基于多目標(biāo)粒子群算法的測(cè)試用例優(yōu)先級(jí)排序研究.pdf

1、隨著社會(huì)信息化步伐的加快，計(jì)算機(jī)軟件在各行各業(yè)發(fā)揮的作用越來(lái)越大，軟件的質(zhì)量也受到越來(lái)越多的關(guān)注。軟件測(cè)試貫穿軟件的整個(gè)生命周期，是保證軟件質(zhì)量的重要方法和有效手段。由于客戶需求的變更，軟件規(guī)模的增大，軟件更新?lián)Q代速度的加快等原因使回歸測(cè)試用例集規(guī)模越來(lái)越龐大，也使回歸測(cè)試的工作量急劇增加。受人力、時(shí)間等回歸測(cè)試成本的限制，傳統(tǒng)的回歸測(cè)試方法很難勝任現(xiàn)在的回歸測(cè)試任務(wù)。因此，如何提高回歸測(cè)試效率成為了廣大研究人員關(guān)心的問(wèn)題，其具有非常重

2、要的研究?jī)r(jià)值和現(xiàn)實(shí)意義。
　　研究人員就如何提高回歸測(cè)試效率提出了很多方法，主要包括測(cè)試用例選擇、測(cè)試用例集約簡(jiǎn)和測(cè)試用例優(yōu)先級(jí)排序。其中，前兩種方法要對(duì)測(cè)試用例進(jìn)行修改或刪除，這些不可逆的操作可能會(huì)遺漏能夠發(fā)現(xiàn)錯(cuò)誤的測(cè)試用例。本文主要針對(duì)測(cè)試用例優(yōu)先級(jí)排序技術(shù)進(jìn)行深入研究。通過(guò)分析當(dāng)前國(guó)內(nèi)外測(cè)試用例優(yōu)先級(jí)排序的研究現(xiàn)狀，提出一種基于多目標(biāo)粒子群算法的測(cè)試用例優(yōu)先級(jí)排序框架，并對(duì)如何克服粒子群優(yōu)化算法自身的不足進(jìn)行了研究。

3、　　以前的多目標(biāo)測(cè)試用例優(yōu)先級(jí)排序大多是采用對(duì)多個(gè)優(yōu)化目標(biāo)進(jìn)行加權(quán)求和后再排序的方法，該方法權(quán)值分配受人的主觀思想影響大，不夠智能?；谶M(jìn)化算法進(jìn)行搜索的方法比較可行，但進(jìn)化算法本身的交叉和變異機(jī)制比較復(fù)雜，在遇到大規(guī)模問(wèn)題時(shí)效率有所下降。本文設(shè)計(jì)了一種基于多目標(biāo)粒子群算法的測(cè)試用例優(yōu)先級(jí)排序框架，選用APSC和EET作為優(yōu)化目標(biāo)。針對(duì)多目標(biāo)測(cè)試用例排序的具體情況，設(shè)計(jì)了粒子的編碼方式。由于標(biāo)準(zhǔn)粒子群優(yōu)化算法是基于連續(xù)空間進(jìn)行搜索的，而

4、二進(jìn)制離散粒子群優(yōu)化算法的編碼方式和映射機(jī)制比較復(fù)雜，它們都不適合用于多目標(biāo)測(cè)試用例排序，對(duì)此本文提出了一種在離散空間進(jìn)行搜索的方法。在非支配排序方式上，為降低算法的時(shí)間復(fù)雜度，只選擇被支配數(shù)為0的解。
　　粒子群優(yōu)化算法的優(yōu)點(diǎn)很多，但是它的不足之處是容易陷入局部最優(yōu)。對(duì)此，本文提出一種基于Additional策略的全局極值動(dòng)態(tài)調(diào)整算法，從而引導(dǎo)粒子群朝著優(yōu)秀解的方向飛行。Additional策略是一種典型的貪心算法，它的特點(diǎn)是具

5、有反饋機(jī)制。在更新全局極值之前，采用Additional策略的思想比較個(gè)體極值與全局極值的優(yōu)劣。即把已排序測(cè)試用例覆蓋的語(yǔ)句行去掉后再計(jì)算個(gè)體極值和全局極值的語(yǔ)句覆蓋率，然后結(jié)合執(zhí)行時(shí)間比較個(gè)體極值和全局極值的優(yōu)劣，選擇更好的作為新的全局極值。通過(guò)該方法動(dòng)態(tài)地更新全局極值，引導(dǎo)粒子群的搜索方向，從而避免粒子群陷入局部最優(yōu)。
　　最后選取SIR庫(kù)中的程序用于對(duì)比實(shí)驗(yàn)。通過(guò)比較不同方法之間的Pareto最優(yōu)解集的分布和測(cè)試用例優(yōu)先級(jí)序