CN110515845B

CN110515845B - 基于改进ipo策略的组合测试用例优化生成方法

Info

Publication number: CN110515845B
Application number: CN201910769058.5A
Authority: CN
Inventors: 牟式标; 金瑜婷; 董亮亮; 张娜
Original assignee: Zhejiang Sci Tech University ZSTU; Yiwu Industrial and Commercial College
Current assignee: Zhejiang Sci Tech University ZSTU; Yiwu Industrial and Commercial College
Priority date: 2019-08-20
Filing date: 2019-08-20
Publication date: 2022-12-30
Anticipated expiration: 2039-08-20
Also published as: CN110515845A

Abstract

本发明公开了一种基于改进的IPO策略的组合测试用例优化生成方法，属于软件测试领域。本发明包括：通过分析获得需覆盖的组合集；采用用例的错误检出率C_i和响应时间T_i作为评估指标，为各指标分配权值并进行排序，取排序最靠前的t个因素的取值进行组合；根据改进的IPO策略将确定其余元素的所有组合；将改进的IPO策略和简化粒子群相结合，充分发挥简化粒子群的搜索优势，快速生成单条测试用例。位置更新时使用反射墙策略对粒子位置进行边界处理，防止飞出有效的搜索空间。本发明可适用于不同覆盖强度的覆盖表生成，有效缩减了组合测试用例集的规模，并大幅度提升了组合测试用例的生成效率。

Description

基于改进IPO策略的组合测试用例优化生成方法

技术领域

本发明属于软件测试领域，具体涉及一种基于改进IPO策略的组合测试用例优化生成方法。

背景技术

软件测试是保证软件质量的一个必不可少的环节。由于人们对计算机软件功能的要求越来越高，其结构也越来越复杂，影响软件质量的因素也变得越来越多。这些因素本身以及相互之间的影响都有可能触发软件故障，对这些可能的影响因素进行百分百覆盖极其耗费人力物力，所以如何选择少而精的测试用例就显得至关重要了。要解决这个问题，组合测试是一种非常有效的方法。组合测试作为一种基于规约的测试用例生产技术，能够在保证错误检出率的前提下采用较少的测试用例来测试系统

其中，粒子群优化算法是Kenney和Eberhart通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。粒子群算法用若干个测试用例作为初始化种群，种群中的一个粒子代表一种可能的测试用例；然后对粒子进行速度和位置更新，根据适应度函数找到个体最优解和全局最优解。相对于无法解决复杂优化问题的传统优化算法，粒子群算法以需调整的参数少、易实现、搜索与收敛快等优点引起了学术界的重视，广泛地应用在了组合测试用例生成中。

因此，针对上述问题，本发明提出了一种基于改进IPO策略的组合测试用例优化生成方法。将简化粒子群算法和改进的IPO策略相结合，使其在覆盖表生成上具有更强的适用能力。为进一步提升算法性能，根据用例的错误检出率和响应时间作为评估指标，优先选取权值高的因素进行组合并生成单条测试用例。该算法在用例规模和时间成本上具有一定的优势。

发明内容

本发明的目的是对标准粒子群算法进行改进，排除了速度因素对粒子优化的影响，加快了运算速度，将简化粒子群算法与改进的IPO策略相结合，提供了一种更加有效的组合测试用例生成方法。

本发明解决其技术问题所采用的技术方案如下：

定义：

测试用例：

假设一个待测软件系统(SUT)受到n个独立因素的影响，这些因素形成一个有限集合F＝{f₁,f₂,…,f_k}，其中第i个因素f_i拥有l_i个可选取值，则其对应的有效取值集可表示为D_i＝{1,2,…,l_i}。那么，可以称n元组T＝(x₁,x₂,…,x_n)其中(x₁∈D₁,x₂∈D₂,…,x_n∈D_n)为SUT的一条测试用例。

改进的IPO策略：

IPO策略包括水平扩展阶段和垂直扩展阶段。组合问题已经被证实是一个NP-C问题，在使用IPO策略时，只能考虑使用多项式时间生成近似最优的组合测试用例，因此可将该策略与简化粒子群算法相结合生成组合测试用例集。改进的IPO策略具体如下：首先对所有因素的取值进行t-way组合生成相应的组合覆盖集S，接着根据错误检出率和响应时间作为评估指标，将评估指标加权得到各个因素的影响因子并进行递减排序，然后将前t个因素的所有取值进行组合生成t-way组合集S'，保证前t个因素构成的任意t-way组合均被S'覆盖，然后依次取出S'中的t-way组合，利用简化粒子群算法确定最优组合以及剩余因素的取值并生成一条完成的测试用例t，这一阶段相当于IPO的水平扩展阶段；接着对用例t进行分析判断，删除并更新S中的组合覆盖表，当S'为空而S不为空时，依次取出S中的组合利用简化粒子群算法生成测试用例，这一阶段相当于IPO的垂直扩展阶段，其改进的IPO策略流程图见附图1。

简化粒子群算法：

简化粒子群算法是采用一群随机粒子来模拟鸟集体飞行觅食的行为，通过集体的协作来达到最优目的，其流程图见附图2。

一种基于改进IPO策略的组合测试用例优化生成方法，包括如下步骤：

(1)对输入空间进行建模，获取各因素及其取值范围；

(2)通过分析，获取需覆盖的n个因素的取值组合，即组合覆盖集S；

(3)分别对n个因素进行测试评估，选取测试过程中用例的错误检出率和响应时间作为评估指标，将评估指标加权得到各个因素的影响因子并进行递减排序，取排序最靠前的t个因素作为主要因素，剩余的n-t个因素作为次要因素；将t个主要因素的任一取值进行组合，得到t-way组合s′，直到t个主要因素的所有取值组合均被覆盖，得到t-way组合集S′，其中S′＝{s′₁,s′₂,…,s′_m}，s′_i为S′中的第i个t-way组合，m为S′中包含的t-way组合的个数；

(4)从S′中依次取出一个t-way组合s′_i，将剩余的n-t个次要因素与s′_i生成测试组合，将所有的测试组合映射成一个粒子，并初始化该粒子的位置矢量X_i，遍历S′中的所有t-way组合，得到每一个粒子的初始位置矢量和粒子群的初始位置矢量；

(5)计算每一个粒子的适应度函数，得到每个粒子的适应值；

(6)根据步骤(5)得到的每个粒子的适应值，记录每一个粒子的个体历史最优位置p和整个粒子群的历史最优位置g，然后更新每个粒子的位置；选择适应度值最大的一个粒子作为当前最优粒子gBest，根据粒子与当前最优粒子之间的距离对惯性权重w进行自适应调整，重复步骤(5)-(6)，直到达到预设的最大迭代次数；

(7)根据当前最优粒子gBest对应的测试组合生成单条测试用例；

(8)将步骤(7)生成的单条测试用例存入组合测试用例集TS中，并从组合覆盖集S中剔除已覆盖的组合，得到新的组合覆盖集S(t+1)，从t-way组合集S′中剔除t-way组合s′_i，得到新的t-way组合集S′(t+1)；

(9)判断t-way组合集S′(t+1)是否为空，若否，重复步骤(4)～(8)，若是，执行步骤(10)；

(10)判断组合覆盖集S(t+1)是否为空，若是，输出组合测试用例集TS，若否，则随机取出组合覆盖集S(t+1)中的一个取值组合，重复步骤(4)～(9)。

进一步的，所述的步骤(6)具体为：

第i个粒子在第t代时用一个位置指标来描述：

为d维向量；第i个粒子搜索至第t代时的个体历史最优位置为p_i＝(p_i1，p_i2，…，p_ij，…，p_id)，搜索至第t代时的整个粒子群的历史最优位置为g＝(g₁,g₂,…,g_d)，则在第t+1代时，第i个粒子的第j维位置

的迭代更新公式如下：

其中，w为惯性权重，对下次移动产生影响，c₁和c₂为学习因子，r₁和r₂为[0,1]内的随机数；

w的更新公式如下：

其中，w_max、w_min分别表示初始化时惯性权重的最大值和最小值，f表示适应度函数，f(avg)^t表示平均适应度值。

进一步的，所述的步骤(8)具体为：

(8.1)更新组合测试用例集TS(t+1)＝TS(t)∪{gBest}；

(8.2)计算当前最优粒子gBest所包含的组合s，剔除已覆盖的组合，得到新的组合覆盖集S(t+1)＝S(t)-s；

(8.3)从t-way组合集S′中剔除t-way组合s′_i，得到新的t-way组合集S′(t+1)＝S′(t)-s′_i。

本发明具备的有益效果是：

本发明考虑了过多干扰参数对算法的优化影响，因此简化了速度这一不必要因素，加快了算法的运算速度。本文提出的基于改进IPO策略排除了因素选择的随机性，增强了局部组合覆盖率并在一定程度上减少了测试用例的数目。本文也对粒子群算法中的惯性权重进行动态调整，不仅提高了算法的优化能力也有效克服了粒子群算法易陷入局部最优的缺陷。经过实验表明，基于改进IPO策略的组合测试用例优化生成方法在用例规模和时间成本上有一定的优势。

附图说明

图1是改进的IPO策略的流程图；

图2是简化粒子群算法的流程图；

图3是本发明基于改进IPO策略的组合测试用例优化生成方法的总体流程图。

具体实施方式

下面结合附图并通过具体实施方式来进一步描述本发明。

如图1～3所示，本发明所述的组合测试用例生成方法，将改进的IPO策略与简化粒子群算法相结合，用于组合测试用例生成，图1为改进的IPO策略流程图，图2为简化粒子群算法流程图，图3将图1和图2的流程进行组合，因此以图3中的基于改进IPO策略的组合测试用例优化生成方法总体流程图为例，对本发明中的方法的具体步骤进行说明：

步骤1：分析实际问题，计算因素个数n以及每个因素的取值范围D_i＝{1,2,…,l_i}，并通过分析约束条件，获取组合覆盖集S。

步骤2：分析实际问题，分别对n个因素进行测试评估，选取测试过程中用例的错误检出率和响应时间作为评估指标，将评估指标加权得到各个因素的影响因子并进行递减排序，取排序最靠前的t个因素的取值进行组合，得到t-way组合集S′。

步骤3：依次从t-way组合集S′中取出一个组合s′_i，将s′_i作为输入值，组合s′_i可对应于一条仅有部分取值确定的测试用例；将剩余的n-t个因素与s′_i生成测试组合，将所有的测试组合映射成一个粒子，遍历S′中的所有t-way组合；采用简化粒子群算法给缺省的参数选取合适的取值，比较S′中的所有组合并得到覆盖组合数量最多的单条测试用例，存入测试用例集TS中，并从组合覆盖集S中剔除已覆盖的组合，得到新的组合覆盖集。具体步骤为：

步骤3.1：设定种群大小为m，初始化每个粒子的位置矢量X_i。

步骤3.2：计算每个粒子的适应值fitness(X_i)并记录当前最优解，其返回值为粒子位置x_i在需覆盖组合集S中所能覆盖的组合数目。

步骤3.3：更新每个粒子i目前为止的自身最佳位置p_i和整个种群的最佳位置g，根据适应值来确定，适应值越高则粒子越优。

步骤3.4：根据粒子的优劣对惯性权重进行自适应调整，以粒子与当前最优粒子之间的距离作为粒子优劣的评价标准。

步骤3.5：根据下述公式更新每个粒子的位置。

其中，w为惯性权重，对下次移动产生影响，c₁和c₂为学习因子，r₁和r₂为[0,1]内的随机数。

其中，w_max、w_min分别表示初始化时惯性权重的最大值和最小值，f表示适应度函数，

则表示平均适应度值。

步骤3.6：重复步骤3.2～3.5，直到达到预设的最大迭代次数，返回当前最优粒子gBest，根据当前最优粒子gBest对应的测试组合生成单条测试用例{gBest}，更新组合测试用例集TS(t+1)＝TS(t)∪{gBest}。

步骤3.7：更新组合测试用例集TS(t+1)＝TS(t)∪{gBest}。

步骤4：计算最优粒子gBest所包含的组合s，剔除已覆盖的组合，得到新的组合S(t+1)＝S(t)-s，且在t-way组合集S′中剔除s′组合，得到S′(t+1)＝S′(t)-s′。

步骤5：重复步骤3～4，直到t-way组合集S′为空。

步骤6：如果t-way组合S′为空，而组合覆盖集S不为空，则在组合覆盖集S中取任意组合重复步骤2～4，直到组合覆盖集S为空，输出组合测试用例集TS。

为了验证本发明的有效性，将在windows操作系统的Idea工具上，采用Java(JDK1.8)语言编程实现简化粒子群算法与基本粒子群算法进行对比以及基本IPO策略和改进的IPO策略的对比。本文采用10个具有代表性、复杂程度不同且组合维度不同的实例(见表1)进行实验分析，其中有覆盖矩阵(CA)和混合覆盖矩阵(MCA)各5组。

表1实验采用的10个覆盖表

为了规避简化粒子群算法执行过程中随机因素对结果产生的影响，故对每组实例独立运行100次取平均值作为实验的对比数据。算法的参数设置为：种群大小m＝100，迭代次数NC_max＝500，学习因子c1＝c2＝2，r₁和r₂是[0,1]内的随机数，w_max＝0.9，w_min＝0.4。

表2 PSO和SPSO算法的比较

表3 IPO策略和改进的IPO策略的比较

表2和表3都是从测试用例集规模和算法运行时间这两个方面进行比较。从用例规模上看可知，基于简化粒子群算法在总体用例规模上都优于基本的粒子群算法，改进的IPO策略也基本优于IPO策略，在因素的取值个数较多或t-way维度比较高的覆盖表中，其优势更加明显，例如CA5、MCA9等，经对比可发现本发明提出的简化粒子群算法和改进的IPO策略对缩减测试用例集规模有一定的效果。

从时间性能上看，简化粒子群算法相较于基本的粒子群算法具有一定优势，尤其在CA5、MCA9这些维度比较高的覆盖表上其优势更加明显。由此可见，本发明提出的简化粒子群算法可有效缩减执行时间。

综上所述，本发明提出的简化粒子群算法和改进的IPO策略，在因素的取值个数较多或t-way维度比较高的情况下，生成测试用例集规模和算法执行时间上具有一定的优势。