一種基于組合混沌序列的測(cè)試用例集生成方法
【專利說(shuō)明】一種基于組合混沌序列的測(cè)試用例集生成方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)軟件性能測(cè)試領(lǐng)域，尤其是計(jì)算機(jī)軟件性能測(cè)試中用到的測(cè)試 用例集的生成方法。 【【背景技術(shù)】】
[0002] 計(jì)算機(jī)系統(tǒng)已被應(yīng)用到社會(huì)生活各方面，軟件形式更加復(fù)雜多樣，規(guī)模越來(lái)越大。 在這樣的背景下，保證軟件質(zhì)量，使其準(zhǔn)確完成預(yù)期目標(biāo)變得尤為重要。軟件測(cè)試是軟件質(zhì) 量保重中必不可少的一部分，為滿足一定測(cè)試需求覆蓋率，生成的測(cè)試用例數(shù)目往往異常 龐大；另一方面，軟件系統(tǒng)開(kāi)發(fā)過(guò)程的迭代需要頻繁的進(jìn)行回歸測(cè)試，測(cè)試冗余嚴(yán)重。為提 高測(cè)試效率、降低測(cè)試成本，減少測(cè)試用例的執(zhí)行、管理與維護(hù)的開(kāi)銷，測(cè)試用例集的約簡(jiǎn) 是極為必要的。
[0003] 現(xiàn)有的測(cè)試用例約簡(jiǎn)方法主要有貪心算法、啟發(fā)式算法、整數(shù)規(guī)劃算法、擴(kuò)張集算 法、有限狀態(tài)機(jī)、分支限界搜索、粒子群優(yōu)化算法、遺傳算法等。
[0004] 這些方法中，遺傳算法由于其良好的全局搜索能力，快速地搜索效率，在測(cè)試用例 優(yōu)化中取得了較好的應(yīng)用，但是其局部搜索能力較弱，容易出現(xiàn)早熟收斂等問(wèn)題。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的就是解決現(xiàn)有技術(shù)中的問(wèn)題，提出一種基于組合混沌序列的測(cè)試用 例集生成方法，能夠有效避免未成熟收斂，覆蓋所有測(cè)試需求。
[0006] 為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種基于組合混沌序列的測(cè)試用例集生成方法， 依次包括以下步驟：a)采用Chebyshev映射和Logistic映射相結(jié)合生成混純序列；b)利用 混沌序列初始化種群；c)設(shè)定個(gè)體適應(yīng)度函數(shù)；d)定義遺傳算子；e)添加混沌擾動(dòng)。
[0007] 作為優(yōu)選，各步驟具體如下：
[0008] a)采用Chebyshev映射和Logistic映射相結(jié)合生成混純序列：令y。= X。為初始 值，使用 Chebyshev 映射 yi+1 =Cos (Aarccos yj 得到一個(gè)偽隨機(jī)序列{y。， 后將序列取絕對(duì)值之后與Logistic映射求和temp = μ Xi (I-Xi) +1 yi+11，每次迭代后采用映 射xi+1= mod (temp, 1)保證混純序列取值為（0, 1)，其中mod (，1)算子代表取數(shù)值的小數(shù)部 分；
[0009] b)利用混沌序列初始化種群：設(shè)初始種群中個(gè)體數(shù)目為M，則初始種群及種群中 個(gè)體可分別表示為：
[0010] P0= (W1jW2jLjW11LjWmI
[0011] W = {gi, g2, L, gj, L, gn}
[0012] 其中P。表示初始種群，W表示種群中的個(gè)體，W i表示初始種群中的第i個(gè)初始個(gè) 體，表示該個(gè)體上的第j號(hào)染色體；
[0013] 采用混沌序列的方法由M個(gè)不同初值產(chǎn)生M個(gè)長(zhǎng)度均為η的混沌序列，對(duì) W1, W2, L，Wm上的染色體進(jìn)行賦值，方法如下： CN 105117326 A 說(shuō)明書(shū) 2/7 頁(yè)
[0015] 由此完成初始種群中個(gè)體的初始化；
[0016] c)設(shè)定個(gè)體適應(yīng)度函數(shù)：使用傳統(tǒng)適應(yīng)度函數(shù)計(jì)算公式，針對(duì)本文的基因編碼方 式將適應(yīng)度計(jì)算的對(duì)象變?yōu)閷?duì)個(gè)體W1按式（1)進(jìn)行適應(yīng)度計(jì)算；
[0017] F(W1) = Cov(W1)ZCost(W1) (1)
[0018] 其中，Cov(W1)指?jìng)€(gè)體的測(cè)試覆蓋度，Cost(W1)是個(gè)體的測(cè)試運(yùn)行代價(jià)，覆蓋程度 Cov(W1)為計(jì)算父體編碼W1中覆蓋測(cè)試需求集的個(gè)數(shù)，根據(jù)式（1)計(jì)算出個(gè)體適應(yīng)度；
[0019] d)定義遺傳算子：遺傳算子包括選擇、交叉、變異三步，對(duì)個(gè)體進(jìn)行遺傳變異，對(duì) 其進(jìn)行優(yōu)化最終得到新個(gè)體，新個(gè)體的生產(chǎn)可能會(huì)增加向最優(yōu)解變異的機(jī)會(huì)，因此在遺傳 算子結(jié)束后再對(duì)新的個(gè)體進(jìn)行適應(yīng)值評(píng)價(jià)，判斷是否滿足輸出條件；
[0020] 選擇：采用改進(jìn)的輪盤賭選擇算法，利用各個(gè)體適應(yīng)度的概率決定其遺留可能 性，若某個(gè)體W1，其適應(yīng)度為F(W1),依次計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度，則第i個(gè)個(gè)體的 適應(yīng)度累計(jì)值
假設(shè)需要選擇S個(gè)個(gè)體直接遺留到下一代個(gè)體，利用混沌映 射產(chǎn)生長(zhǎng)度為S的序列{y。，yi，y2, L，ys}，由于組合混沌映射生成的組合混沌序列在統(tǒng)計(jì) 特性上呈現(xiàn)均勻分布，序列值均勻分布在區(qū)間（0, 1)，選擇所有滿足C1S y C 1+1，j = 0, 1，2, L，S的S個(gè)個(gè)體W1，利用該序列可增加選擇運(yùn)算的隨機(jī)均勻性，有效提升算法的全局 搜索能力，另外^被選擇的概率為
可以保證適應(yīng)度越大的個(gè)體遺留的可能性 也越大；
[0021 ] 交叉：首先參照MTCGG方法確認(rèn)個(gè)體交叉點(diǎn)的有效區(qū)域；
[0022] 在TCGCG方法中采用基于個(gè)體適應(yīng)度的自適應(yīng)調(diào)整辦法，具體如式（2)式⑶所 示
[0025] 式⑵中，Pctciss為參與交叉運(yùn)算的兩個(gè)個(gè)體的交叉概率，F(xiàn)_為群體中適應(yīng)度的最 大值，F(xiàn) (W1)與F (Wj)分別為待交叉的兩個(gè)個(gè)體的適應(yīng)度值，F(xiàn)avg為群體內(nèi)所有個(gè)體的適應(yīng)度 均值；式⑶中Pnmtatlcin為個(gè)體的變異概率，F(xiàn)為參加變異運(yùn)算個(gè)體的適應(yīng)度值，k i，k2, k3, k4為常量系數(shù)；
[0026] 變異：經(jīng)過(guò)上述選擇和交叉變異出新個(gè)體；
[0027] e)添加混沌擾動(dòng)：對(duì)當(dāng)前種群中適應(yīng)度后90%的個(gè)體，利用混沌系統(tǒng)，對(duì)其進(jìn)行 微小擾動(dòng)，從而提高其適應(yīng)度；
[0028] 將選中的個(gè)體所指代的二進(jìn)制的每一位都加一混沌擾動(dòng)，按式（4)進(jìn)行添加，然 后按式（5)映射為優(yōu)化變量，進(jìn)行迭代計(jì)算：
[0029] ffrk= (l-β ) . W *+β . ffk, I ^ k ^ η (4)
[0030] W" k= c Μ · r k (5)
[0031] 其中f為當(dāng)前最優(yōu)個(gè)體，Wk為當(dāng)前個(gè)體，k為迭代次數(shù)，在式（5)中c b (I1為變換 常數(shù)；通過(guò)式（4)可得到一組新個(gè)體：
[0032] W' k= (g，kl，g' k2, L，g' kn，），0 < β < 1
[0033] 對(duì)于β的取值按照式（6)進(jìn)行自適應(yīng)進(jìn)行選?。?br>[0035] 在搜索階段的初期，希望Wk取值變動(dòng)較大，隨著搜索逐漸接近最優(yōu)點(diǎn)，需將β逐 漸縮小，以保證在小范圍內(nèi)搜索最優(yōu)解；
[0036] 由于g" kie {〇, 1}，i = l，2，L，n，因此需將式（5)得到的g" kl通過(guò)式（7)變換 到相應(yīng)的取值：
[0038] 作為優(yōu)選，所述a)采用Chebyshev映射和Logistic映射相結(jié)合生成混純序列步 驟中 μ = 4，λ = 4。
[0039] 本發(fā)明的有益效果：本發(fā)明利用組合混沌映射生成初始種群，每個(gè)種群個(gè)體包括 η個(gè)基因，種群個(gè)體即為一種可能的測(cè)試用例選擇方案，并將具有均勻分布特性的組合混沌 序列引入遺傳算法的選擇、交叉和變異操作，有效地避免了未成熟收斂，提升了算法的全局 搜索能力和計(jì)算效率混沌系統(tǒng)產(chǎn)生初始種群基因，然后對(duì)各個(gè)混沌變量附加混沌小擾動(dòng)進(jìn) 行種群優(yōu)化，通過(guò)不斷進(jìn)化收斂到一個(gè)最適合的個(gè)體上。從而將測(cè)試用例最小化轉(zhuǎn)化為在 種群中尋找基因個(gè)數(shù)最少的個(gè)體覆蓋所有測(cè)試需求。
[0040] 本發(fā)明的特征及優(yōu)點(diǎn)將通過(guò)實(shí)施例結(jié)合附圖進(jìn)行詳細(xì)說(shuō)明。 【【附圖說(shuō)明】】
[0041] 圖1是本發(fā)明一種基于組合混沌序列的測(cè)試用例集生成方法的流程示意圖。 【【具體實(shí)施方式】】
[0042] 實(shí)施例一：
[0043] 用R = Ir1, r2,. . .，rk}表示測(cè)試需求集，T = It1, t2,. . .，tn}表示測(cè)試用例集，（其 中η代表測(cè)試用例數(shù)量，k代表需求數(shù)量），可用一個(gè)η X k矩陣g[1] m來(lái)表示測(cè)試用例11與 CN 105117326 A 說(shuō)明書(shū) 4/7 頁(yè) 測(cè)試需求&的覆蓋關(guān)系其中g(shù)[1]m的取值為0或1，g [lKj]= I
則表示用例h可以覆蓋需求r _j，g[iKj]= 0表示用例t;不能覆蓋需求r _j。
[0044] 測(cè)試用例集約簡(jiǎn)問(wèn)題：給出一個(gè)測(cè)試用例集T，一個(gè)測(cè)試用例需求集R，R滿足給定 程序要求的某種測(cè)試覆蓋準(zhǔn)則，T可以完成對(duì)R中所有Γι的測(cè)試，要求從T中找到一個(gè)測(cè)試 用例優(yōu)化集可以滿足所有A的測(cè)試，需要在大量的測(cè)試用例中篩選出最優(yōu)的測(cè)試用例，SP 能用最少的測(cè)試用例覆蓋最多的測(cè)試需求。
[0045] -些遺傳算法及混沌理論相關(guān)定義介紹如下：
[0046] 個(gè)體（Individual):遺傳算法所處理的基本對(duì)象、結(jié)構(gòu)。
[0047] 種群（Population):個(gè)體的集合。
[0048] 種群大小（Population Size):-個(gè)種群中個(gè)體的數(shù)量。
[0049] 染色體（Chromosome):個(gè)體的抽象表示，通常表現(xiàn)為二進(jìn)制位串，在問(wèn)題求解過(guò) 程中稱為假設(shè)解，最接近被求解問(wèn)題需求的個(gè)體稱為最優(yōu)解。
[0050] 基因（Gene):染色體中的元素，用于表示個(gè)體特征。
[0051] 適應(yīng)度（Fitness):個(gè)體對(duì)環(huán)境的適應(yīng)程度。
[0052] 交叉（Crossover):是指在一定條件下兩條染色體上的一個(gè)或幾個(gè)基因相互交換 位置。
[0053] 變異（Mutation):指在一定條件下隨機(jī)改變一條染色體上的一個(gè)或幾個(gè)基因值。
[0054] 選擇（Selection):根據(jù)個(gè)體所對(duì)應(yīng)的適應(yīng)度值和問(wèn)題的具體要求，對(duì)種群中的 個(gè)體進(jìn)行篩選。
[0055] 子代個(gè)體（Offspring):個(gè)體經(jīng)過(guò)交叉或變異后形成新的個(gè)體。
[0056] Chebyshev 映射：[23]
[0057] xi+1= cos (karccosx ;)，XiG [-1，1]，當(dāng)映射階數(shù)k彡2時(shí)，系統(tǒng)處于混純狀態(tài)，不 同初值產(chǎn)生的序列間具有自相關(guān)性與零值互相關(guān)性。
[0058] Logistic 映射：[23]
[0059] xi+1= μ ·χ ; · (I-Xi)，對(duì)初值敏感，非周期，不收斂，μ = 4時(shí)處于完全混純狀態(tài)。
[0060] 提出一種基于混純遺傳算法的測(cè)試用例集優(yōu)化選擇方法（Test Case Generation Based on Chaos Genetic Algorithm, TCGCG)。該方法利用組合混純映射生成初始種群，每 個(gè)種群個(gè)體包括η個(gè)基因，種群個(gè)體即為一種可能的測(cè)試用例選擇方案，并將具有均勻分 布特性的組合混沌序列引入遺傳算法的選擇、交叉和變異操作，有效地避免了未成熟收斂， 提升了算法的全局搜索能力和計(jì)算效率混沌系統(tǒng)產(chǎn)生初始種群基因，然后對(duì)各個(gè)混沌變量 附加混沌小擾動(dòng)進(jìn)行種群優(yōu)化，通過(guò)不斷進(jìn)化收斂到一個(gè)最適合的個(gè)體上。從而將測(cè)試用 例最小化轉(zhuǎn)化為在種群中尋找基因個(gè)數(shù)最少的個(gè)體覆蓋所有測(cè)試需求。
[0061] 基于混沌遺傳算法的測(cè)試用例集優(yōu)化方法的基本框架如圖1所示，主要包括采用 Chebyshev映射和Logistic映射相結(jié)合生成混純序列、利用混純序列初始化種群、設(shè)定個(gè) 體適應(yīng)度函數(shù)、計(jì)算個(gè)體適應(yīng)度、定義遺傳算子（選擇、交叉、變異）、添加混沌擾動(dòng)等步驟， 具體如下：
[0062] 產(chǎn)生組合混沌序列：
[0063] 采用Chebyshev映射和Logistic映射相結(jié)合生成混純序列：令y。= X。為初始值， 使用 Chebyshev 映射yi+1=cos(Aarccos yj 得到一個(gè)偽隨機(jī)序列{y。，Y1, y2，L，yJ，然后 將序列取絕對(duì)值之后與Logistic映射求和temp = μ Xi (I-Xi) +1 yi+11，每次迭代后采用映 射xi+1= mod (temp, 1)保證混純序列取值為（0, 1)，其中mod (，1)算子代表取數(shù)值