[发明专利]基于分解的权重向量自适应的多目标测试用例排序方法

说明书

本发明公开了一种基于分解的权重向量自适应的多目标测试用例排序方法，本发明针对传统测试用例排序问题中存在的目标单一，时间成本大，效果不理想等问题，创造性地引入MOEA/D‑VW算法，并以平均分支覆盖率和有效执行时间作为优化目标。该方法能在更短时间内，有效地实现多目标测试用例排序。该发明提高缺陷的早期检测速率，有效降低了回归测试成本。本发明在方法层面，对于传统的多目标优化算法进行了改进，加入了自适应的权重向量变化策略，使得结果有更好的分布性，获得的测试用例排序序列有更多的选择性。

技术领域

本发明涉及软件维护领域，尤其涉及一种基于分解的权重向量自适应的多目标测试用例排序方法。

背景技术

在软件的更新和演化过程中，通常要求测试人员进行更加多元化的软件回归测试。软件回归测试，指的就是当软件引入新的功能后，测试人员必须重新对原有的功能进行测试，以保证新功能的引入并不会对原有的功能造成影响。测试用例优先级排序就是对需要进行回归测试的测试用例进行排序，以提高缺陷的早期检测速率，从而降低测试成本。随着工业测试要求的不断提高，在实际测试过程中，测试用例排序需要考虑多种因素对软件质量的影响，例如测试成本、时间、代码覆盖率、修复难度等。多目标测试用例优先级排序问题(Multi-Objective Test Case Prioritization，MOTCP)是目前回归测试中急需解决的一个重要问题。

当前，研究人员大多采用贪心策略或者启发式算法对MoTCP进行求解。Yoo等人在选择测试用例的过程中基于Pareto思想，使用代码覆盖率、测试用例执行成本等作为优化目标，分别采用NSGA-II和贪心策略等多目标优化方法来设置测试用例优先级，虽然NSGA-II运行速度快，解集的收敛性好，但是每次迭代过程中的拥挤度计算过程复杂，算法性能不理想。边毅等人在MOTCP问题中引入了CPU和GPU，并使用NSGA-II的预优化技术对MOTCP问题进行求解，使得算法效率有显著提升，但依旧是用基于占优的原理进行优化，算法复杂度较高，当测试用例集较大时，性能不理想。邢行等使用蚁群算法处理MOTCP，同时引入了生物学上基因段原理，对信息素更新的方式进行拓展，在MOTCP问题求解上得到了较好的效果。另外，Megala Tulasiraman等人使用对等最优克隆选择算法，Tyagi Manika等使用离散粒子群算法，Deb Kalyanmoy使用带精英策略的NSGA-II算法，对测试用例进行排序。这些算法在原理上都是根据基于占优的多目标优化算法进行实现的，基于占优的多目标优化算法在复杂度上高于基于分解的方法，同时不能引入用户的偏好性信息。本发明创造了一种引入自适应多目标优化算法MOEA/D-VW。在求解MOTCP中，该方法能有效提高回归测试效率，利于尽早发现软件缺陷。

发明内容

在进行软件回归测试时，由于测试成本、时间等多因素的影响，通常需要满足多个测试目标，因此一个测试用例集排序结果的优劣需要从多个指标来进行评估。在多目标测试用例排序中，很难使多个目标同时达到最优，需要求解问题的非支配解集，但是传统的方法得到的非支配解集分布不够广泛，适应值较差，因此需要寻找一种更高效的多目标优化算法对其进行求解。

本发明的技术方案为：一种基于分解的权重向量自适应的多目标测试用例排序方法，包括以下步骤：

S1.假设某个待测试程序有m个分支，用n个测试用例对其进行回归测试，将测试用例集表示为Ψ＝{T₁，T₂，...，T_n}，其中T_i(1≤i≤n)为测试用例集中第i个测试用例，构造分支覆盖矩阵A_n×m和有效执行时间向量V＝(t₁，t₂，...，t_n)，其中t_i(i＝1，2，...，n)是对应第i个测试用例的有效执行时间，若第i个测试用例执行中覆盖了第j个分支，则A_ij＝1，否则A_ij＝0；