[发明专利]基于CS-SPSO算法的组合测试用例生成方法

说明书

本发明公开了一种基于CS‑SPSO算法的组合测试用例生成方法，属于软件测试领域。本发明包括：通过约束分析获得需覆盖的组合集；将取值最多的两个因素进行组合并进行约束分析得到最后的组合；根据类IPO策略确定其余元素的所有组合；将组合分为N个小种群，利用简化粒子群对这N个小种群进行局部搜索，充分发挥简化粒子群局部搜索的优势；再将得到的N个最优粒子作为布谷鸟算法的初始值进行深度优化，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，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。

技术领域

本发明属于软件测试领域，具体涉及一种基于CS-SPSO算法的组合测试用例生成方法。

背景技术

软件测试是软件生命周期的一个重要过程，随着软件规模的扩大和复杂度的不断增加，测试将无法做到100％的覆盖，那么选择一个合理且高效的测试方法是节约测试成本以及提高软件质量的关键。组合测试作为一种基于规约的测试方法，具有用例规模小、检错能力强的特点，能够以较低的成本完成相应的测试工作。

粒子群算法作为一种比较新的启发式搜索算法，具有参数设置少、执行速度快、易实现等特点。目前，许多学者对粒子群算法用于生成组合测试用例集的方法进行研究，但是粒子群算法存在极易陷入局部最优的缺点。而布谷鸟算法具有参数少，模型简单，全局搜索能力强，但是收敛速度不快且后期进化种群多样性差的特点。

因此，针对上述问题，本发明提出了一种基于CS-SPSO算法的组合测试用例生成方法。将简化粒子群算法和布谷鸟算法相结合生成CS-SPSO算法，该算法能有效的结合两个算法的优点，避免陷入局部最优且快速找到全局最优解，再将CS-SPSO算法和类IPO相结合，提出一种可以组合测试用例生成方法。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(simple particle swarm optimization,简称SPSO)与布谷鸟算法(Cuckoo Search，缩写CS)相结合，形成一种CS-SPSO算法，提供了一种基于CS-SPSO算法的组合测试用例生成方法。

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。

类IPO策略：在组合测试用例生成问题中，经过王子元等人的研究对比可知，类IPO策略比one-test-at-a-time策略更胜一筹。组合问题已经被证实是一个NP-C问题，在使用类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CS-SPSO策略相结合生成组合测试用例集。

CS-SPSO算法则为简化粒子群算法和布谷鸟算法的结合。将初始种群划分为n个小种群，每个小种群并行进行简化粒子群算法操作，得到n个最优粒子，将其作为布谷鸟算法的初始鸟巢位置，经过布谷鸟算法得到一个最优解。

本发明解决其技术问题所采用的技术方案具体如下：

1.对输入空间进行建模，获取各因素及其取值范围；