1.一种基于粒子群算法的数据流测试用例自动生成方法，其特征在于，首先对粒子群算法进行改进，包括根据分支距离设计适应度函数，调整更新粒子速度的惯性权重因子，同时提出一种混沌扰动的策略；然后基于改进粒子群算法自动生成基于数据流的测试用例集；

所述分支距离的计算公式如下：

nodeDistance＝ap+v(distance)                    (1)其中，ap表示测试用例到节点之间的距离，如果测试用例的执行路径覆盖了这个节点，那么ap的值就为0，否则ap的值为1；distance表示测试用例到节点的分支距离；

所述适应度函数的计算公式如下：

Fit(i,T)＝min(nodeDistancej(defi)+nodeDistancej(usei)+s)      (3)其中，j表示测试用例集T中第j个测试用例，nodeDistancej(defi)表示第j个测试用例到第i个定义‑使用对DUP的定义节点的距离；nodeDistancej(usei)表示第j个测试用例到第i个定义‑使用对DUP的使用节点的距离；s表示定义节点和使用节点之间的杀死节点的信息，如果测试用例集T中的执行路径上存在第i个DUP的杀死节点，那么设置s的值为1，如果不存在杀死节点，则把s的值设置为0；

所述惯性权重因子的计算公式如下：

w＝wmax‑((wmax‑wmin)×t÷Tmax+r)                  (5)其中，wmax为惯性因子最大值，wmin为惯性因子最小值，t为当前迭代次数，Tmax为最大迭代次数，r为调节因子，其取值范围为[0.5,0.9]，粒子每迭代一次，其值以p＝p+0.01的方式线性递增；

所述方法具体包括以下步骤：

步骤1：获取被测程序P，对P进行解析，构建相应的控制流图CFG(P)，并获得P中的变量集合N；

步骤2：采用深度优先遍历的方法遍历CFG(P)，获得程序中的所有路径Path(P)；

步骤3：自底向上遍历每条可执行路径，根据N获得程序中所有的定义‑使用对DUP＝{dup1,dup2,...,dupn}，其中，n表示定义‑使用对总数，dup＝(def,use,var)，def表示变量的定义节点，use表示相同变量的使用节点，var表示该变量；

步骤4：利用随机值初始化测试用例集和粒子群算法的相关参数，设置最大迭代次数Maxnum，随机生成n个粒子，初始化粒子的位置Xi＝[Xi1,Xi2,...,Xid]，初始化粒子的速度Vi＝[Vi1,Vi2,...,Vid]，其中d表示d维；

步骤5：根据分支距离计算公式(1)设计适应度函数计算公式(3)；

步骤6：从待测的DUP中取一个定义‑使用对dupj，其中j表示待测试的定义‑使用对集中的第j个定义‑使用对；

步骤7：识别当前粒子的局部最优值PBest和全局最优值GBest；

步骤8：基于适应度判断，若测试用例已经覆盖dupj，则跳转到步骤15，否则跳转到步骤

9；

步骤9：使用公式(4)更新粒子的速度：

其中，Vid是当前粒子的速度；k是当前的迭代次数；w为惯性权重因子，控制历史速度对新速度的影响；i＝1,2,...,n，n为总体的大小；c1和c2为加速因子；r1和r2是两个在[0,1]区间内均匀分布的随机数；

步骤10：使用公式(6)更新粒子的位置：

其中，Xid是当前粒子的位置，Vid是当前粒子的速度，k是当前的迭代次数；

步骤11：更新每个粒子的历史最优位置；将当前每个粒子的适应度与PBest进行比较，如果当前粒子的适应度更好，则保存当前粒子的适应度和位置；

步骤12：更新群体的最优位置；将每个粒子的适应度与GBest进行比较，如果当前粒子的适应度更好，则保存当前粒子的适应度和位置；

步骤13：基于适应度函数计算，计算适应度方差；

步骤14：判断适应度方差是否小于阈值，若小于，则对当前种群进行混沌扰动，转到步骤7，否则直接转到步骤7；

步骤15：更新测试用例集，并将dupj从待测试的定义‑使用对中删除，其中j＝j+1，若定义‑使用对的覆盖率达到100％，或者达到最大迭代次数Maxnum，则转到步骤16；否则转到步骤6；

步骤16：终止循环并输出测试用例集，算法结束。

2.根据权利要求1所述的基于粒子群算法的数据流测试用例自动生成方法，其特征在于，所述步骤13中，适应度方差根据式(7)、式(8)来计算：f＝max{1,max(fi‑favg)}                       (8)其中， 表示种群的适应度方差，i∈[1,N]，N为种群中的粒子个数，fi表示第i个粒子的适应度，favg为粒子群目前的平均适应度。