袁光辉

(安徽大学 江淮学院 理工部， 安徽 合肥 230031)

在大规模软件演化进程中，频繁使用回归测试可保证软件质量，但测试开销巨大[1]。测试用例优化技术可有效降低回归测试成本，提高测试用例使用效率。测试用例优先排序(Test Case Prioritization，TCP)作为一种高效实用的回归测试优化技术，受到广泛关注。李征等[2]证实TCP问题是一个NP完全问题，并验证了遗传算法和额外贪婪算法求解TCP问题的有效性。Walcott等[3]采用遗传算法求解资源约束下复用测试用例子集，通过对该子集按平均代码覆盖率排序，有效提高了时间限制下的测试用例缺陷检测率。李龙澍等[4]提出采用3个不同进化规律的多种群遗传算法处理测试用例排序问题，实验结果较标准遗传算法具有更强的性能和更好的效率。陈云飞等[5]提出了基于粒子群优化多目标问题方法，采用遗传算法中的交叉操作，设计了粒子的表示和状态更新方式，选取多个优化目标，提高软件测试效率。张卫祥等[6]提出基于离散粒子群算法的TCP，重新定义粒子速度和位置，引入变异算子，动态调整粒子惯性权重，提高算法性能。张娜等[7]提出基于Tent混沌的TCP，采用惯性权重改进学习因子，通过混沌搜索跳出局部最优，从而得到最优解。将智能优化算法应用于测试用例优先排序已被众多学者证明是一种有效的方法，可大幅提高排序搜索的速度和效果。其中粒子群算法因收敛速度快、参数少、易于实现等特点在求解TCP问题时表现出较好的效果。……