y.，2001.粒子群优化：发展，应用和资源。演化计算大会。Eberhart，R.C.，辛普森，P.K.，Dobbins，R.W.，1996.计算智能PC工具。北京：北京大学出版社.弗雷泽，G.，Zeller，A.，2012年。单元测试和预言机的变异驱动生成 IEEETrans.Software Eng. 38（2），278-292.Gudise，V.，Venayagamoorthy，G.，2003年。 粒子群优化和反向传播作为神经网络训练算法的比较。群智能研讨会。Haga，H.，Suehiro，A.，2012.基于遗传算法和变异分析的测试用例自动生成。IEEE控制系统、计算与工程国际会议（ICCSCE）。哈桑河，Cohanim，B.，Weck，O.D.，文特尔，G.，2005.粒子群优化算法与遗传算法的比较。第一届AIAA多学科设计优化专家会议论文集Heppner，H.，格雷南德大学，1990.鸟群协调的随机非线性模型。在：Krasner，S.（编辑），混沌的普遍AAAS，华盛顿。Jatana，N.，Suri，B.，米斯拉，S.，库马尔，P.，Choudhury，A.R.，2016年。基于粒子群的变异测试进化与测试数据生成。 ICCSA。Jia，Y.，Harman，M.，2010.突变检测的发展概况与分析。IEEE Trans. SoftwareEng.琼斯，B.F.，Eyres，D.E.，Sthamer，H. H、1998.使用遗传算法自动化分支和基于故障的测试的策略。Comput. J. 41（2），98-107。Jordehi，A.R.，Jasni，J.，2015.离散优化问题的粒子群优化：综述。第内特尔Rev. 43（2），243-258。Kennedy，J.，1997.思想与文化：粒子群的影响。社会智能代理Kennedy，J.，2003.裸露的骨头粒子群。群智能研讨会论文集。Kennedy，J.，2005.动态概率粒子群第七届遗传与进化计算年会论文集。Kennedy，J.，2005.为什么它需要速度？ 群智能研讨会。Kennedy，J.，2006年。关键粒子群的搜索IEEE Congress on Evol.Comput. .Kennedy，J.，2007.粒子群的一些问题和实践。 群智能研讨会。Kennedy，J.，埃伯哈特河，1995.粒子群优化算法IEEE神经网络国际会议。Kennedy ， J. ， Eberhart ， R.C. ， 1997. 粒 子 群 算 法 的 离 散 二 进 制 版 本 。IEEEInternational Conference on Systems，Man，and Cybernetics.Masud，M.M.，Nayak，A.，Zaman，M.，北班萨尔2005年 一种基于遗传算法的变异测试策略。加拿大电气和计算机工程会议。五月，P.，Timmis，J.，Mander，K.，2007年“软件突变测试的免疫和进化方法。在：人工免疫系统。SpringerLink，pp. 336-347。门德斯河，Kennedy，J.，2007.高斯粒子群的随机重心和贝塔分布。葡萄牙人工智能会议。Mishra，K.K.，Tiwari，S.，库马尔，A.，Misra，A.K.，2010.一种基于精英保留遗传算法的变异测试方法。第三届IEEE计算机科学与信息技术国际会议（ICCSIT）。Mitchell，M.，一九九六年。遗传算法导论麻省理工学院出版社，剑桥。Molinero角，努涅斯，M.，安德烈斯角，2009.结合遗传算法和变异测试生成测试序列。在：计算和环境智能生物启发系统。施普林格，pp. 343- 350蒙 考 ， A.C.B.L. ， Camilo-Juniory ， C.G. ， Queiroz ， L.T. ， Rodrigues ， C.L. ， Leitao-Junior，P. D. S.，Eugenzi，A.，2013.收缩数据库以使用进化算法执行SQL突变测试。IEEE Congress on EvolutionaryComputation（CEC）拉德，M.F.，Akbari，F.，Bakht，A.J.，2010.通用遗传和细菌学算法在变异测试中优化测试数据的实现。2010年计算智能与软件工程国际会议（CiSE）。拉德，M.F.，Bahrekazemi，S.，2014.应用遗传进化算法、细菌进化算法和量子进化算法对 变 异 测 试 方 法 中 测 试 数 据 集 进 行 性 能 优 化 。 国 际 软 计 算 杂 志 。 软 件 工 程（JSCSE），167-186。施，Y.，Eberhart，R.C.，1998年粒子群优化算法中的参数选择国际进