[發(fā)明專(zhuān)利]基于多目標(biāo)群體智能的適應(yīng)性隨機(jī)測(cè)試用例生成方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010633401.6
• 申請(qǐng)日: 2020-07-04
• 公開(kāi)（公告）號(hào): CN111813669B
• 公開(kāi)（公告）日: 2023-10-13
• 發(fā)明（設(shè)計(jì)）人: 毛澄映;溫林林
• 申請(qǐng)（專(zhuān)利權(quán)）人: 毛澄映;溫林林
• 主分類(lèi)號(hào): G06F11/36
• 分類(lèi)號(hào): G06F11/36;G06N3/006
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本方法提供了一種基于多目標(biāo)群體智能的適應(yīng)性隨機(jī)測(cè)試用例生成方法，屬于軟件測(cè)試領(lǐng)域中的適應(yīng)性隨機(jī)測(cè)試技術(shù)。本方法基本流程含六個(gè)步驟，包括計(jì)算基于最小距離最大化的適應(yīng)度、計(jì)算基于距離的信息熵的適應(yīng)度、計(jì)算基于樣本差異的適應(yīng)度、演化迭代、產(chǎn)生并執(zhí)行測(cè)試用例，最后迭代生成測(cè)試用例。本文還對(duì)eAR和FSCS?ART設(shè)計(jì)了模擬對(duì)比實(shí)驗(yàn)。針對(duì)目前已有的基于演化的適應(yīng)性隨機(jī)測(cè)試方法，以及啟發(fā)式的適應(yīng)性隨機(jī)測(cè)試方法，本發(fā)明所生成的測(cè)試用例具有更高的多樣性，更強(qiáng)的失效檢測(cè)能力。

技術(shù)領(lǐng)域

本發(fā)明屬于軟件測(cè)試領(lǐng)域中的適應(yīng)性隨機(jī)測(cè)試技術(shù)，涉及一種基于多目標(biāo)群體智能的適應(yīng)性隨機(jī)測(cè)試用例生成方法。

背景技術(shù)

隨著計(jì)算機(jī)產(chǎn)業(yè)不斷的發(fā)展，軟件測(cè)試行業(yè)也開(kāi)始愈發(fā)的受到重視。特別是隨著軟件大規(guī)模的應(yīng)用在人們的日常生活中，直接導(dǎo)致了軟件質(zhì)量在一定意義上也對(duì)人們生活質(zhì)量產(chǎn)生了影響。而軟件質(zhì)量的保證的最常用的手段就是通過(guò)軟件測(cè)試，所以在軟件開(kāi)發(fā)周期中，軟件測(cè)試在其中扮演著一個(gè)不可或缺的重要地位。

在眾多的測(cè)試數(shù)據(jù)生成的方法中，隨機(jī)測(cè)試（RT）算法是最為簡(jiǎn)單并且易于實(shí)現(xiàn)的算法。但是RT算法的缺點(diǎn)在于該算法無(wú)法保證測(cè)試數(shù)據(jù)能夠“均勻”的分布在輸入域中，所以該算法往往無(wú)法取得較好的檢測(cè)失效的效果。因此在RT的基礎(chǔ)上，誕生了很多的優(yōu)化的方法，例如由斯威本科技大學(xué)的T.Y. Chen提出了適應(yīng)性隨機(jī)測(cè)試（Adaptive RandomTest，ART），ART在保留RT（隨機(jī)測(cè)試方法）隨機(jī)性的同時(shí)，對(duì)隨機(jī)性作出一定的限制，使得測(cè)試用例能夠“均勻”的分布在整個(gè)輸入域中，使得測(cè)試用例更加具有多樣性，從而提升檢測(cè)出失效域的效果。

在ART的基礎(chǔ)上，也產(chǎn)生了很多的基于啟發(fā)式策略的改進(jìn)算法。在2009年，Tappenden首次將演化算法加入到ART中，提出了一種基于演化的適應(yīng)性隨機(jī)測(cè)試方法（eAR）算法。在傳統(tǒng)的ART中，往往是通過(guò)啟發(fā)式的策略來(lái)生成測(cè)試數(shù)據(jù)。然而eAR則采用了元啟發(fā)式的搜索算法，通過(guò)不斷迭代演化在整個(gè)輸入域中搜索出較好的測(cè)試數(shù)據(jù)。在實(shí)際生活中，單目標(biāo)優(yōu)化往往并不能很好的解決問(wèn)題，因此在群體智能領(lǐng)域產(chǎn)生如NSGA、SPEA等基于多目標(biāo)優(yōu)化的元啟發(fā)式搜索算法。

發(fā)明內(nèi)容

針對(duì)目前已有的基于演化的適應(yīng)性隨機(jī)測(cè)試方法，本文提出了一種基于多目標(biāo)群體智能的適應(yīng)性隨機(jī)測(cè)試用例生成方法。為了解決單目標(biāo)優(yōu)化的缺陷，本文在eAR算法的基礎(chǔ)上將遺傳算法作為群體智能算法的代表，采用了目前在多目標(biāo)優(yōu)化領(lǐng)域較為流行的算法NSGA-Ⅱ，將原來(lái)的單目標(biāo)優(yōu)化函數(shù)轉(zhuǎn)變?yōu)槎嗄繕?biāo)優(yōu)化函數(shù)，使得可行解在輸入空間分布的更加“均勻”，讓最后生成的測(cè)試用例具有更強(qiáng)的多樣性，從而提高測(cè)試用例的失效檢測(cè)能力。

該算法包含了以下三個(gè)優(yōu)化目標(biāo)函數(shù)：基于最小距離最大化的優(yōu)化函數(shù)、基于距離的信息熵的優(yōu)化函數(shù)以及基于樣本差異值的優(yōu)化函數(shù)。基于最小距離最大化的優(yōu)化函數(shù)是為了使得下一個(gè)測(cè)試用例盡可能的遠(yuǎn)離先前生成的測(cè)試用例，以增強(qiáng)可行解的搜索能力，讓測(cè)試用例分布范圍更加廣泛。基于距離的信息熵優(yōu)化函數(shù)是為了保證下一個(gè)測(cè)試用例與鄰居的距離更加的均勻，以達(dá)到每一個(gè)測(cè)試用例盡可能在局部實(shí)現(xiàn)均勻。基于樣本差異值的優(yōu)化函數(shù)是為了下一個(gè)測(cè)試用例盡可能的在局部范圍內(nèi)測(cè)試用例更小的區(qū)域生成，以實(shí)現(xiàn)在全局的角度更加均勻。總之，通過(guò)以上三個(gè)優(yōu)化目標(biāo)函數(shù)，本發(fā)明提出的測(cè)試用例生成方法所生成的測(cè)試用例將在輸入空間內(nèi)分布的更加“均勻”。

本發(fā)明的技術(shù)方案如下：

步驟1，通過(guò)程序給定的信息確定輸入域的范圍，隨機(jī)產(chǎn)生大小為N的種群P；

步驟2，根據(jù)多目標(biāo)函數(shù)一——基于最小距離最大化的優(yōu)化目標(biāo)函數(shù)評(píng)估該種群P；

步驟3，根據(jù)多目標(biāo)函數(shù)二——基于距離的信息熵的優(yōu)化目標(biāo)函數(shù)評(píng)估該種群P；