[发明专利]基于MOEA/D算法的回归测试用例多目标优化方法

摘要

本发明公开了一种基于MOEA/D算法的回归测试用例多目标优化方法，用于解决现有回归测试用例多目标优化方法复杂的技术问题。技术方案是从影响测试用例效用的所有属性中选取三个属性，分别测定所述三个属性对于测试用例效用的影响程度，采用GCC编译器的内置插件GCOV测定代码覆盖率，测定分支覆盖过程使用插装程序分析被测程序源码，在其中的if‑else分支、for循环、do‑while和while‑do循环之中插入检测代码，采用开源工具Valgrind测试用例执行时间。本发明采用MOEA/D算法进行回归测试用例集三目标优化，在完整覆盖各项测试需求的情况下，可以有效的进行测试用例集优化，方法简单。

主权项

一种基于MOEA/D算法的回归测试用例多目标优化方法，其特征在于包括以下步骤：定义一个决策向量x，该向量能够优化一个包含M个向量的目标函数fi(x)，其中i＝1,2,...,M；假设最终优化目标为使函数fi取最大值，其中i＝1,2,...,M；称决策向量x优超决策向量y，记为x＞y；当且仅当目标函数fi(x)与fi(y)满足：且在满足帕累托最优的情况下所有的决策向量都不被其他决策向量所 优超，此时相应的目标向量组成帕累托最优前沿，则多目标优化问题被描述为：给定：一组决策向量x和目标函数集合fi(x)，其中i＝1,2,...,M；问题：在可行解集合中寻找一组最优解使得函数组{f1(x),f2(x),...,fM(x),}取值最大；多目标测试用例集最优化的问题被抽象为如下描述：给定：一组测试用例集T以及一组M目标函数fi,i＝1,2,...,M；问题：寻找一组测试用例集T的子集T’，使得该子集T’在目标函数的约束下去的帕累托最优；在{f1(t1),f2(t1),...,fM(t1),}中，当T的子集t1优超时，即为决策向量t1优超决策向量t2；优化取得的最终结果，即T的帕累托最优子集T’，即能够取得回归测试优化准则中所预期的目标；MOEA/D算法的主要流程如下：多目标优化问题被描述为：使函数F(x)＝(f1(x),f2(x),...,fm(x))T取值最大化，其中x∈Ω；其中，Ω代表变量空间，如果x∈Rn，则Ω被描述为：Ω＝{x∈Rn|hj(x)≤0,j＝1,2,...,m}令λ1,λ2,...,λN组成均匀分布的权重向量集合，用z*表示代表点，利用切比雪夫方法，该问题的帕累托前沿被近似分解为N层子问题如下：其中，在该分层方法中，函数gte关于λ是连续的，即若λi与λj之间距离最小，则gte(x|λi,z*)与gte(x|λj,z*)之间的距离也最小；因此接近λi的每个gte函数所携带的权重向量信息都被用来优化gte(x|λi,z*)；在MOEA/D算法中，λi与相邻权重向量之间的关系被定义为一组由其相邻权重向量构成的集合{λ1,λ2,...,λN}；第i个子问题的相邻关系由所有子问题关于λi点的权重向量来表示；在每一代种群t中，MOEA/D算法利用切比雪夫方法保持如下特性：·一个具有N个点的种群x1,x2,...,xN∈Ω，其中xi为第i个子问题的当前最优解；·FV1,FV2,...,FVN，其中FVi表示xi的F函数值，即对于每个i＝1,2,...N，有FVi＝F(xi)；·z＝(z1,z2,...,zm)T，其中zi为每个fi目前能够计算出的最优值；·一个外部种群EP，用于存储搜索最优解过程中找到的非支配解。