组合测试是一种通过检测软件系统因素中所有取值组合来查找故障的软件测试方法。软件的本身因素及其之间的相互作用都可能引发故障,随着技术的不断发展,软件复杂度的持续增加,软件因素的组合空间变得异常庞大,难以对组合测试用例进行全面的覆盖。因此,采用何种方式高效地挑选并生成规模较少、具有高检错率的测试用例是组合测试领域的关键性任务。在软件测试领域,元启发式搜索算法解决了组合测试的NP完全问题,而粒子群算法具有其独特的竞争优势。本文系统地回顾和总结了 PSO(PSO,Particle Swarm Optimization)算法在组合测试用例集生成问题中的研究成果,针对无效组合的约简问题、粒子群算法的参数问题以及算法早熟收敛易陷入局部最优问题,将改进的IPO(in-parameter-order)策略和动态简约粒子群算法(ASPSO,Adaptive Simplified Particle Swarm Optimization)相结合,提出了一种可以满足任意强度覆盖表且具有时间与空间优势的组合测试用例生成方法。本文的主要研究工作和贡献概括如下:(1)针对各个实际输入因素之间存在的约束关系问题,提出了一种具有约束处理的t-way组合生成方法。在对因素进行组合时,采用基于等价类划分和约束条件的约束处理,主要是为了避免生成过多的无效测试用例,缩小测试范围,从而提高测试的有效性,并在一定程度上增加其准确性。(2)针对IPO策略的因素排序选取问题,提出了一种改进方法。该方法核心思想是利用用例的错误检出率Ci和响应时间Ti作为评估指标,并将评估指标加权得到的各个因素进行非递增排序,经排序后再进行因素选取能有效避免原始策略存在的随机性问题。(3)针对PSO算法的参数设置问题,动态简约粒子群算法对速度变量和惯性权重这两个参数进行了更合理的设定。该算法排除了速度这一不必要因素的影响并根据粒子自身的运动状态动态更新惯性权值,不仅加快了运算速度还增强了粒子群后期的搜索能力,能够有效避免粒子陷入局部最优,从而增强算法性能。为了验证改进的PSO算法在组合测试用例生成上的有效性,采用Java语言编程实现本文提出的改进算法,并与原始算法进行对比。实验结果表明,本文提出的改进算法在相应条件下,组合测试用例集规模和执行时间上具有一定的优势。