基于ACO的测试用例预优化及参数影响分析

测试用例预优化是一种先进的软件回归测试用例集优化技术。相比测试用例选择和测试用例集约简技术,它具有更好的灵活性,更容易适应实际软件回归测试过程中的迭代与变化。基于多目标的测试用例预优化技术是当前研究的热点,针对选定的多个优化目标,算法是多目标测试用例集优化的关键。提出了一种基于蚁群优化算法（ant colony optimization,ACO）的多目标测试用例预优化方法,针对平均语句覆盖率和有效执行时间两个优化目标,实现了测试用例集的预优化,并针对多目标解集优劣评价方法进行了改进。同时对蚁群优化算法中的信息素挥发因子ρ、启发因子α和β、蚁群规模m等相关参数对多目标测试用例预优化结果的影响进行了实验分析。实验中使用的被测程序既包括广泛使用的软件测试样本库SIR（software-artifact infrastructure repository）中的程序,也包括Google发布的大规模开源程序JavaScript引擎V8。实验结果表明,当参数α=1,4β6,ρ=0.1时,针对小规模程序,蚁群规模m=32时,算法求得较优解;针对较大规模程序flex和V8,则需要适当增大蚁群的规模以获得较优解集。     

基于蚁群算法的软件接口测试用例生成

目前存在的自动化生成接口测试用例的方法有参数配对覆盖法、基于测试依据集的测试用例生成法等,这些算法在用例有效性与耗费资源方面没有足够优势,鉴于此提出基于蚁群方法的软件接口测试用例生成算法,对蚁群算法应用的前提、测试数据生成方法、测试用例生成方法等进行研究。实验分析了算法的优势和不足,提出了有待改进的部分。     

一种基于粒子群优化的成对组合测试算法框架

提出一种基于粒子群优化的成对组合测试用例集生成算法框架.在生成测试用例时,该框架采用粒子群优化尝试生成强组合覆盖能力的测试用例,并研究了搜索空间、适应值函数和启发式的合理设定;在构造组合测试用例集时,以上述测试用例生成算法为基础,提出两种策略:一种基于one-test-at-a-time,另一种基于类IPO.编程实现该算法框架,并通过实证研究分析了算法框架中不同设定对组合测试用例集规模的影响;最后,与现有的经典方法在组合测试用例集生成规模和算法执行时间上进行了比较.最终结果表明,该算法具有竞争力.     

基于改进蚁群算法的软件回归测试用例集优化方法

为控制测试用例集合的冗余数据量,引进改进蚁群算法,设计针对软件回归测试的用例集优化方法。首先,建立测试用例集覆盖模型,掌握测试用例集数据信息的覆盖情况;其次,根据事件发生概率模型,以测试用例集的用例个数最小为优化目标,建立用例集优化目标函数;最后,在保证用例集满足要求的条件下,逐步缩小用例集信息的覆盖度,实现对测试用例集冗余信息的优化处理。实验结果证明,该方法可在最短迭代次数下使测试用例集达到最优,降低优化处理后测试用例集的冗余数据量。     

求解组合测试用例集的差分进化蚁群算法

针对组合测试中测试用例集生成这一关键问题,通过构建组合空间的搜索模型,提出了一种用于求解最小测试用例集的差分进化蚁群算法（DEACA）。该算法将差分进化融入到蚁群算法中,并在搜索过程中动态更新启发信息,有效克服了标准蚁群算法在求解组合用例时出现的早熟现象。实验表明该方法优于标准蚁群算法,与其他方法相比也具有一定优势和特点。     

基于蚁群算法的测试用例集最小化研究

测试用例集最小化的目的是用尽可能少的测试用例充分测试给定的被测目标。把每个待测用例抽象成独立的节点,通过构造虚拟蚁群以及采用启发信息的动态更新,提出一种新的基于蚁群算法的测试用例集最小化方法及具体实现步骤。并编写算法,运行仿真程序对基于蚁群算法的测试用例集最小化方法进行验证,对实验结果的分析证明了该算法的可行性和有效性。     

面向多目标测试用例优先排序的蚁群算法信息素更新策略

针对蚁群算法在求解多目标测试用例优先排序（MOTCP）时收敛速度缓慢、易陷入局部最优的问题,提出一种基于上位基因段（ETS）的信息素更新策略。利用测试用例序列中ETS可以决定适应度值的变化,选取ETS作为信息素更新范围,再根据ETS中测试用例间的适应度增量和测试用例的执行时间更新路径上的信息素值。为进一步提升蚁群算法求解效率、节省蚂蚁依次访问测试用例序列的时间,优化的蚁群算法还通过估算ETS长度重新设置蚂蚁遍历测试用例的搜索终点。实验结果表明,与优化前的蚁群算法及NSGA-Ⅱ相比,优化后的蚁群算法能提升求解MOTCP问题时的收敛速度,获得更优的Pareto解集。     

基于测试需求集的测试用例集极小化算法

测试用例集约简技术是生成最小测试用例集,最大限度地对软件进行科学有效的测试,从而降低软件测试的成本、提高测试效率的关键技术之一.结合国内外几种算法的策略的基础上,提出了一种基于测试需求集的最小测试用例集的生成方法,该方法能够保证得到优化代表集.     

基于蚁群算法的测试用例集优化方法

为了达到以尽可能少的测试用例满足测试需求的目的,提出了一种先对测试用例集进行完全划分,再利用蚁群算法对其优化的方法。首先根据测试需求间的相互关系,将最初的测试用例集划分成多个互不相交的子集,每个子集中的元素为等价测试用例;其次从各个子集中选取一个测试用例,组成一个新的集合,该集合已经摒弃了部分冗余测试用例;然后利用蚁群算法对测试用例集进行最优的简化;最后通过实例证明了该方法可以产生比原有的方法更优的测试用例集。     

智能优化算法在回归测试关键技术中的应用现状研究

近些年,智能优化算法在软件工程领域得到了广泛的应用,基于搜索的软件工程技术往往通过设计具体问题的适应值函数,并基于该函数在问题的可行解空间中使用优化算法寻求最优解。本文首先介绍了常用的智能优化算法,包括遗传算法、爬山算法、粒子群算法以及蚁群算法,之后分析并研究这些算法在测试数据生成、测试用例选择以及测试用例优先级排序技术中的应用,为有效解决基于搜索的软件工程问题奠定基础,促进回归测试效率的提高。