论文研究-基于改进粒子群算法的变异体选择优化.pdf

变异测试是常用的测试方法之一，变异测试分析的过程中计算开销会比较大，问题主要集中于测试过程中会产生大量的变异体。为了减少变异体的数量，提出用标准粒子群聚类算法进行选择优化，但标准粒子群算法在被测数据量增加到一定数量的时候，它的迭代次数就会增加、收敛速度就会下降。针对以上问题提出基于改进的粒子群算法对变异体进行选择优化。通过对变异体集合进行聚类分区，增强变异体集合的多态性，从而对粒子群算法进行改进优化。实验结果表明，在不影响测试充分度的前提下，使变异体的数量大幅度减少，同时与K-means算法以及标准粒子群算法相比之下，改进后的方法具有更好的优化效果。