13、基于链接学习交叉和 SQL 处理的测试用例选择与生成技术

基于链接学习交叉和 SQL 处理的测试用例选择与生成技术

1. 多目标测试用例选择新方法：L2 - NSGA

在软件测试领域，多目标测试用例选择（TCS）是一个关键问题。传统的 NSGA - II 算法在该领域有广泛应用，但存在一定局限性。为了改进这一情况，研究人员提出了一种名为 L2 - NSGA 的新方法。

L2 - NSGA 是对 NSGA - II 的扩展，它引入了链接学习方法。具体来说，它用新的 L2 - CROSSOVER 算子取代了 NSGA - II 中完全随机的交叉算子。这个新算子能够识别、保留和复制在给定种群中代表最优解的基因（位）模式，这些模式也被称为链接结构，通过凝聚层次聚类（特别是 UPGMA）来推断。

在对四个具有大型测试套件和多个版本的真实世界程序进行评估时，L2 - NSGA 展现出了显著优势。它生成的非支配前沿比其前身 NSGA - II 更好，并且使用 L2 - NSGA 创建的测试套件能够检测到更多的回归故障。

不过，该研究也面临一些有效性威胁：
- 构建有效性威胁 ：评估多目标进化算法（MOEAs）所使用的指标可能带来威胁。研究中使用了反向生成距离（IGD）和超体积（HV）来回答相关研究问题。这些指标是多目标算法中成熟的质量指标，但在构建参考前沿时，将所有 MOEAs 在所有运行中产生的非支配前沿组合起来，这虽然是回归测试中的标准做法，但仍可能存在一定局限性。此外，优化 MOEAs 时所使用的测试质量和成本指标也可能是潜在威胁，研究依赖 gcov 分析工具来收集覆盖率和测试执行成本数据。
- 内部有效性威胁 ：MOEAs 和