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。

不可靠测试条件下基于NSGA-Ⅱ的多目标测试优化选择

针对测试不可靠因素严重影响测试优化选择结果以及现有方法不能很好解决多目标测试优化选择等问题,提出基于第二代非支配排序遗传算法(NSGA-Ⅱ)的多目标测试优化选择的方法。首先,描述了测试不可靠条件下多目标优化选择问题的数学模型;其次,在该数学模型下,将系统给出的故障检测率和隔离率作为约束条件,将测试代价、漏检率和虚警率作为优化目标,建立了多目标优化问题;然后,提出带有精英保留策略的NSGA-Ⅱ对多目标问题进行优化选择,利用NSGA-Ⅱ能够得到一组Pareto最优解,可根据实际需求选择最优的测试组合;最后,针对某装备进行实例分析,得到3组最优解,可以满足不同需求下的最优选择,验证了所提数学模型与多目标优化算法的可行性与有效性。

NSGA-Ⅱ面向多目标测试数据模型的生成

测试数据的自动化生成的实现是软件测试自动化的重要研究项目。当前很多研究人员使用多种方法实现测试数据的自动生成,但生成的测试数据一般仅实现最大覆盖率的测试标准。在测试数据生成问题上,希望生成的测试数据能够达到最大的覆盖率,同时也希望生成的测试数据集越小越好,可以降低执行时间,同时提高执行效率。文中从覆盖标准和内存消耗两个方面对测试数据进行评估,采用多目标优化算法NSGA-Ⅱ,实现同时满足最大分支覆盖率和最大内存分配的测试数据的自动生成。实验表明,NSGA-Ⅱ算法生成的测试数据比其他多目标优化算法能更好地满足两个目标。

基于MOABCO的多目标测试用例优先级排序

为了提高回归测试的效率,提出了一种基于多目标人工蜂群优化(Multi-Objective Artificial Bee Colony Optimization, MOABCO)算法的多目标测试用例优先级排序(Multi-Objective Test Case Prioritization, MOTCP)方法.针对标准多目标人工蜂群(Multi-Objective Artificial Bee Colony, MOABC)算法容易陷入局部最优解的问题,将差分变异策略融入到新蜜源更新阶段,且基于信息熵改进新蜜源选择方法,以避免算法陷入局部最优并增强了全局搜索能力;然后,将代码覆盖率和测试用例有效执行时间作为优化目标,并用MOABCO算法求Pareto最优解集,以解决MOTCP问题.实验结果表明, MOABCO算法求得的Pareto最优解集在逼近性和分布均匀性上均优于MOABC算法;在解决MOTCP问题上,相对于NSGA-II算法具有更高的收敛速度和更高的缺陷检测率.

多目标优化算法标准测试函数寻优研究

多目标优化问题在各种领域中日益展现出举足轻重的地位。该文对6种多目标优化算法进行了测试,选择了四种不同性质的测试函数,安排了12组实验,从实验数据可以得出,NSGA-III算法在多目标优化问题中具有很好的寻优效果,IBEA算法在单目标优化问题或者是多目标问题中需要观测单个变量时能起到很好的寻优效果,CMAES算法在高值域多目标优化中能起到很好的优化作用。