[发明专利]一种基于Actor-Critic算法的类集成测试序列生成方法

说明书

本发明公开了一种基于Actor‑Critic算法的类集成测试序列生成方法，属于软件测试技术领域。包括下列步骤：1）定义目标任务；2）程序静态分析；3）度量测试桩复杂度；4）设计奖励函数；5）Actor网络选择动作；6）Critic网络评价动作的优劣；7）更新网络参数；8）生成类集成测试序列。本发明解决了目前已有的类集成测试序列生成方法评估确定类集成测试序列花费的总体代价偏高的问题，为实际生产生活中测试人员开展测试工作提供了更为合理的测试序列生成方法，提升了集成测试的效率，可以更好地控制产品的质量。

技术领域

本发明属于软件测试技术领域，且特别是有关于一种基于Actor-Critic的类集成测试序列生成方法。

背景技术

软件的开发周期中，软件设计与测试阶段的占比最大，一个合理的软件测试序列会降低测试阶段的成本和开发人员的改进时间。在诸如Java这种面向对象的项目中，包含多个类且类间依赖关系错综复杂，无法直接确定类测试的先后顺序，因此在测试前，确定每个类的测试顺序十分有必要。

根据面向对象程序的类间依赖性，软件工程领域的研究者们提出了基于类集成测试序列的集成策略。在测试过程中，这些策略往往需要为面向对象程序中的某些类构造所需的测试桩，以代替其完成某些功能。这项任务的代价很大，并且一般来说没有办法避免，因而如何降低代价成为了集成测试中的一项关键性的问题。研究过程中，学者们通过计算测试桩复杂度衡量测试桩的代价，不同的类集成测试序列，它们的测试桩复杂度不尽相同，测试代价也不相同。合理地对测试程序中的类进行排序，得到可行的类集成测试序列，可以大大降低需要构建的测试桩的总体复杂度，进而尽可能使测试代价减小。

Actor-Critic方法是深度强化学习中的一个分支，目前已经应用于各种场景之下，比如自动驾驶、游戏竞技以及围棋游戏，并取得不错的结果。Actor网络是指导Actor在特定状态下选择最合理的动作，同时Critic网络是用来对Actor选择此动作的打分。类比于在跳水比赛中，跳水运动员（Actor）做出动作，裁判（Critic）对运动员的动作打分。二者之间相互博弈，共同提高自己的能力。

发明内容

本发明的目的在于提供一种基于Actor-Critic的类集成测试序列生成方法，解决已有的类集成测试序列生成方法类集成测试序列花费的总体代价过高问题。这可以为实际生产生活中测试人员开展测试工作提供更低代价的方法，进而提升集成测试的效率。

本发明按以下技术方案实现：

一种基于Actor-Critic的类集成测试序列生成方法，具体过程为：

步骤1、定义目标任务：本方法的任务就是使Actor网络环境中不断地进行尝试，根据不同的状态选择不同的动作，同时，Critic根据当前所处的环境，对Actor所选动作做出价值评估。最终是两个网络不断优化，最终目标是为了训练出的Actor网络选择出总体测试桩复杂度最低的序列。

步骤2、程序静态分析：对源程序进行静态分析，将获取的信息用于计算类间的属性和方法复杂度，通过属性复杂度计算类间的属性耦合，通过方法复杂度计算类间的方法耦合；

步骤3、度量测试桩复杂度：依据前面得到的属性和方法复杂度计算测试桩复杂度，为后面奖励函数的设计提供信息；

步骤4、设计奖励函数：将测试桩复杂度的计算融入奖励函数的设计中，将动作收益与动作成本相减得出动作净收益，作为动作奖励值；

步骤5、Actor网络选择动作：通过奖励函数反馈值函数，通过值函数的设定保证累计奖励最大化；

步骤6、Critic网络评价动作的优劣：当Actor完成设定的训练次数，选出整体奖励值最大的动作路径，即为本次学习得到的类集成测试序列。

步骤7、更新网络参数：当Actor网络与Critic网络完成一定次数的循环后，产生的经验值可以用于更新两个网络中的参数，使之更加准确。