[发明专利]基于混沌遗传算法的测试用例集约简算法

说明书

技术领域

本发明属于软件测试用例最小化生成技术领域，涉及基于混沌遗传算法的测试用例集约简算法。

背景技术

软件测试是软件质量保重中必不可少的一部分，为满足一定测试需求覆盖率，生成的测试用例数目往往异常庞大，软件系统开发过程的迭代需要频繁的进行回归测试，测试冗余严重。为提高测试效率、降低测试成本，减少测试用例的执行、管理与维护的开销，测试用例集的约简是极为必要的。现有的测试用例约简方法主要有贪心算法、启发式算法、整数规划算法、扩张集算法、遗传算法等。针对遗传算法用于软件测试用例集约简时，在适应度函数选择不当的情况下极有可能陷入局部最优的问题，本发明运用混沌遗传算法来进行测试用例集的约简，形成了基于遗传算法扩展算法测试用例约简模型(GEETR模型)，在GEE算法的基础上继续将混沌理论引入其中，形成CGTR模型。把遍历范围“放大”，然后对所得混沌变量进行编码，对其进行选择、复制、交叉、变异操作，然后对各个混沌变量附加一混沌小扰动，通过不断进化收敛到一个最适合的个体上，混沌系统的遍历性能够在全局范围内进行无重复的搜索，减少了搜索的随机性，从而提高搜索的效率。

发明内容

本发明的目的在于提供基于混沌遗传算法的测试用例集约简算法，解决了现有的测试用例集的约简的方法复杂，效率低的问题。

本发明所采用的技术方案是按照以下步骤进行：

步骤1：编码、初始化种群；初始化父体编码时满足当父体W_i与子体g_[i]下标相等时，g_[i]＝1，其余g_[i]＝0；

步骤2：当父体编码改变时需重新计算其适应度，适应度值主要用于轮盘赌选择算法和混沌遗传算法，使用传统适应度函数计算公式，将适应度计算的对象变为对父体W_i按公式F(W_i)＝Cov(W_i)/Cost(W_i)进行适应度计算，其中，Cov(W_i)指父体的测试覆盖度，Cov(W_i)是父体的测试运行代价，覆盖程度Cov(W_i)为计算父体编码W_i中覆盖测试需求r_k的的个数；

步骤3：定义遗传算子；遗传算子包括选择、交叉、变异三步，主要对父体进行遗传变异，对其进行优化最终得到新的父体的一个过程，新父体的生产可能会增加向最优解变异的机会，因此在遗传算子结束后需再对新的父体进行适应值评价，判断是否满足输出条件，满足则输出最优子代，否则，则进行步骤4；

步骤4：添加混沌扰动；对当前种群中适应度后90％的父体，利用混沌系统，对其进行一定程度的微小扰动，从而提高其适应度，将选中的父体W_i＝[g_[1],g_[2],...,g_[n]]所指代的二进制的每一位都加一混沌扰动，按式g′_[k]＝(1-ε)g^*+ε·g_[k],1≤k≤n进行添加，然后按式g″_[k]＝c_i+d_i·g′_[k]映射为优化变量，进行迭代计算；其中g′_[k]为经过添加随机扰动后形成的一个混沌变量，g^*为当前最优父体所指代的二进制编码，g_[k]为迭代k次之后的编码，通过g′_[k]＝(1-ε)g^*+ε·g_[k],1≤k≤n可得到一组新父体G′_[k]＝(g′_[1]g′_[2],...,g′_[n]),0＜ε＜1,对于ε的取值采用自适应进行选取，随着搜索逐渐接近最优点，需将ε逐渐缩小，以保证在小范围内搜索最优解：