[发明专利]基于MOEA/D算法的回归测试用例多目标优化方法

说明书

技术领域

本发明涉及一种回归测试用例多目标优化方法，特别是涉及一种基于MOEA/D算法的回归测试用例多目标优化方法。

背景技术

在软件测试的整个周期中，最耗时最昂贵的内容之一就是错误定位及修正过程。特别是在定位到软件故障并进行修复之后，修复的内容就有可能给软件引入新的问题或故障。然而以往的故障再诊断方法往往要求在已发现的故障被修复后重新执行所有的测试用例以确定故障是否被完全修复和是否引入了新的故障，这种方法不仅非常昂贵和耗时，执行过程繁琐且容易出现错误。因此，回归测试作为一种提高故障修复后再诊断的效率和准确率，降低故障修复后重新测试所需的代价和成本的方法，被广泛的应用在软件测试中。

事实上，在实际测试过程中，对软件的每次修改都进行全面的重新测试，不仅仅必要性较低，而且从现实角度看也不可行。因此，不论是在软件开发阶段，还是在最终测试和故障修复阶段，在软件变化较为频繁时，如何提供有效的机制使得回归测试被有效的管理，回归测试用例集被最大的优化以及最大限度降低回归测试的开销和代价，提高回归测试效率，是整个回归测试乃至软件工程领域研究的重点。

目前，国内外研究学者针对回归测试已经展开探索，其中测试用例的选择问题已经成为回归测试所有研究方向中的热点，包括重新测试所有测试用例和选择部分测试用例两方面，其中重新测试所有可用测试用例尽管可以产生复用原有测试用例的优点，并且可以降低测试用例重新生成的代价，但是其缺点也是显而易见的，随着开发进度的增加，测试用例数量不断累积，此时如果复用原有的全部测试用例将给测试工作带来极大的负担，使整个工程的周期和预算变得难于控制。

而对于通过一定的策略筛选部分测试用例进行重新测试而言，只选择可能与软件已知故障修复部分产生关联的测试用例，首先可以减少回归测试中测试用例的运行成本，还可以减少整个测试用例集的维护成本，更重要的是，该策略相比全部重新测试能够更有效和更高效的验证所修改的部分是否达到了修复故障的目的以及是否引入了新的故障。

在现有回归测试的研究成果中，涉及到测试用例选择的有很多，这些方法大体集中在对于满足回归测试覆盖要求的最小测试用例集的选择优化算法和交互等方面，通过优化测试用例选择的模型，去除冗余无用或覆盖效果不理想的测试用例，减小回归测试中使用的测试用例集规模，进而削减回归测试的人力物力以及成本开销。

Yoo与Harman等人于2007年首先提出了采用多目标优化算法对回归测试用例集进行最小化(Shin Yoo and Mark Harman.Pareto efficient multi-objective test case selection.In ACM/SIGSOFT International Symposium on Software Testing and Analysis(ISSTA 2007),pages 140–150.ACM,2007.)然而该方法却存在一定的限制因素，采用NSGA-II算法往往只能得到局部的最优解，而很难取得最优帕累托前沿。在该方法中讨论了单目标和双目标的优化策略，而在实际测试过程中，如果仅仅采用单一目标或者两目标为基准对测试用例集进行优化，往往难以覆盖全部测试需求，造成测试需求项遗漏或覆盖不全面等问题。

此外对于两目标优化方法，现有的算法都采用以一个目标为主，先选取一个主要目标进行优化，而后针对第一步的优化结果再对第二个目标进行优化。该方法在一定程度内降低了算法的复杂度，然而采用两个目标先后进行优化的策略忽略了多目标作为一个整体的特性，仅能在算法局部取得最优解，而不能综合多目标取得全局最优解。

对于现有的用于多目标优化的算法，存在着算法复杂度与所求的解对于最优解的逼近程度之间的矛盾，求解效果好的算法往往复杂度较高。相比于传统，遗传算法不仅更适合此类问题的求解，而且计算成本相对较小，此类方法往往首先通过随机选取的测试用例构成初始集合，再将选取的测试用例中不理想的个体通过遗传算法中杂交变异等手段加以剔除，继而产生最优解。这些算法在回归测试多目标优化问题中的应用是本发明的重点。

发明内容