基于MOABCO的多目标测试用例优先级排序

发布时间：2021-05-10 10:57

　　为了提高回归测试的效率,提出了一种基于多目标人工蜂群优化（Multi-Objective Artificial Bee Colony Optimization, MOABCO）算法的多目标测试用例优先级排序（Multi-Objective Test Case Prioritization, MOTCP）方法.针对标准多目标人工蜂群（Multi-Objective Artificial Bee Colony, MOABC）算法容易陷入局部最优解的问题,将差分变异策略融入到新蜜源更新阶段,且基于信息熵改进新蜜源选择方法,以避免算法陷入局部最优并增强了全局搜索能力;然后,将代码覆盖率和测试用例有效执行时间作为优化目标,并用MOABCO算法求Pareto最优解集,以解决MOTCP问题.实验结果表明, MOABCO算法求得的Pareto最优解集在逼近性和分布均匀性上均优于MOABC算法;在解决MOTCP问题上,相对于NSGA-II算法具有更高的收敛速度和更高的缺陷检测率. 

【文章来源】：测试技术学报. 2019,33(02)

【文章页数】：7 页

【文章目录】：
0 引 言
1 多目标人工蜂群优化算法
    1.1 精英解集及全局最优解更新策略
    1.2 最优个体引导差分变异的局部搜索
    1.3 基于信息熵的蜜源选择
2 基于MOABCO的多目标测试用例优先级排序
    2.1 优化目标
    2.2 蜜源个体编码
    2.3 MOABCO算法基本流程
3 实验结果分析
4 结束语


【参考文献】：
期刊论文
[1]面向多目标测试用例优先排序的蚁群算法信息素更新策略[J]. 邢行,尚颖,赵瑞莲,李征.  计算机应用. 2016(09)
[2]应用档案精英学习和反向学习的多目标进化算法[J]. 谢承旺,王志杰,夏学文.  计算机学报. 2017(03)
[3]面向CPU+GPU异构计算的多目标测试用例优先排序[J]. 边毅,袁方,郭俊霞,李征,赵瑞莲.  软件学报. 2016(04)
[4]基于离散人工蜂群算法的云任务调度优化[J]. 倪志伟,李蓉蓉,方清华,庞闪闪.  计算机应用. 2016(01)
[5]基于多目标协同进化的测试用例优先排序[J]. 石宇楠,李征,龚沛.  计算机科学. 2015(12)
[6]多目标优化的测试用例优先级在线调整策略[J]. 张娜,姚澜,包晓安,董萌,桂宁.  软件学报. 2015(10)
[7]基于历史信息的自适应测试用例优先级技术[J]. 常龙辉,缪淮扣,肖蕾.  计算机科学. 2015(09)
[8]一种多目标人工蜂群算法[J]. 葛宇,梁静.  计算机科学. 2015(09)
[9]回归测试中的测试用例优先排序技术述评[J]. 陈翔,陈继红,鞠小林,顾庆.  软件学报. 2013(08)
[10]基于快速自适应差分进化算法的电力系统经济负荷分配[J]. 吴亮红,王耀南,袁小芳,曾照福.  控制与决策. 2013(04)



本文编号：3179245