Page 236 - 《软件学报》2024年第6期
P. 236
2812 软件学报 2024 年第 35 卷第 6 期
表 2 C-SVMXGBoost 模型各评价指标值
程序编号 实验次数 链式模型精度 (%) 训练时间 (s) 平均训练时 (s)
第1次 96.80 0.65
第2次 95.06 0.67
PG1 第3次 96.13 0.67 0.67
第4次 95.70 0.71
第5次 95.04 0.64
第1次 92.60 3.04
第2次 90.14 3.01
PG2 第3次 91.23 3.01 3.01
第4次 90.04 2.97
第5次 91.91 3.03
第1次 90.66 0.66
第2次 87.73 0.67
与本文方法的执行时间的差值占传统遗传法的比例.
PG3 第3次 92.40 0.65 0.66
第4次 89.33 0.65
第5次 89.73 0.69
第1次 97.14 21.21
第2次 97.85 24.23
PG6 第3次 96.90 23.15 22.39
第4次 97.10 21.16
第5次 96.93 22.20
第1次 91.31 45.95
第2次 91.70 45.76
PG8 第3次 90.97 46.80 45.83
第4次 90.13 45.88
第5次 91.81 44.78
第1次 90.85 7.95
第2次 92.53 8.37
PG10 第3次 91.62 7.13 7.62
第4次 89.02 7.12
第5次 92.60 7.53
本文方法旨在将链式模型融入于遗传算法中, 生成可覆盖目标路径的测试用例. 为验证链式模型可适用于路
径覆盖测试生成以及本文方法的有效性, 这里选取传统遗传法 (即, 按照遗传算法的基本步骤, 通过插桩程序获得
测试数据的覆盖路径) 与本文方法进行对比. 结果如表 3 所示. 为更直观地展示在各评价指标下, 本文方法比传统
遗传法改进的程度, 对原指标进行扩展, 增加 3 个评价指标. 其中, 进化代数总量之差百分比为传统遗传法的进化
代数总量与本文方法的进化代数总量的差值占传统遗传法的比例; 平均进化代数之差百分比为传统遗传法的平均
进化代数与本文方法的平均进化代数的差值占传统遗传法的比例; 执行时间之差百分比为传统遗传法的执行时间
由表 3 可知, 与传统遗传法相比, 本文方法在覆盖率、进化代数总量和平均进化代数方面均有非常好的结果,
执行时间方面也具有一定优势.
覆盖率方面, 传统遗传法均未达到 100%, 且大部分被测程序处于 50%–80% 之间, 而本文方法在大部分程序
上的覆盖率达到 100%, 在程序 PG8 和 PG10 上的覆盖率也较高, 分别为 95% 和 97%, 覆盖率提升较明显. 进化代
数总量方面, 本文方法覆盖目标路径所需进化代数总和远少于传统遗传法. 对于简单程序 PG1 和 PG3, 它们的目