利用佳点集遗传算法的白盒测试用例优先排序

计算机工程与科学

利用佳点集遗传算法的白盒测试用例优先排序

孙家泽1,2,王刚1

（1.西安邮电大学计算机学院,陕西西安 710121;

2.西安邮电大学陕西省网络数据分析与智能处理重点实验室，陕西西安 710121）

收稿日期:2017-05-05 修回日期:2017-11-09 出版日期:2018-10-25 发布日期:2018-10-25
基金资助:
陕西省工业科技攻关项目（2017GY-076）

White box test case prioritization based on

good point set genetic algorithm

SUN Jiaze1,2,WANG Gang1

（1.School of Computer Science and Technology,Xi’an University of Posts and Telecommunications,Xi’an 710121;

2.Key Laboratory of Shaanxi for Network Dota Analysis and Intelligent Processing,

Xi’an University of Posts and Telecommunications,Xi’an 710121,China）

Received:2017-05-05 Revised:2017-11-09 Online:2018-10-25 Published:2018-10-25

摘要/Abstract

摘要：

在软件演化过程中,测试用例优先排序作为一种高效实用的回归测试技术,对于提高缺陷的早期检测速率和降低测试成本有重要意义。针对传统遗传算法在白盒测试用例优先排序中收敛速度慢和稳定性差的问题,采用佳点集遗传算法求解白盒测试用例优先排序问题。算法根据程序实体覆盖矩阵对个体进行编码,以程序实体覆盖平均百分比作为适应度函数,采用随机抽样选择算子和佳点集交叉算子产生新一代种群。实验选择6个典型的基准开源项目,以语句、分支和方法作为程序实体,实验结果表明佳点集遗传算法收敛速度快、稳定性好,为回归测试提供了一个有效的测试用例优先排序方法,有助于尽早发现软件缺陷,降低测试成本。

关键词: 白盒测试, 测试用例优先排序, 遗传算法, 随机抽样, 佳点集

Abstract:

Test case prioritization is an efficient and practical regression testing technique in the process of software evolution, and it is essential for improving early defect detection rate and reducing test cost. To solve the problem of slow convergence speed and poor stability of the traditional genetic algorithm (GA) in white box test case prioritization, we propose a test case prioritization method based on good point set GA (GGA). The GGA encodes the individuals according to the cover matrixes of program entities and uses average cover percentage of program entities as the fitness function. The GGA generates the new generation of population through random sampling selection operator and good point set crossover operator. We select six typical open source projects as benchmark programs, and take statements, branches and methods as program entities in the experiments. Experimental results show that the GGA has faster convergence speed and better stability than the traditional GA. The GGA provides an effective method for test case prioritization in regression testing, which is helpful for finding software defects as early as possible and reducing test cost.

Key words: white box testing, test case prioritization, genetic algorithm, random sampling, good point set

孙家泽1,2,王刚1. 利用佳点集遗传算法的白盒测试用例优先排序[J]. 计算机工程与科学.

SUN Jiaze1,2,WANG Gang1.

White box test case prioritization based on

good point set genetic algorithm

[J]. Computer Engineering & Science.

[1]	李成冉, 方佳豪, 尹首一, 魏少军, 胡杨. 基于遗传算法的晶圆级芯片映射算法研究[J]. 计算机工程与科学, 2024, 46(06): 993-1000.
[2]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[3]	孙睿男, 初翔, 陈昱, 闫明宁. 基于混合启发式算法的快递末端选址路径优化研究[J]. 计算机工程与科学, 2024, 46(01): 159-169.
[4]	郭艺, 何廷年, 李爱斌, 毛君宇. 融合GA-CART和Deep-IRT的知识追踪模型[J]. 计算机工程与科学, 2023, 45(09): 1691-1700.
[5]	叶坤涛, 舒蕾蕾, 李文, 侯春菊. 基于差分进化策略的天牛须搜索算法及其应用[J]. 计算机工程与科学, 2023, 45(05): 920-930.
[6]	毛媛媛, 石恩雅, 蒋从锋, 仇烨亮, 贾刚勇, 万健, 闫龙川. 基于遗传算法的数据中心能效仿真[J]. 计算机工程与科学, 2021, 43(08): 1341-1352.
[7]	胡新荣, 刘嘉文, 刘军平, 彭涛, 何儒汉, . 基于改进GA-BP-MC神经网络的人体三维尺寸预测[J]. 计算机工程与科学, 2021, 43(08): 1443-1453.
[8]	李静, 莫思敏 . 基于改进遗传算法的深度神经网络优化研究[J]. 计算机工程与科学, 2021, 43(08): 1503-1511.
[9]	李晶晶, 许少华. 基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用[J]. 计算机工程与科学, 2021, 43(04): 746-752.
[10]	季子豪, 江凌云. 一种基于遗传算法的多站点协同计算卸载算法[J]. 计算机工程与科学, 2021, 43(03): 426-434.
[11]	贾俊杰, 秦海涛. 基于遗传算法的动态轨迹匿名算法[J]. 计算机工程与科学, 2021, 43(01): 142-150.
[12]	李丹莲, 曹倩, 徐菲. 基于改进遗传算法的连锁便利店配送路径优化[J]. 计算机工程与科学, 2020, 42(11): 2096-2102.
[13]	陈旺虎，田真，张礼智，梁小燕，高雅琼. 基于插值的高维稀疏数据离群点检测方法[J]. 计算机工程与科学, 2020, 42(06): 966-972.
[14]	王硕禾1，刘旭1，李苏晨1，张国驹2. 基于多目标遗传算法的LoRa参数匹配优化[J]. 计算机工程与科学, 2020, 42(03): 434-440.
[15]	张卫祥，齐玉华，魏波，张敏，窦朝晖. 基于蚁群算法的测试用例优先排序[J]. 计算机工程与科学, 2020, 42(02): 241-249.