IGA算法的构件化软件测试用例生成研究.docVIP

IGA算法的构件化软件测试用例生成研究 　　摘 要：通过对现有的构件化测试用例进行分析，探究了IGA算法在构件化软件测试中的应用，提出了基于MTCGCBS软件测试用例生成模型，将抗原作为函数目标对算法进行优化，将抗体作为解决问题的关键，通过与其他算法进行比较，IGA算法在软件测试用例生成效率明显高于其他算法，更能提高软件的测试效率。 　　关键词：IGA算法；构件化软件；测试用例 　　随着软件开发的质量要求越来越高，对软件的算法要求提出了更高的要求，基于构件的软件工程开发技术，能为高效的开发软件提供了保证，但是基于构件技术开发的软件，如何有效的对其进行测试，成为软件开发人员需要解决的难题。如何有效的对软件进行测试，采用快速高效的软件测试方法对测试用例进行优化，提高软件测试的工作效率。遗传算法采用多点搜索与交叉操作技术，全局搜索能力比较强大，但是对空间问题的搜索能力不是很强，在测试的过程中还存在一系列的问题。本文提出了采用免疫遗传算法IGA对软件的测试功能进行优化，将抗原作为函数目标对算法进行优化，将抗体作为解决问题的关键，并将抗体与抗原之间的亲和力作为解决问题的联合强度，对优化函数的算法具有独特的优势和高效性，可以大大的对测试用例进行优化，进而提高软件测试工作效率。 　　1 基于IGA的软件测试用例生成模型 　　在软件的测试用例中，我们采用构件化软件测试用例生成模型（MTCGCBS）对软件进行测试，改变软件测试的方法，并将IGA算法应用于该测试模型中，每一个构件软件的构件都有一定的规约文档，在对文档进行规划的过程中，需要要求的设置测试软件的前置条件，才能使用随机的算法对生成的构件进行测试，然后采用测试的数据进行编码形成测试的初始种群，接着采用IGA对该初始对根构件规约文档进行分析得到根构件的前置条件，并获取相应的初始测试数据，其次根据初始数据的编码，得到软件测试数据的初始种群；然后利用IGA算法优化初始种群，产生高效率的测试用例。根据构件的规约文档提取的初始测试数据，构件软件测试的模型，就可以利用IGA算法对生成的软件测试进行优化，具体流程如下图1所示。 　　采用构件规约文档生成用例测试的过程，并运用IGA算法可以对初始测试数据进行优化。运用IGA算法的适度函数与被测试的用例进行交互，通过IGA算法计算后，可以有效的得到适应度函数的值，根据适度函数的返回值，可以判断测试的效率，如果返回值越高，说明IGA的优化效率就越好，测试的效率越高。 　　2 IGA算法分析 　　2.1 IGA算法 　　免疫遗传算法与遗传算法相似，采用一系列的选择、交叉和变异等操作，数据的产生具有一定的随机性，在测试的过程中，往往会出现算法退化的现象，因此，IGA算法采用全局收敛算法与多点搜索技术与交叉技术，保证对群体进化的促进作用。但是免疫遗传算法在遗传算法的基础添加了免疫算子（该过程包括接种疫苗和免疫两个过程），采用信息抑制的方法控制信息退化，以防止算法的种群退化，提高算法的测试效率。因此，采用遗传算法作为测试用例的基础，然后在遗传算法上加入免疫算子，形成免疫遗传算法。 　　在确定了IMG算法的变化范围，根据对IGA算法的定义，并依据上述图1中IGA在MTCGCBS模型中的应用，在初始种群中抽取疫苗算子，并对测试的数据划分种群，采用适应度函数技进行计算，再经过交叉、变异、接种疫苗等过程，并将优化的最好个体送给相邻处理器，淘汰掉适应度较差的个体，IGA的算法流程，如图2所示： 　　2.2 IGA的算法收敛 　　假设采用IGA算法的初始种群的规模为M，在确定种群的大小之后，运用动态变长的二进制编码对种群中的所有个体进行编码，根据数据种群的变化规则，采用全局搜索和交叉算法，对种群进行优化，其中交叉操作的交叉点的选取需要根据适应度函数变化，以保证算法的覆盖范围，同时也是通过自适应的动态交叉率P0的操作而得到算法的初始数据，变异操作的过程通过收敛计算，剔除算法中的不良基因，对每个种群数据的基因位优化，并替代上一代的因子以种群的自适应的动态概率Pn相互独立进行变异，并与免疫算子结合在一起，形成一个优化的个体。IGA算法的状态转移情况可用随机过程对其进行描述，具体描述如下： 　　通过对初始数据群体进行一系列的自适应交叉、自适应变异操作，并对数据进行接种疫苗，然后由种群进行免疫选择，在经过数据优化后形成一个完整的过程，即从AK到DK形成一个完整的马尔科夫链，实现对初始种群的优化。 　　3 结束语 　　通过对传统的遗传算法进行分析，提出一种基于IGA算法的构件化软件测试用例生成模型，采用接种免疫疫苗的方法对个体进行优化，对该模型的详细功能进行研究，使用IGA算法的效率远高于遗传算法，能够提高构件化软件测试用例在软件测试过程中的测试效率，通过对比