基于ACO的测试用例预优化及参数影响分析

测试用例预优化是一种先进的软件回归测试用例集优化技术。相比测试用例选择和测试用例集约简技术，它具有更好的灵活性，更容易适应实际软件回归测试过程中的迭代与变化。基于多目标的测试用例预优化技术是当前研究的热点，针对选定的多个优化目标，算法是多目标测试用例集优化的关键。提出了一种基于蚁群优化算法（ant colony optimization，ACO）的多目标测试用例预优化方法，针对平均语句覆盖率和有效执行时间两个优化目标，实现了测试用例集的预优化，并针对多目标解集优劣评价方法进行了改进。同时对蚁群优化算法中的信息素挥发因子ρ、启发因子α和β、蚁群规模m等相关参数对多目标测试用例预优化结果的影响进行了实验分析。实验中使用的被测程序既包括广泛使用的软件测试样本库SIR（software-artifact infrastructure repository）中的程序，也包括Google发布的大规模开源程序JavaScript引擎V8。实验结果表明，当参数α=1，4β6，ρ=0.1时，针对小规模程序，蚁群规模m=32时，算法求得较优解；针对较大规模程序flex和V8，则需要适当增大蚁群的规模以获得较优解集。

ACO Based Test Case Prioritization and Impact Analysis of Parameters