已经写好的遗传算法用于两两组合测试用例集的开题报告+论文.docx
《已经写好的遗传算法用于两两组合测试用例集的开题报告+论文.docx》由会员分享，可在线阅读，更多相关《已经写好的遗传算法用于两两组合测试用例集的开题报告+论文.docx（54页珍藏版）》请在冰豆网上搜索。
已经写好的遗传算法用于两两组合测试用例集的开题报告+论文
课题来源：
指导教师承担的科研任务
课题研究的目的和意义：
针对两两组合测试用例集的生成问题,在有效地结合了两两组合测试问题本身的特点基础上,提出了一种基于动态解空间的启发式遗传算法（HGA）.详细分析了测试用例生成过程,根据其解空间的动态变化在传统遗传算法中加入了启发算子,使得HGA算法可以快速地搜索出当前局部优化的测试用例.实验结果表明,HGA算法在完全覆盖参数两两组合的前提下有效地减少了测试用例的数量,并且具有较快的迭代速度.这在当今社会上有相当高的研究价值以及利用价值。
随着计算机技术的发展，其应用领域不断扩展，几乎渗透到了各行各业，在生活中扮演着无法替代的重要角色。
在这些应用中，计算机硬件是载体，而软件则是灵魂，它将具体的问题转换为计算机可解的抽象问题，从而使得问题得到高效和高精度的解决。
由于具体问题的规模不断加大，复杂度不断上升，相应的软件规模和复杂度也随着增大。
这就意味这软件中可能隐藏着更多和更微妙的错误，这些错误看似微小，实则可造成重大损失，尤其的航空、航天、金融、通讯、交通等关键领域。
因此对软件进行测试，寻找潜在的隐患是十分重要的。
然而，由于软件本身相当大的规模和非常搞的复杂度，要进行高效且让人信服的测试还是相当困难的，器对资源和人力的消耗非常巨大。
统计表明，在典型的软件开发过程中，测试要消耗掉50%以上的资源和时间。
而且，在许多大型软件汇总，测试是一个重复性的，非创造性的，高精准度要求的活动，这并非人类所擅长的，但计算机却可以高速而有精确地对各类数据和信息进行处理，从而避免测试人员因疲劳和情绪而产生的错误。
因此，如何高效自动的生成尽可能少的测试用例并进行实施，用尽可能小的代价达到可信的测试效果是值得关注和研究的问题。
实践表明：
那些难以觉察的软件系统的故障往往由各个系统因素共同影响而构成。
研究发现，20%~40%左右的软件故障是由某一单个系统因素引发，20%~40%的故障由两个系统因素相互作用引发，由此存在大约70%左右的故障是由不超过2个左右的因素引发的。
因此，对各种系统因素的组合进行测试可以范县大量的签字啊问题，组合测试由于能够是由数量较少的测试用例来检测软件系统中各因素以及它们之间的相互作用可能对软件系统产生的影响，因此在各个方面得到人们的广泛重视和研究。
国内外同类课题研究现状及发展趋势：
国内外研究现状基于两两组合覆盖的测试用例集合生成技术研究，主要是研究应用组合设计方法对软件进行组合测试。
一开始，主要是将数学中正交拉丁方的特性应用于软件测试，取得了比较好的效果，形成了正交拉丁方算法。
随后在两两组合覆盖测试数据生成技术的发展中，生成方法主要有启发式方法和代数方法。
美国贝尔实验室的Ｄ．Ｍ．Ｃｏｈｅｎ与Ｓ．Ｒ．Ｄａｌａｌ等提出的ＡＥＴＧ算法和北卡罗莱纳卅Ｉ大学的Ｙｋｉ与Ｋ．Ｃ．Ｔａｉ等提出的ＩＰＯ算法等都属于启发式方法，它的特点是非常灵活、有效。
同时加拿大渥太华大学的Ａ．ｗ：
ｗ＿ｉｌｌｉ锄ｓ提出了ｗｉｌｌｉａｍｓ方法。
上述两种方法都属于代数方法，都可以有效地生成满足要求的测试数据，并且在某些情况下其效果要比启发式方法好。
代数方法是启发式方法的一种重要补充，它的特点是非常简洁。
我国的史亮等提出的ＰＳＳＴ算法将解空间映射成一个树，它的基本思想是找出相互间重叠数不超过１的所有解，这种算法给我们提供了一个解决问题的新思路。
上述六种主要算法都有各自的优缺点，总结如下：
（１）正交拉丁方算法利用组合数学中拉丁方的特殊性质来构造满足两两组合覆盖要求的测试集。
它的优点在于构造简单，存在现实中的数学模型，并且在已知参数个数及可取值情况下就可准确计算出满足两两组合覆盖要求的测试集大小。
不足之处是在实际系统中，往往为了满足拉丁方数学上的特性，因此在构造算法中常常需要添加“无关值”，从而导致增加额外的测试用例。
（２）ＡＥＴＧ算法先产生一组待测的测试用例，然后利用贪心算法（Ｇｒｅｅｄｙ～ｇｏｒｉｔｈｍ）选择其中一个能覆盖最多未被覆盖到的两两组合，循环迭代直至所有的两两组合都被覆盖。
相对于其它算法，它获得的结果是较优的。
与其它算法一次生成所有测试用例的方式不同，ＩＰＯ算法是以参数为中心的，这样就有利于系统的扩展，且该方法在时间复杂度上略优于ＡＥＴＧ算法，但是结果不是较优的。
（3）ｗｉｌｌｉmｓ算法以正交拉丁方算法为基础，在正交矩阵的基础上加入了分区等因素。
它改进的算法在时间复杂度上比较稳定，受参数规模等因素影响较小，且生成测试用例集合的规模同ＩＰＯ算法基本相当；不足之处是该算法只适合参数规模较小的系统。
（4）ＰＳＳＴ算法将解空间映射成一个树，它的基本思想是找出相互间重叠数不超过１的所有解，然后对其进行扩展。
ＰＳＳＴ算法将启发式方法和代数方法的优点结合起来，并尽量克服两者的不足。
该算法也可以允许测试人员预先指定一组测试用例，然后在此基础上进行扩展以生成两两组合覆盖表。
该算法具有较强的针对性和灵活性。
但由于该算法终究还是属于启发式算法，所以不能保证每次测试用例生成的结果是最优的。
（5）同ｗｉｌｌｉmｓ算法相似，Ｋ０ｂａｙａｓｌｌｉ算法也是通过一些基本正交表和特征块作为基本成分，来构造满足要求的复杂两两组合覆盖表。
Ｋｏｂａｖａｓｈｉ算法的基本成分是正交表Ｏ表，并通过。
表的交叉重叠来构造新的两两组合覆盖表。
虽然Ｋ｜０ｂａｙａｓｈｊ算法在某些情况下能获得最优解，但是其还是不能避免由于拉丁方特性所带来的缺陷。
课题研究的主要内容和方法，研究过程中的主要问题和解决办法：
课题研究的主要内容有：
论文首先详细介绍和分析了六种主要的两两组合覆盖测试数据生成算法，并通过分析比较，总结出每种算法的优缺点。
在研究各种算法的同时，我们发现相对于其它算法，ＩＰＯ算法兼顾了性能和效率，且具有更好的可扩展性，但是口Ｏ算法缺少了对影响其性能相关问题的研究，包括测试用例水平扩展次序的问题、测试用例集合整体覆盖安排的问题和待扩展参数的扩展次序问题。
本文通过实验分析和总结，提出了一个新的混合算法——－ＨＩＰＯ算法。
ＨＩＰＯ算法在继承ｍ０算法优势的基础上，弥补了上述三个不足，取得了较优的实验结果。
ＨＩＰＯ算法引用了遗传算法中个体适应度的思想，对测试用例集合中的每一个测试用例都设置了一个贡献度的指标，以此来评价该测试用例对整个集合的贡献程度，为以后的策略提供了评价的基础。
最后本文利用java技术实现了一个基于该方法的测试用例生成工具，并在之后的初步实验以及ＡＭＬ应用中，验证ＨＩＰＯ算法的有效性。
组合测试的概念最早是由MandlR提出的，他在1985年提出对Ada百年一起进行了参数两两组合的概念，并使用正交拉丁方生成策划师用例集来进行组合测试。
1992年，Brownlie使用正交表对PMX/StarMaIL系统进行测试，并开发了OATS工具产生正交表，使用较少的测试用例检测出很多以前无法发现的错误。
可见，早期的组合测试主要是运用数学模型来生成测试用例的。
20世纪90年代后期，贝尔实验室提出一种基于贪心策略的组合测试用例生成算法为组合测试方法的研究开辟了另外一条重要途径。
他们开发的AETG系统在产生组合测试用例集方面取得了很好的效果。
2000年，美国喷漆推进实验室（JetPropulsionLab）的TungYW等人提出了另外一种基于贪心策略的两两组合测试用例集生成算法TCG，他们利用该算法开发的工具备用开测试一些宇航控制软件。
这两类方法都是基于贪心算法思想的，这是组合测试方法中一种常见的设计思想。
2001年，Schroeder在其博士论文中提出了利用软件附加信息对组合测试的测试用例集进行简约和优化的方法。
童年，Salem在其博士论文中系统研究了如何将实验赊借方法应用于软件测试。
Lei和Tai则提出了一种基于参数顺序扩充的两两组合测试数据生成策略IPO，并开发了PairTest系统用于产生两两组合的测试用例。
2002年，Kunhn和Reilly研究了组合测试的重要意义。
这为组合测试进一步的研究给出了充分的理由。
2004年，Kuhn和Wallace通过实验进一步研究了大规模分布式系统中组合测试的可用性，发现此类系统中的故障一般最多由4-6个参数的相互作用引发的，进一步证明了组合测试的可用性和重要性。
2003年，CohenM.B.等人将模拟退火算法应用于多维数组和测试用例的生成，这是计算搜索类的方法首次应用与组合测试，就有很强的启迪作用，产生了非常重要的意义。
在随后的2004年，Shiba和Tsuchiya等人研究了遗传算法和一圈算法在组合测试数据自动生成中的应用。
这两种算法也是属于计算搜索类的方法，只是在原理上和模拟退火不同。
这几种搜索算法和以往的贪心或代数方法不同，这类方法具有全局寻优的特点，因此运算时间相抵会长一些，但生成的结果也要优于贪心方法；这类方法具有很强的通用行，不像代数方法，必须在特定条件下才可以使用。
总的来说，组合测试的研究方向主要氛围三方面：
代数方法，启发式贪心算法和计算搜索。
代数方法，如加拿大渥太华大学的A.W.Williams提出的Williams方法和日本大阪大学的N.Kobayashi和T.Tsuchiya等提出的Kobayashi方法，可以有效地生成满足要求的测试数据，并且在某些情况下其效果要比启发式方法更好。
代数方法是启发式方法的一种重要补充，他的特点是非常简洁。
启发式贪心类算法，如美国贝尔实验室的D.M.Cohen与S.R.Dalal等提出的Aet算法和北卡罗来纳州大学的Y.Lei与K.C.Tai等提出的IPO算法都属于启发式方法，它的特点是非常灵活、有效，但是计算结果相比其他方法要差一些。
计算搜索方法，如Shiba和Tsuchiya等人提出的遗传算法和蚁群算法，相比前两种方法较为均衡，一般来讲通用性好于数学模型的方法计算结果好于贪心类的方法。
课题研究的主要方法有：
理论联系到实际，深入分析了两两组合覆盖问题和各种生成策略，在此基础上提出了改进算法一一ＨＩＰＯ算法，并用．ｎｅｔ实现了一个测试工具，通过实例验证了算法的有效性。
本文主要的创新点如下：
（１）通过实验证明了影响口Ｏ算法的几个因素：
测试用例水平扩展次序的问题、测试用例集合整体覆盖安排的问题和待扩展参数的扩展次序问题。
（２）提出测试用例贡献度的概念，为评价测试用例提供了方法。
（３）提出了一个IPO算法的改进算法（HＩＰＯ），使它解决了现有ＩＰＯ算法的三个缺陷。
（４）用据java实现了两两组合覆盖测试集的自动生成工具。
（５）将IPO算法应用到银行反洗钱系统中，获得了良好的效果。
研究过程中的主要问题有：
软件的组合测试问题实际是数学中的组合优化文头在软件测试中的应用，而组合优化问题本身就是一个NP问题，这也就意味着软件的组合测试需要话费非常高的时间代价。
因此，在研究的初期，大都是在尝试用启发式的贪心算法，因为这类方法可以在较低的时间复杂度下寻找较为令人满意的寻优结果，这类方法以AETG，TCG，IPO为代表，在一定的测试环境下，取得了不错的效果。
与此同时，代数方法也得到了一定程度上的应用，以OATS工具和Kobayashi等方法为代表。
尽管代数方法通常可以得到很好的结果，但相比于贪心方法，其通用性较差，无法方便的应用于实际测试场景中。
介于以上问题，近年来一个新的研究方向——计算搜索方法，得到了广泛的重视和研究。
代表性的方法有：
CohenM.B.等人的模拟退火方法，Shiba和Tsuchiya等人的遗传算法和蚁群算法，以及KariJ。
Nurmela等人提出的禁忌搜索方法。
这类方法是将传统的计算搜索方法应用于组合测试领域。
在解决NP问题方面，这类方法可以用较低且可控的时间待解来获取相比贪心方法更为满意的结果，在组合测试方面取得了非常好的效果。
计算搜索方法取得了一些不错的成果。
在解决NP问题方面，这类方法可以用较低且可控的时间代价来获取相比贪心方法更为满意的结果，在组合测试方面取得了非常好的效果。
计算搜索方法取得了一些不错的成果。
2000年，KariJ.Nurmela等人将禁忌搜索应用于力度为2，3的组合覆盖表中，对一些已知的上届进行了更新，取得了更紧的上届。
2003年，MvraB.Cohen等人将增强的模拟退火算法应用于力度为3的组合覆盖表的构造中，发现了一些覆盖表的更紧的上界。
2004年，ToshiakiShiba，Tatsuhiro、Tsuchiya，TohruKikuno等人提出使用两种基于仿生学原理的搜索算法来生成组合测试用例集，分别讨论了遗传算法和蚁群算法。
介于计算搜索方法的种种优势，近年来得到了广泛研究，已成为当前的研究趋势。
目前的研究主要涉及到如何在更短的时间内获得更小的覆盖表，高力度覆盖表的生成等。
现有的一些方法，比如遗传算法（GA）和禁忌搜索（TS）等在时间效率和结果优化方面还不够好，需要进行改进完善。
过程中的问题解决办法有：
跑多家图书馆研究所进行图书借阅，文档资料的购买以及向相关人士请教等方式方法；
课题研究起止时间和进度安排：
起止时间：
2013年01月——2013年05月
进度安排：
2013-1-10——2013-3-1确定论文题目，查找资料，撰写开题报告
2013-3-1——2013-3-31查找资料，进一步分析题目研究内容
2013-3-31——2013-4-30程序设计，撰写论文
2013-4-30——2013-5定稿，准备答辩
课题研究所需主要设备、仪器及药品：
计算机：
IntelCore2DuoCPU1GB内存
操作系统：
WindowsXP
开发系统：
VC++6.0
外出调研主要单位，访问学者姓名：
江苏省计算机研究中心：
钱雪忠
泰州数据产业园区：
龚怀进
指导教师审查意见：
指导教师（签字）
2013年3月
教研室（研究室）评审意见：
____________教研室（研究室）主任（签字）
2013年3月
系（部）主任审查意见：
____________系（部）主任（签字）
2013年3月
摘要：
针对两两组合测试用例集的生成问题，在有效地结合了两两组合测试问题本身的特点基础上，提出了一种基于动态解空间的启发式遗传算法（HGA）。
详细分析了测试用例生成过程，根据其解空间的动态变化在传统遗传算法中加入了启发算子，使得HGA算法可以快速地搜索出当前局部优化的测试用例。
实验结果表明，HGA算法在完全覆盖参数两两组合的前提下有效地减少了测试用例的数量，并且具有较快的迭代速度。
该算法针对在软件回归测试过程中，测试套间内的测试用例间往往存在着重复覆盖测试需求的情况，因而测试套间中将存在着大量的冗余测试用例，将测试用例与测试需求之间的覆盖关系模型转化为集覆盖模型：
然后利用遗传算法强大的全局搜索能力，优化在极小化的测试用例空间，较低的测试成本条件下，覆盖回归测试需求。
并通过对算法的仿真结果进行分析表明，该算法较一般的优优化算法具有更高算法性能与效率。
关键词：
软件测试；组合测试；测试用例；遗传算法；启发算子
第一章有关遗传算法用于两两组合测试用例集的相关概念
1.1引言
组合测试是一种重要的软件测试方法，通过不同的参数间的组合可以发现大部分的软件错误。
其中基于两两组合覆盖方法的组合测试在软件测试领域已获得了成功的应用，运用这种方法可以发现许多传统测试方法难以发现的错误。
但如何得到两两覆盖准则下的最小测试用例集却是个NP完全问题，一直是人们研究的重要课题，至今还没有得到很好的解决。
众多学者从代数构造、启发式搜索以及元启发式搜索等方面对组合测试用例集的生成进行了研究，并取得了许多成果。
在文献[4—8]中给出的方法都可生成近似最小测试用例集。
一般情况下，计算机搜索算法所得到的测试用例集的规模要比代数构造方法所得的小，但它们要求较长的处理时间而且对组合测试的问题模型缺少充分的分析和利用。
本文结合两两组合测试模型的特点和标准遗传算法GA，提出了基于动态解空间的启发式遗传方法HGA（heuristicgene.ticalgorithm）。
该遗传算法根据组合测试模型中解空间的变化引入了一个新的算子，即启发算子。
启发式遗传算法不仅有效地减少了测试用例的数量，而且提高了收敛速度，降低了算法的时间消耗。
1.2两两组合测试相关概念
结合两两组合测试模型的特点和标准遗传算法GA，提出基于动态解空间的启发式遗传方法HGA（heuristicgeneticalgorithm）。
该遗传算法根据组合测试模型中解空间的变化引入了一个新的算子，即启发算子。
启发式遗传算法不仅有效地减少了测试用例的数量，而且提高了收敛速度，降低了算法的时间消耗。
随着计算机科学技术的不断发展，现代的软件功能日益强大，软件的功能日益强大，软件的复杂性也不断提高，对软件进行高效、可信的测试显得尤为重要。
作为适应现代软件特点的新的测试方法，组合测试的概念被提出并被证明是一种有效测试系统参数间相互作用的方法。
本文在深入研究现有测试用例生成方法呃基础上，结合搜索算法全局寻优的特点针对测试集用例规模的所见，提出了紧急搜索的方法。
通过对禁忌搜索关键环节进行研究，给出了算法的参数配置策略，使得在生成测试用例集时可以通过调整参数，灵活的在计算结果的优劣和计算代价的大小间作出权衡。
本文的主要工作包括一下几个方面：
（1）系统的研究了禁忌搜索方法在组合优化方面的使用性，详细分析了禁忌搜索算法在各个环节的特点，如禁忌表长度的确定、凭借埃函数的选择和禁忌对象的选择。
（2）根据组合测试用例生成的特点，多禁忌搜索关键环节的选择策略进行了深入研究，提出了基于禁忌搜索的应用框架，并通过实验分析给出了关键环节策略的选择。
（3）针对影响禁忌搜索的各个环节的参数进行了实验分析，伯南港和已有算法的实验结果进行了对比。
（4）实现了基于禁忌搜索的自动化组合测试用例集生成软件，可以方便有效地生成各种需要的组合测试用例。
设待测软件SUT（softwareundertesting）的参数共有n个，记为有限集P={P1，P2，⋯，}，其中元素Pi在离散集中取值ti=|Ti|,其中1≤i≤n,表示Pi在Ti中有ti个值。
这些元素相互独立，即某个参数的取值不会影响其它参数的取值或存在性。
1.2.1定义一
称n元组（p1,p1,p3,……,pn）为待测系统SUT的一个测试用例，其中pi在有限集Ti中取值。
1.2.2定义二
称集合V={V12，V13，……，Vij，……，V（n-1）n}（i,,……，,……,},Vij是Ti与Tj的笛卡尔积，其中是有序对。
下面通过举例来说明这一概念：
设待测软件S有4个参数，P={P1，P2，P3，P4}，P1∈{0,1,2,3}，P3∈{0,1,2}，P4∈{0,1}。
那么S所对应的两两组合集合V={V12，V13,V14,V23,V24,V34},Vij的内容如图所示：
图1.1两两组合集合相关图解
1.2.3定义三
称有序对集合Va={,,……,,……,}（i属于Vij。
如测试用例a=（1，3,0,1）对应的二元有序对集合Va={<1,3>，<1，0>，<1，1>，<3，0>，<3，1>，<0，1>}；
1.2.4定义四
称V’={V12’,v13’,……,Vij’,V（n-1）n’}为未覆盖组合集，其中Vij’是组合对集合，它含有的有序对属于但不属于已生成测试用例的二元有序对集合。
这些组合对是新生成测试用例需要包含的。
假设已有的测试用例为上面提到的a，V’除去了a已生成组合对，其内容如图1.2所示。
图1.2未覆盖组合集生成组合对图解
1.2.5定义五
新生成的测试用例B的有序对集合Vb中属于V’的有效组合对（即已有测试用例未包含的组合对）的个数称为B的
有效度，用W（B）表示。
上面的例子中w（a）=6，若新生成一个测试用例B=（0，2，0，1），则W（B）=5，因为V34’中已不存在<0，1>，这说明原有的测试用例已经覆盖了V34中的。
1.2.6定义六
测试用例集的覆盖率
；ai是S中的测试用例。
可知0≤C≤1。
根据以上定义，求解两两组合覆盖的最小测试用例集可描述为以下数学模型：
目标函数：
Min|S|={a1，a2，⋯，am}；ai表示有效度不为0的测试用例，S为实例的集合。
约束条件：
S的覆盖率C=1.下面直接给出两个定理，他们由相关定义可以明显得出，所以不再加以详细的证明。
1.2.7定理一
新测试用例a可以加入两两组合测试覆盖集S的必要条件是：
a的有效度W（a）大于0，即它含有的之前测试用例没有包含的组合对，Va含有V’中的组合对。
当一个测试用例的有效度为0时，这个用例对两两组合测试的覆盖是不起作用的，可以舍去。
1.2.8定理二
随着有效测试用例的生成，V’内各元素所含的有序对的数量将单调递减。
由以上的定义及定理可以看出，随着有效测试用例的生成，新测试用例生成的范围会逐渐缩减。
根据定理1和定理2所揭示的两两组合覆盖的特点，下文给出了基于动态解空间的启发式遗传算法。
1.3基于动态空间的启发式遗传算法
遗传算法由J．H．Holland于20世纪6O年代提出，是根据生物演化，模拟进化过程中染色体基因的选择、交叉和变异得到的算法。
遗传算法首先随机生成一个初始群，种群中的染色体代表潜在的解，然后通过基本的遗传算子逐步进化。
在进化过程中，较好的个体得以保留较差的个体被淘汰。
本文在分析两两组合覆盖模型的后改进了遗传算法的编码方式以及选择、交叉和变异算子并且加入了启发算子引导进化，同时采取one-test-at—a—time策略来生成测试用例集，即每次通过搜索得到一条较好的测试用例，直至所有参数的组合均被覆盖。
1.3.1编码方式
编码就是将问题的潜在解使用适合遗传算法的基因表示。
考虑到组合测试用例问题的解是满足覆盖要求的测试用例集，所以本文使用N维整数数组作为染色体来表示测试用例染色体的N个基因就表示待测软件SUT的N个参数。
同时，用各参数取值的序号作为基因值，从而避免参数类型的转换。
例如测试用例（1，0，1，2），它表示P1取第1个值，P2取第0个值，P3取第1个值，P4取第2个值。
1.3.2适应度函数
运用遗传算法生成两两组合覆盖测试用例集，目的是使其含有的用例个数要尽可能少，并且可以完全覆盖参数的两两组合。
因此在进化过程中要选取对两两组合测试覆盖起较大促进作用的测试用例（1，0，1，2），由定理1可知，测试用例的有效度表示测试用例在两两组合测试覆盖中所起的作用。
故定义测试用例a的适应度函数为fa=W（a）,式中W（a）——a的有效度。
1.3.3选择算子
选择算子也叫复制算子，是根据个体的适应度函数值所度量的优劣程度决定它在下一代是被继承还是被淘汰。
适应度高的个体被选中的几率较大，而且有可能被多次选中：
反之，几率较小。
在此采用赌轮选择机制，令Σfi表示当前群体的适应度值的总和，fi为群体中第i个染色体的适应度值。
选择新个体时，个体ak对应的选择区间为[Dk,Dk+1）。
每次选择时就产生一个位于0到Σfi之间的随机数r，那么r所在的选择区间所对应的个体就被选中作为进化成员。
同时在选择中采取精英策略来保留最优的个体，即适应
升级会员 