IGA算法的構(gòu)件化軟件測(cè)試用例生成研究

林振文

摘 要：通過(guò)對(duì)現(xiàn)有的構(gòu)件化測(cè)試用例進(jìn)行分析，探究了IGA算法在構(gòu)件化軟件測(cè)試中的應(yīng)用，提出了基于MTCGCBS軟件測(cè)試用例生成模型，將抗原作為函數(shù)目標(biāo)對(duì)算法進(jìn)行優(yōu)化，將抗體作為解決問(wèn)題的關(guān)鍵，通過(guò)與其他算法進(jìn)行比較，IGA算法在軟件測(cè)試用例生成效率明顯高于其他算法，更能提高軟件的測(cè)試效率。

關(guān)鍵詞：IGA算法；構(gòu)件化軟件；測(cè)試用例

隨著軟件開(kāi)發(fā)的質(zhì)量要求越來(lái)越高，對(duì)軟件的算法要求提出了更高的要求，基于構(gòu)件的軟件工程開(kāi)發(fā)技術(shù)，能為高效的開(kāi)發(fā)軟件提供了保證，但是基于構(gòu)件技術(shù)開(kāi)發(fā)的軟件，如何有效的對(duì)其進(jìn)行測(cè)試，成為軟件開(kāi)發(fā)人員需要解決的難題。如何有效的對(duì)軟件進(jìn)行測(cè)試，采用快速高效的軟件測(cè)試方法對(duì)測(cè)試用例進(jìn)行優(yōu)化，提高軟件測(cè)試的工作效率。遺傳算法采用多點(diǎn)搜索與交叉操作技術(shù)，全局搜索能力比較強(qiáng)大，但是對(duì)空間問(wèn)題的搜索能力不是很強(qiáng)，在測(cè)試的過(guò)程中還存在一系列的問(wèn)題。本文提出了采用免疫遺傳算法IGA對(duì)軟件的測(cè)試功能進(jìn)行優(yōu)化，將抗原作為函數(shù)目標(biāo)對(duì)算法進(jìn)行優(yōu)化，將抗體作為解決問(wèn)題的關(guān)鍵，并將抗體與抗原之間的親和力作為解決問(wèn)題的聯(lián)合強(qiáng)度，對(duì)優(yōu)化函數(shù)的算法具有獨(dú)特的優(yōu)勢(shì)和高效性，可以大大的對(duì)測(cè)試用例進(jìn)行優(yōu)化，進(jìn)而提高軟件測(cè)試工作效率。

1 基于IGA的軟件測(cè)試用例生成模型

在軟件的測(cè)試用例中，我們采用構(gòu)件化軟件測(cè)試用例生成模型（MTCGCBS）對(duì)軟件進(jìn)行測(cè)試，改變軟件測(cè)試的方法，并將IGA算法應(yīng)用于該測(cè)試模型中，每一個(gè)構(gòu)件軟件的構(gòu)件都有一定的規(guī)約文檔，在對(duì)文檔進(jìn)行規(guī)劃的過(guò)程中，需要要求的設(shè)置測(cè)試軟件的前置條件，才能使用隨機(jī)的算法對(duì)生成的構(gòu)件進(jìn)行測(cè)試，然后采用測(cè)試的數(shù)據(jù)進(jìn)行編碼形成測(cè)試的初始種群，接著采用IGA對(duì)該初始對(duì)根構(gòu)件規(guī)約文檔進(jìn)行分析得到根構(gòu)件的前置條件，并獲取相應(yīng)的初始測(cè)試數(shù)據(jù)，其次根據(jù)初始數(shù)據(jù)的編碼，得到軟件測(cè)試數(shù)據(jù)的初始種群；然后利用IGA算法優(yōu)化初始種群，產(chǎn)生高效率的測(cè)試用例。根據(jù)構(gòu)件的規(guī)約文檔提取的初始測(cè)試數(shù)據(jù)，構(gòu)件軟件測(cè)試的模型，就可以利用IGA算法對(duì)生成的軟件測(cè)試進(jìn)行優(yōu)化，具體流程如下圖1所示。

采用構(gòu)件規(guī)約文檔生成用例測(cè)試的過(guò)程，并運(yùn)用IGA算法可以對(duì)初始測(cè)試數(shù)據(jù)進(jìn)行優(yōu)化。運(yùn)用IGA算法的適度函數(shù)與被測(cè)試的用例進(jìn)行交互，通過(guò)IGA算法計(jì)算后，可以有效的得到適應(yīng)度函數(shù)的值，根據(jù)適度函數(shù)的返回值，可以判斷測(cè)試的效率，如果返回值越高，說(shuō)明IGA的優(yōu)化效率就越好，測(cè)試的效率越高。

2 IGA算法分析

2.1 IGA算法

免疫遺傳算法與遺傳算法相似，采用一系列的選擇、交叉和變異等操作，數(shù)據(jù)的產(chǎn)生具有一定的隨機(jī)性，在測(cè)試的過(guò)程中，往往會(huì)出現(xiàn)算法退化的現(xiàn)象，因此，IGA算法采用全局收斂算法與多點(diǎn)搜索技術(shù)與交叉技術(shù)，保證對(duì)群體進(jìn)化的促進(jìn)作用。但是免疫遺傳算法在遺傳算法的基礎(chǔ)添加了免疫算子（該過(guò)程包括接種疫苗和免疫兩個(gè)過(guò)程），采用信息抑制的方法控制信息退化，以防止算法的種群退化，提高算法的測(cè)試效率。因此，采用遺傳算法作為測(cè)試用例的基礎(chǔ)，然后在遺傳算法上加入免疫算子，形成免疫遺傳算法。

在確定了IMG算法的變化范圍，根據(jù)對(duì)IGA算法的定義，并依據(jù)上述圖1中IGA在MTCGCBS模型中的應(yīng)用，在初始種群中抽取疫苗算子，并對(duì)測(cè)試的數(shù)據(jù)劃分種群，采用適應(yīng)度函數(shù)技進(jìn)行計(jì)算，再經(jīng)過(guò)交叉、變異、接種疫苗等過(guò)程，并將優(yōu)化的最好個(gè)體送給相鄰處理器，淘汰掉適應(yīng)度較差的個(gè)體，IGA的算法流程，如圖2所示：

2.2 IGA的算法收斂

假設(shè)采用IGA算法的初始種群的規(guī)模為M，在確定種群的大小之后，運(yùn)用動(dòng)態(tài)變長(zhǎng)的二進(jìn)制編碼對(duì)種群中的所有個(gè)體進(jìn)行編碼，根據(jù)數(shù)據(jù)種群的變化規(guī)則，采用全局搜索和交叉算法，對(duì)種群進(jìn)行優(yōu)化，其中交叉操作的交叉點(diǎn)的選取需要根據(jù)適應(yīng)度函數(shù)變化，以保證算法的覆蓋范圍，同時(shí)也是通過(guò)自適應(yīng)的動(dòng)態(tài)交叉率P0的操作而得到算法的初始數(shù)據(jù)，變異操作的過(guò)程通過(guò)收斂計(jì)算，剔除算法中的不良基因，對(duì)每個(gè)種群數(shù)據(jù)的基因位優(yōu)化，并替代上一代的因子以種群的自適應(yīng)的動(dòng)態(tài)概率Pn相互獨(dú)立進(jìn)行變異，并與免疫算子結(jié)合在一起，形成一個(gè)優(yōu)化的個(gè)體。IGA算法的狀態(tài)轉(zhuǎn)移情況可用隨機(jī)過(guò)程對(duì)其進(jìn)行描述，具體描述如下：

通過(guò)對(duì)初始數(shù)據(jù)群體進(jìn)行一系列的自適應(yīng)交叉、自適應(yīng)變異操作，并對(duì)數(shù)據(jù)進(jìn)行接種疫苗，然后由種群進(jìn)行免疫選擇，在經(jīng)過(guò)數(shù)據(jù)優(yōu)化后形成一個(gè)完整的過(guò)程，即從AK到DK形成一個(gè)完整的馬爾科夫鏈，實(shí)現(xiàn)對(duì)初始種群的優(yōu)化。

3 結(jié)束語(yǔ)

通過(guò)對(duì)傳統(tǒng)的遺傳算法進(jìn)行分析，提出一種基于IGA算法的構(gòu)件化軟件測(cè)試用例生成模型，采用接種免疫疫苗的方法對(duì)個(gè)體進(jìn)行優(yōu)化，對(duì)該模型的詳細(xì)功能進(jìn)行研究，使用IGA算法的效率遠(yuǎn)高于遺傳算法，能夠提高構(gòu)件化軟件測(cè)試用例在軟件測(cè)試過(guò)程中的測(cè)試效率，通過(guò)對(duì)比也能夠說(shuō)明該算法的效率高于傳統(tǒng)的遺傳算法和隨機(jī)算法，對(duì)軟件的測(cè)試效果也十分有效，同時(shí)也為構(gòu)件化測(cè)試的軟件的發(fā)展提供了支持。

參考文獻(xiàn)

[1]汪浩，謝軍凱，高仲儀.遺傳算法及其在軟件測(cè)試數(shù)據(jù)生成中的應(yīng)用研究[J].計(jì)算機(jī)工程與應(yīng)用，2012（12）.

[2]單錦輝，土戟，馬曉冬，等.面向路徑的測(cè)試數(shù)據(jù)自動(dòng)生成工具及其圖形界面的Tcl/Tk設(shè)計(jì)[J].計(jì)算機(jī)工程與應(yīng)用，2013（12）.

[3]聶長(zhǎng)海，徐寶文.一種最小測(cè)試用例集生成方法[J].計(jì)算機(jī)學(xué)報(bào)，2013（12）.