摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第12-18页 |
1.1 课题研究的目的和意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-15页 |
1.2.1 基于EFSM的测试研究现状 | 第13页 |
1.2.2 基于EFSM的测试数据生成效率研究现状 | 第13-15页 |
1.3 本文的主要工作 | 第15-16页 |
1.4 本文的组织结构 | 第16-18页 |
第二章 非线性预测建模技术 | 第18-26页 |
2.1 基于误差反向传播神经网络的预测建模技术 | 第18-20页 |
2.2 基于标准遗传编程算法的预测建模技术 | 第20-22页 |
2.3 基于多基因遗传编程算法的预测建模技术 | 第22-24页 |
2.3.1 多基因遗传编程算法与标准遗传编程算法的区别及联系 | 第22-23页 |
2.3.2 多基因遗传编程算法在预测建模中的应用 | 第23-24页 |
2.4 本章小结 | 第24-26页 |
第三章 基于EFSM测试数据生成效率的预测模型构建 | 第26-34页 |
3.1 EFSM模型简介 | 第26-27页 |
3.2 EFSM模型的测试数据生成效率的影响因素 | 第27-28页 |
3.3 基于EFSM测试数据生成效率的预测模型构建 | 第28-32页 |
3.3.1 预测模型的构建方法 | 第28-32页 |
3.3.2 预测效果的评价 | 第32页 |
3.4 本章小结 | 第32-34页 |
第四章 基于遗传编程的测试数据生成效率预测模型的实现 | 第34-42页 |
4.1 基于遗传编程的EFSM测试数据生成效率预测模型的设计 | 第34-36页 |
4.1.1 终结点集的设计 | 第34页 |
4.1.2 函数集的设计 | 第34-35页 |
4.1.3 运行控制参数的设计 | 第35页 |
4.1.4 适应度函数的设计 | 第35-36页 |
4.1.5 终止准则的确定 | 第36页 |
4.2 基于标准遗传编程的EFSM测试数据生成效率预测模型的实现 | 第36-38页 |
4.2.1 标准遗传编程建模的算法流程 | 第36-37页 |
4.2.2 算法描述 | 第37-38页 |
4.3 基于多基因遗传编程的EFSM测试数据生成效率预测模型的实现 | 第38-40页 |
4.3.1 多基因遗传编程的算法流程 | 第38-39页 |
4.3.2 算法描述 | 第39-40页 |
4.4 本章小结 | 第40-42页 |
第五章 基于遗传编程的EFSM测试数据生成效率预测及分析 | 第42-52页 |
5.1 被测EFSM模型及训练数据的选取 | 第42-44页 |
5.2 基于遗传编程的EFSM测试数据生成效率预测结果 | 第44-50页 |
5.2.1 基于标准遗传编程的EFSM测试数据生成效率预测结果 | 第44-47页 |
5.2.2 基于多基因遗传编程的EFSM测试数据生成效率预测结果 | 第47-50页 |
5.3 遗传编程建模与误差反向传播神经网络建模的预测效果比较及分析 | 第50-51页 |
5.4 本章小结 | 第51-52页 |
第六章 结论 | 第52-54页 |
6.1 本文的主要贡献 | 第52页 |
6.2 本文进一步研究方向 | 第52-54页 |
参考文献 | 第54-58页 |
致谢 | 第58-60页 |
作者与导师简介 | 第60-61页 |
附件 | 第61-62页 |