《表2 不同算法的平均迭代次数与平均运行时间》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于无关变量分离的EFSM测试数据进化生成》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用4种算法对所有实验路径在不同的输入变量取值区间内分别进行15次实验，统计相应的平均迭代次数及平均运行时间，结果如表2所示。由表2可以得出，使用本文方法后，遗传算法所需平均迭代次数仅为GSS-GA的14.1%～55.3%，除变量取值范围为[0，2047]的INRES与Cashier模型外，使用IIVS-RA的平均迭代次数是GSS-RA的27.5%～85.6%，比较各算法的平均迭代次数可以得出IIVS-GA在生成测试数据时所需的次数最少。时间开销方面，虽然IIVS方法在搜索测试数据时需要判断并分离目标测试路径中的无关输入变量，但由表1可知，这部分时间在测试数据生成时间中所占的比例很小，由于搜索空间的不断减小，使得最终的平均运行时间大量减少。实验结果显示，IIVS-GA所需平均运行时间最低时仅为GSS-GA方法的14.5%，最高为75.9%，除变量取值范围为[0，2 047]时的INRES与Cashier模型外，IIVS-RA所需平均运行时间是GSS-RA方法的26.3%～84.8%，对4种方法的平均运行时间进行比较后可以看出，IIVS-GA生成测试数据时需要的时间开销最少。表2中GSS-RA的平均迭代次数及平均运行时间有时会随着变量数据范围的增大反而减小，这是由于当数据范围变大时，该方法在指定迭代次数内大多只能针对简单路径生成有效测试数据，因而迭代次数及运行时间有可能变小甚至小于启发式算法。