一种基于惯性权重混沌粒子群优化技术的测试方法技术

一种基于惯性权重混沌粒子群优化技术的测试方法，将被测软件的资源分配的多目标优化转化为单目标优化进行动态求解，首先进行初始化，再对粒子的坐标

【技术实现步骤摘要】
一种基于惯性权重混沌粒子群优化技术的测试方法


[0001]本申请涉及网络计算机软件运行测试领域，具体涉及一种基于惯性权重混沌粒子群优化技术的测试方法
。

技术介绍

[0002]近年来，面对广域网
/
局域网不断增长的数据信息量，不同软件及其组件体量
、
单位时间处理的信息量也大大增加，这就对计算机软件本身的功能模块
、
任务处理水平提出了更高要求
。
因此，对计算机软件的测试显得尤为重要
。
计算机软件运行测试，通常包括软件资源分配
、
运行故障等测试内容，如何针对软件测试资源利用率
、
功能执行效率，运用通用自动化测试平台
、
多种大数据测试技术，完成不同计算机设备端口的软件测试分析，成为软件测试服务关注的重点
。
[0003]计算机软件测试通常针对不同功能模块
、
执行程序，开展系统的单元测试
、
集成测试与回归测试，旨在通过对某一测试软件客户端的运行状态
、
数据传输与处理信息收集，进行每个程序单元的集中测试，包括黑盒测试
、
白盒测试两种方案
。
其中黑盒测试围绕着软件数据流
、
代码语句覆盖
、
分支点覆盖，以及分析代码执行的静态语句，检查程序接口连接
、
输入输出数据信息是否正常，属于软件的功能性测试
。
白盒测试则是对软件程序的逻辑结构
、
逻辑执行路径的测试，采取穷举路径方案，对所有主机平台软件进行测试，检查软件程序的代码语句覆盖性
、
逻辑结构
、
逻辑执行路径，在不同的网络节点设置检查点，以检查程序的实际运行状态与预期状态是否一致
。
[0004]串并行软件资源的合理配置，通常采用模糊神经网络算法的自动弹性权重，进行计算机软件运行线路
、
功能服务资源的动态分配，以有效地减少部分线路荷载过大
、
软件时延过高的问题，提高软件资源分配与配置的合理度
、
适应度
。
对于计算机软件资源动态分配的测试，则利用支持多链路接入的资源配置法，测试软件串行
、
并行负载的任务传输速率，构建起软件任务多层决策的服务系统，由上一层任务传输的最大速率为参考，合理设置下一层资源配置与传输的方式，有效提升软件集群资源的分配与利用效率
。
[0005]目前通过基于宿主机
/
目标机测试技术
、BPSO
粒子群软件测试算法，搭建起计算机软件测试平台，以粒子群为主线
、BPSO
算法为大数据信息处理机制，进行软件资源分配
、
输入
/
输出数据处理的测试分析，并依据种群适应程度函数，转换软件测试动态优化问题
、
更新种群粒子位置的最优值，得到串并行软件运行测试
、
资源分配的结果，提高了计算机软件测试
、
数据处理记录的效率和质量
。
然而
BPSO
粒子群软件测试算法容易出现早熟收敛的现象，进而影响测试的效率和质量
。

技术实现思路

[0006]本申请为解决现有技术中粒子在运动过程中一旦到达了局部最优点的附近运动速度就会变慢
、
陷入局部最优点的问题，提供了一种基于惯性权重混沌的粒子群优化技术的软件资源分配的测试方法和设备
。
[0007]本公开第一方面提供一种基于惯性权重混沌的粒子群优化技术的软件资源分配的测试方法，将被测软件的资源分配的多目标优化转化为单目标优化进行动态求解，所述资源分配的动态求解过程中效益指数为
U、
稳定指数为
H
，对两个指数的第
k
项
u
k
、h
k
作归一化处理的公式如式（1）所示：）所示：（1）；此过程构建的单目标适应程度函数为：（2），其中，
x
i
为粒子，为粒子，分别为
U
和
H
的权重系数，且满足
+= 1
；所述方法步骤包括：初始化：对软件测试的数据项集种群，进行粒子群初始化
、
个体极值初始化和全局极值初始化，设定软件测试的数据规模为
、
占用内存空间为
d
维，在
z
代时粒子
x
i
的坐标其中
i = 1,2,
⋯
,m
，运动速度表示为式（3）：
,
（3），设定
z
表示当前迭代次数，并设定迭代最大次数
Z、
粒子坐标的初始值和粒子运动速度的初始值
、
惯性权重最大值和最小值；（2）对粒子的坐标
、
运动速度进行迭代，随着迭代次数的增加，数据项集种群粒子的坐标位置
、
运动速度的变化方向如下式（4）
、
式（5）所示，计算后迭代次数
z=z+1
：（4）（5）其中
c1、c2表示粒子在最优坐标位置的运动因子；
P z
ij 、G z
ij
表示粒子运动速度的随机抽取因子；当软件测试数据项集种群的粒子运动时，对其运动速度进行约束；其中：
P z ij ( j = 1,2,
⋯
,d ; i = 1,2,
⋯
,m)
为粒子
i 在第
z 代进化时于
d 维空间中自身的最佳位置，即个体极值，记为
P z ij = (P z
i1,P z
i2,P z
i3,
⋯
,P z
id) ；
G z
ij ( j = 1,2,
⋯
,d ; i = 1,2,
⋯
,m)
为全部粒子在第
z 代进化时的最佳位置，即全局极值，记为
G z
ij= (G z
i1, G z
i2, G z
i3,
⋯
, G z
id )
；
rand1 和
rand2 为0到1之间的随机数；惯性权重随迭代次数
z
变化公式为：，其中：
ω
max 和
ω
min 分别表示
ω
的最大值和最小值；（3）在种群迭代过程中，计算所有粒子的适应程度函数值并与当前个体极值进行比对，择优取值，更新个体极值；对比每一个粒子的自适应程度函数值与全局极值，择优取值，更新全局极值；（4）若迭代次数达到
Z本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于惯性权重混沌粒子群优化技术的测试方法，将被测软件的资源分配的多目标优化转化为单目标优化进行动态求解，所述资源分配的动态求解过程中效益指数为
U、
稳定指数为
H
，对两个指数的第
k
项
u
k
、h
k
作归一化处理的公式如式（1）所示：）所示：（1）；此过程构建的单目标适应程度函数为：（2），其中，
x
i
为粒子，为粒子，分别为
U
和
H
的权重系数，且满足
+ = 1
；所述方法的步骤包括：（1）初始化：对软件测试的数据项集种群，进行粒子群初始化
、
个体极值初始化和全局极值初始化，设定软件测试的数据规模为
、
占用内存空间为
d
维，在
z
代时粒子
x
i
的坐标其中
i = 1,2,
⋯
,
（3）：）：（3），设定
z
表示当前迭代次数，并设定迭代最大次数
Z、
粒子坐标的初始值和粒子运动速度的初始值
、
惯性权重最大值和最小值；（2）对粒子的坐标
、
运动速度进行迭代，随着迭代次数的增加，数据项集种群粒子的坐标位置
、
运动速度的变化方向如下式（4）
、
式（5）所示，计算后迭代次数
z=z+1
：（4）（5）其中
c1、c2表示粒子在最优坐标位置的运动因子；
P z
ij 、G
z
ij
表示粒子运动速度的随机抽取因子；当软件测试数据项集种群的粒子运动时，对其运动速度进行约束；其中：
P z
ij ( j = 1,2,
⋯
,d ; i = 1,2,
⋯
,m)
为粒子
i 在第
z 代进化时于
d 维空间中为
P z
ij = (P z
i1,P z
i2,P z
i3,
⋯
,P z
id) ；
G
z
ij ( j = 1,2,
⋯
,d ; i = 1,2,
⋯
,m)
为全部粒子在第
z 代进化时的最佳位置，即全局极值，记为
G
z
ij= (G z
i1, G z
i2, G z
i3,
⋯
, G z
id )
；
rand1 和
rand2 为0到1之间的随机数；
ω
是惯性权重，惯性权重随迭代次数
z
变化公式为：，其中：
ω
max 和
ω
min 分别表示
ω
的最大值和最小值；（3）在种群迭代过程中，计算所有粒子的适应程度函数值并与当前个体极值进行比对，择优取值，更新个体极值；对比每一个粒子的自适应程度函数值与全局极值，择优取值，更新全局极值；（4）若迭代次数达到
Z
，迭代终止，否，则继续迭代直至迭代次数达到
Z
；（5）根据公式（6）计算第
Z
次迭代时粒子所处坐标位置
、
运动速度，根据公式（7）和（2）计算粒子种群最佳位置
、
单目标适应程度函数值：（6）（7）；
（6）迭代完毕后获得的全局极值即
G
z
ij
为软件资源分配矩阵
。2.
根据权利要求1所述的基于惯性权重混沌粒子群优化技术的测试方法，运用
sigmoid
函数加快粒子速度转化和粒子位置更新，如公式（8）和公式（9）所示：（8）（9）其中表示随机数值，表示惯性因子，规定粒子运动速度为，当迭代次数达到
Z
时获得软件资源动态分配的最优解，如公式
(9)
所示
。3.
根据权利要求2所述的基于惯性权重混沌粒子群优化技术的测试方法，在进行所述动态求解之前，先建立起串并行软件资源的动态分配模型，设置串联
、
并联软件系统的多个资源块
。4.
根据权利要求3所述的基于惯性权重混沌粒子群优化技术的测试方法，该方法围绕搜集到的测试数据信息，设置测试数据异常值
、
边界值
。5.
根据权利要求4所述的基于惯性权重混沌粒子群优化技术的测试方法，得出所述软件测试的功能资源
、
数据处理的任务分配时间结果，以及软件测试的资源利用率
。6.
一种基于惯性权重混沌的粒子群优化技术的软件资源分配的测试装置，该装置包括：单目...

【专利技术属性】
技术研发人员：孙军，李恒，笱光雄，王琴，孙浩，
申请(专利权)人：深圳云塔信息技术有限公司，
类型：发明
国别省市：