基于贝叶斯网络和遗传算法的测试用例生成模型

软件规模的扩大给测试工作带来了新的问题，手工测试的速度太慢，效率太低。因此自动化测试就被人们所重视。在自动化测试中，如何生成测试用例有着举足轻重的作用。通过对国内外相关资料的研究，揭示出在面向路径的测试用例生成中，通常会遇到的问题即产生的测试用例并不能覆盖全部的路径，甚至有少数路径根本就不会有测试用例执行。本文所提出的基于贝叶斯网络和遗传算法的测试用例生成模型主要解决的问题是为自动化测试生成测试用例集合，并且这些测试用例集合必须满足全路径覆盖的准则。 本文对经典的软件测试的方法做了详细的归纳，分别介绍了单元测试、黑盒测试、白盒测试、静态测试和动态测试等测试方法。并对近年来常用的测试用例生成方法进行了简单的阐述。接着详细介绍了遗传算法的一些基本理论和操作，并分析了遗传算法在实际应用中的一些优缺点。然后，介绍了贝叶斯网络的基本概念，简述了贝叶斯网络参数学习和结构学习的算法。提出了基于贝叶斯网络和遗传算法的测试用例生成模型，由于贝叶斯网络是一种将因果知识和概率知识相结合的信息表示框架，其定性信息表达了网络中各节点之间的拓扑结构，定量信息则表示了各个节点的联合概率分布，因此，贝叶斯网络中的定性信息可以用于表达被测试程序中各个参数之间的关系，而定量信息就可以表示各个参数的取值区间情况的概率，于是就可以通过对定量信息的调整来达到全路径覆盖准则。在本文提出的基于贝叶斯网络和遗传算法的测试用例生成模型中，使用遗传算法作为启发式搜索算法对贝叶斯网络模型进行不断的修改，从而得到一个最优的贝叶斯网络模型来生成测试用例集合。 本文的最后做了三次仿真实验，第一次实验用于揭示生成全路径覆盖的测试用例所存在的问题；第二次实验利用本文提出的基于贝叶斯网络和遗传算法的测试用例生成算法来生成测试用例，证明这是一种可行和有效的方法。第三次实验是在复杂的被测程序情况下验证基于贝叶斯网络和遗传算法的测试用例生成模型的可行性。