27、自动化测试与遗传改进技术在软件领域的应用

自动化测试与遗传改进技术在软件领域的应用

1. 基于 TESTAR 的 Web 应用自动化测试

1.1 Web 应用测试挑战

Web 应用测试面临着与桌面应用不同的挑战。比如，必须考虑网络延迟，测试自动化工具在执行下一个操作前要等待 GUI 做出反应。同时，要避免测试浏览器而非应用本身，需过滤掉搜索栏或书签等内容。

1.2 TESTAR 设置

1.2.1 动作选择

采用 Q - learning 算法指导动作选择过程。Q - learning 是一种无模型强化学习技术，代理在状态 S 时，需从该状态可用的动作集 A 中选择一个动作。执行动作 a∈A 可使代理在不同状态间转移，在特定状态执行动作会给代理带来奖励（衡量在给定状态执行给定动作的效用的数值分数）。代理的目标是最大化总奖励，通过学习每个状态的最优动作来实现。
我们的 Q - learning 算法由两个参数控制：
- maxReward：决定未探索动作的初始奖励，值越高，搜索越倾向于执行未探索的动作。
- discount：确定动作执行后奖励的衰减方式，小的 discount 值使奖励衰减更快，反之亦然。

1.2.2 TESTAR 协议

TESTAR 自定义协议是一个 Java 类，可扩展基本功能以实现复杂动作集、特定过滤器和复杂预言。通过多次迭代，人类测试人员可观察测试过程中遇到的问题并改进协议，本工作进行了三次迭代。

1.3 测试质量评估指标

为评估测试质量，定义了以下指标：
- 抽象状态：指在一次执行过程中访问的不同状态或 GUI 窗口的数