為了提高回歸測試的效率,提出了一種基于多目標(biāo)人工蜂群優(yōu)化（Multi-Objective Artificial Bee Colony Optimization, MOABCO）算法的多目標(biāo)測試用例優(yōu)先級排序（Multi-Objective Test Case Prioritization, MOTCP）方法.針對標(biāo)準(zhǔn)多目標(biāo)人工蜂群（Multi-Objective Artificial Bee Colony, MOABC）算法容易陷入局部最優(yōu)解的問題,將差分變異策略融入到新蜜源更新階段,且基于信息熵改進(jìn)新蜜源選擇方法,以避免算法陷入局部最優(yōu)并增強(qiáng)了全局搜索能力;然后,將代碼覆蓋率和測試用例有效執(zhí)行時(shí)間作為優(yōu)化目標(biāo),并用MOABCO算法求Pareto最優(yōu)解集,以解決MOTCP問題.實(shí)驗(yàn)結(jié)果表明, MOABCO算法求得的Pareto最優(yōu)解集在逼近性和分布均勻性上均優(yōu)于MOABC算法;在解決MOTCP問題上,相對于NSGA-II算法具有更高的收斂速度和更高的缺陷檢測率. 

【文章來源】：測試技術(shù)學(xué)報(bào). 2019,33(02)

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引 言
1 多目標(biāo)人工蜂群優(yōu)化算法
    1.1 精英解集及全局最優(yōu)解更新策略
    1.2 最優(yōu)個(gè)體引導(dǎo)差分變異的局部搜索
    1.3 基于信息熵的蜜源選擇
2 基于MOABCO的多目標(biāo)測試用例優(yōu)先級排序
    2.1 優(yōu)化目標(biāo)
    2.2 蜜源個(gè)體編碼
    2.3 MOABCO算法基本流程
3 實(shí)驗(yàn)結(jié)果分析
4 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]面向多目標(biāo)測試用例優(yōu)先排序的蟻群算法信息素更新策略[J]. 邢行,尚穎,趙瑞蓮,李征.  計(jì)算機(jī)應(yīng)用. 2016(09)
[2]應(yīng)用檔案精英學(xué)習(xí)和反向?qū)W習(xí)的多目標(biāo)進(jìn)化算法[J]. 謝承旺,王志杰,夏學(xué)文.  計(jì)算機(jī)學(xué)報(bào). 2017(03)
[3]面向CPU+GPU異構(gòu)計(jì)算的多目標(biāo)測試用例優(yōu)先排序[J]. 邊毅,袁方,郭俊霞,李征,趙瑞蓮.  軟件學(xué)報(bào). 2016(04)
[4]基于離散人工蜂群算法的云任務(wù)調(diào)度優(yōu)化[J]. 倪志偉,李蓉蓉,方清華,龐閃閃.  計(jì)算機(jī)應(yīng)用. 2016(01)
[5]基于多目標(biāo)協(xié)同進(jìn)化的測試用例優(yōu)先排序[J]. 石宇楠,李征,龔沛.  計(jì)算機(jī)科學(xué). 2015(12)
[6]多目標(biāo)優(yōu)化的測試用例優(yōu)先級在線調(diào)整策略[J]. 張娜,姚瀾,包曉安,董萌,桂寧.  軟件學(xué)報(bào). 2015(10)
[7]基于歷史信息的自適應(yīng)測試用例優(yōu)先級技術(shù)[J]. 常龍輝,繆淮扣,肖蕾.  計(jì)算機(jī)科學(xué). 2015(09)
[8]一種多目標(biāo)人工蜂群算法[J]. 葛宇,梁靜.  計(jì)算機(jī)科學(xué). 2015(09)
[9]回歸測試中的測試用例優(yōu)先排序技術(shù)述評[J]. 陳翔,陳繼紅,鞠小林,顧慶.  軟件學(xué)報(bào). 2013(08)
[10]基于快速自適應(yīng)差分進(jìn)化算法的電力系統(tǒng)經(jīng)濟(jì)負(fù)荷分配[J]. 吳亮紅,王耀南,袁小芳,曾照福.  控制與決策. 2013(04)



本文編號：3179245