CN104268077A - 基于混沌遗传算法的测试用例集约简算法 - Google Patents

Abstract

本发明公开了基于混沌遗传算法的测试用例集约简算法，初始化父体编码，对父体进行适应度计算，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，添加混沌扰动，不断迭代直到前后两次计算出的适应度平均值之差小于预先给定的最小正数ε₁为止。本发明的测试用例集约简算法简单，能提高测试效率、降低测试成本。

Description

基于混沌遗传算法的测试用例集约简算法

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：

$\mathrm{\ϵ}=1-{\left|\frac{k-1}{k}\right|}^m,$

m为初始解群数，k为迭代次数，在式F(W_i)＝Cov(W_i)/Cost(W_i)中c_i,d_i为变换常数，通过式g″_[k]＝c_i+d_i·g′_[k]后得到父体的新编码G″_[k]＝(g″_[1]g″_[2],...,g″_[n])，由于定义的编码g″_[k]∈{0,1}，因此将g″_[k]通过式 $g_{\left[k\right]}^{\′\′}\left\{\begin{array}{cc}1& g_{\left[i\right]}^{\′\′}>0.5\\ 0& \mathrm{else}\end{array}\right.$ 变换到相应的取值，

不断迭代直到前后两次计算出的适应度平均值之差小于预先给定的最小正数ε₁为止。

进一步，所述步骤3中选择、交叉、变异三步的具体过程为：

选择，采用轮盘赌选择算法，利用比例于各个父体适应度的概率决定其后代的遗留可能性，若某父代W_i，其适应度为F(W_i)，则其被选择的概率为为了选择父体进行交配，则需进行多次选择，每次需利用随机函数产生一个[0，1]之间的随机数，该随机数将作为选择指针来确定被选父体；

交叉：采用单点交叉，当2个父体W₁、W₂进行交叉操作时，设W₁＝[x₁,x₂,...,x_n]，W₂＝[y₁,y₂,...,y_n]，首先确认父体交叉点的有效区域，然后在该区域内随机选择交叉点，确保交叉点操作能生成不同的新父体，交叉点的有效区域确定如下：

A_min＝min{a|x_a≠y_a,a∈1,2,...,n}

A_max＝max{a|x_a≠y_a,a∈1,2,...,n}

交叉点有效区域为：(A_min,A_max)；

变异：根据种群的大小动态的进行变化，采用自适应遗传算法策略，在保证了种群的多样性的同时，也确保了优化的收敛性：

$\mathrm{rVariation}\left(i\right)=\left\{\begin{array}{cc}0.02& k\&le;25\\ 0.015& 25<k\&le;35\\ 0.01& 35<k\&le;60\\ 0.009& 60<k\&le;70\\ 0.0045& 70<k\&le;90\\ 0.0020& \mathrm{else}\end{array}\right..$

进一步，所述步骤4中最小正数ε₁为0.001

本发明的测试用例集约简算法简单，能提高测试效率、降低测试成本。

附图说明

图1是遗传交叉伪代码示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

用R＝{r₁,r₂,...,r_k}表示测试需求集，T＝{t₁,t₂,...,t_n}表示测试用例集，(其中n代表测试用例数量，k代表需求数量)，可用一个n×k二维数组g_[i][j]来表示测试用例t_i与测试需求r_j的覆盖关系：

g_[i][j]的取值为0或1，g_[i][j]＝1则表示用例t_i可以覆盖需求r_j，g_[i][j]＝0表示用例t_i不能覆盖需求r_j，测试用例集约简问题为用最少的测试用例覆盖最多的测试需求。

把测试用例t₁,t₂,...,t_n分别称作子体1,2,3,L,n，用g_[i]表示。采用二进制编码0、1对所有子体编码作为父体：W_i＝[g_[1],g_[2],...,g_[n]]，g_[i]∈{0,1}，g_[i]＝1表示子体i被选中到父体中，g_[i]＝0表示子体i未被选中到父体中。一个父体基因编码中包含所有子体的覆盖信息，即长度均为n。种群表示所有父体的集合，则测试用例最小化问题可以转化为在种群中寻找测试数量最少并且尽可能覆盖所有测试需求的父体。

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：父体适应度函数；

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，针对本发明的基因编码方式将适应度计算的对象变为对父体W_i按式(1)进行适应度计算：

F(W_i)＝Cov(W_i)/Cost(W_i)   (1)

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。

选择：采用轮盘赌选择算法。利用比例于各个父体适应度的概率决定其后代的遗留可能性。若某父代W_i，其适应度为F(W_i)，则其被选择的概率为为了选择父体进行交配，则需进行多次选择。每次需利用随机函数产生一个[0，1]之间的随机数，该随机数将作为选择指针来确定被选父体。

交叉：采用单点交叉，当2个父体W₁、W₂进行交叉操作时，设W₁＝[x₁,x₂,...,x_n]，W₂＝[y₁,y₂,...,y_n]。如果交叉点选择得不适合，则可能出现与两个交叉父体一样的新父体，导致交叉操作无效。因此，针对遗传算法中交叉算子的不足首先确认父体交叉点的有效区域，然后在该区域内随机选择交叉点，确保交叉点操作能生成不同的新父体。交叉点的有效区域确定如下：

A_min＝min{a|x_a≠y_a,a∈1,2,...,n}

A_max＝max{a|x_a≠y_a,a∈1,2,...,n}

交叉点有效区域为：(A_min,A_max)。例如2个父体W₁＝(110101)，W₂＝(111010)，其交叉点有效区域为：(3,6)。如图1所示为遗传交叉伪代码图。

变异：在变异操作中，变异概率的选取对较为重要，若选取过大，可能会影响算法中一些重要的数学特性和搜索能力。因此本文在传统遗传算法的基础上采用可变变异概率rVariation(i)：可以根据种群的大小动态的进行变化，采用自适应遗传算法策略。在保证了种群的多样性的同时，也确保了优化的收敛性。

$\mathrm{rVariation}\left(i\right)=\left\{\begin{array}{cc}0.02& k\&le;25\\ 0.015& 25<k\&le;35\\ 0.01& 35<k\&le;60\\ 0.009& 60<k\&le;70\\ 0.0045& 70<k\&le;90\\ 0.0020& \mathrm{else}\end{array}\right.$

步骤4：添加混沌扰动；针对本发明的编码方式在上一步的基础上添加混沌扰动，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(2)进行添加，然后按式(3)映射为优化变量，进行迭代计算。

g′_[k]＝(1-ε)g^*+ε·g_[k],1≤k≤n    (2)

g″_[k]＝c_i+d_i·g′_[k]          (3)

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，通过式(2)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。在搜索阶段的初期，希望g_[k]取值变动较大，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。

$\mathrm{\&epsiv;}=1-{\left|\frac{k-1}{k}\right|}^m---\left(4\right)$

m为初始解群数，k为迭代次数，在式(1)中ci,di为变换常数。通过式(3)后得到父体的新编码G″_[k]＝(g″_[1]g″_[2],...,g″_[n])，由于定义的编码g″_[k]∈{0,1}，因此需将式(3)得到的g″_[k]通过式(5)变换到相应的取值。

$g_{\left[k\right]}^{\&prime;\&prime;}\left\{\begin{array}{cc}1& g_{\left[i\right]}^{\&prime;\&prime;}>0.5\\ 0& \mathrm{else}\end{array}\right.---\left(5\right)$

不断迭代直到前后两次计算出的适应度平均值之差小于预先给定的某个小正数ε₁(一般取0.001)为止。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

为了测试CGTR模型是否能够有效提高约简能力，实验过程如下：通过随机函数随机生成大小分别为20、40、60、80、100的初始化测试用例各30个，共五组，并且确保每组的数据各不相同。对每个初始化测试用例分别运行GRTR模型、GEETR模型以及CGTR模型，并记录每个测试用例的花费时间以及约简后大小，并计算每组的平均值。通过实验结果可以发现，使用CGTR模型可以得到最好的约简效果。结果如下表1所示：

表1

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (3)

1.基于混沌遗传算法的测试用例集约简算法，其特征在于按照以下步骤进行：

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：

$\mathrm{\&epsiv;}=1-{\left|\frac{k-1}{k}\right|}^m,$

m为初始解群数，k为迭代次数，在式F(W_i)＝Cov(W_i)/Cost(W_i)中c_i,d_i为变换常数，通过式g″_[k]＝c_i+d_i·g′_[k]后得到父体的新编码G″_[k]＝(g″_[1]g″_[2],...,g″_[n])，由于定义的编码g″_[k]∈{0,1}，因此将g″_[k]通过式 $g_{\left[k\right]}^{\&prime;\&prime;}\left\{\begin{array}{cc}1& g_{\left[i\right]}^{\&prime;\&prime;}>0.5\\ 0& \mathrm{else}\end{array}\right.$ 变换到相应的取值，

不断迭代直到前后两次计算出的适应度平均值之差小于预先给定的最小正数ε₁为止。

2.按照权利要求1所述基于混沌遗传算法的测试用例集约简算法，其特征在于：所述步骤3中选择、交叉、变异三步的具体过程为：

选择，采用轮盘赌选择算法，利用比例于各个父体适应度的概率决定其后代的遗留可能性，若某父代W_i，其适应度为F(W_i)，则其被选择的概率为为了选择父体进行交配，则需进行多次选择，每次需利用随机函数产生一个[0，1]之间的随机数，该随机数将作为选择指针来确定被选父体；

交叉：采用单点交叉，当2个父体W₁、W₂进行交叉操作时，设W₁＝[x₁,x₂,...,x_n]，W₂＝[y₁,y₂,...,y_n]，首先确认父体交叉点的有效区域，然后在该区域内随机选择交叉点，确保交叉点操作能生成不同的新父体，交叉点的有效区域确定如下：

A_min＝min{a|x_a≠y_a,a∈1,2,...,n}

A_max＝max{a|x_a≠y_a,a∈1,2,...,n}

交叉点有效区域为：(A_min,A_max)；

变异：根据种群的大小动态的进行变化，采用自适应遗传算法策略，在保证了种群的多样性的同时，也确保了优化的收敛性：

$\mathrm{rVariation}\left(i\right)=\left\{\begin{array}{cc}0.02& k\&le;25\\ 0.015& 25<k\&le;35\\ 0.01& 35<k\&le;60\\ 0.009& 60<k\&le;70\\ 0.0045& 70<k\&le;90\\ 0.0020& \mathrm{else}\end{array}\right..$

3.按照权利要求1所述基于混沌遗传算法的测试用例集约简算法，其特征在于：所述步骤4中最小正数ε₁为0.001。