Page 178 - 《软件学报》2026年第5期

钱忠胜 等: 面向两阶段分组的测试用例优先级排序方法 2057

3.4.2 对比实验 (RQ2)
在对比时, 本文的迭代次数设置为 5 (迭代次数划定实验见第 3.4.3 节), 而对于含有参数的对比方法, 其参数
值均采用对应文献中的原始设定. 就部分重要参数而言, 在 AGA 中, 迭代次数为 10; 在 CGWO-TCP 中, 循环混沌
函数中的控制参数 a 为 0.5, b 为 0.2; 在 WOA-TCP 中, 螺旋攻击的控制参数 b 为 1; 在 SAT-TCP 中, 学习率为
2E–5, batch_size 为 68, epoch 为 5.
本文与 8 种相关经典的、最新的方法在 6 个不同规模的数据集上就 APFD、TETC 指标进行详细对比, 结果
如表 7 所示.

表 7 各方法对比结果

基于贪心策略方法 基于群智能算法 基于故障方法 基于机器学习方法 本方法 性能提升
指标 数据集
GA OCP AGA CGWO-TCP WOA-TCP FB-TCP KS-TCP SAT-TCP TPG-TCP (%)
Flex 0.950 6 0.956 9 0.950 6 0.960 1 0.954 2 N/A N/A 0.947 2 0.969 8 1.02
Tcas 0.921 6 0.934 1 0.921 6 0.947 0 N/A N/A 0.921 3 0.942 5 0.963 3 1.72
Schedule2 0.918 7 0.925 8 0.918 7 N/A 0.930 2 N/A 0.909 6 0.936 5 0.947 7 1.20
APFD
Jsoup 0.932 8 0.945 9 0.932 8 N/A N/A 0.935 0 N/A 0.931 6 0.958 6 1.34
Jacksoncore 0.938 9 0.936 5 0.938 9 N/A N/A 0.940 0 N/A 0.910 9 0.953 2 1.40
Camel-core 0.954 4 0.953 6 0.954 4 N/A N/A N/A N/A 0.939 0 0.964 5 1.06
Flex 0.368 5 0.138 6 0.098 2 N/A 2.728 7 N/A N/A 1.678 2 0.086 2 12.22
Tcas 1.056 9 0.141 5 0.127 0 N/A N/A N/A 0.718 0 2.054 7 0.113 2 10.86
Schedule2 1.521 8 0.112 0 0.086 7 N/A 10.626 9 N/A 1.283 0 2.775 6 0.076 4 11.88
TETC (s)
Jsoup 5.762 4 0.263 9 0.214 5 N/A N/A 29.067 0 N/A 9.443 2 0.205 8 4.06
Jacksoncore 1.410 3 0.340 2 0.255 8 N/A N/A 46.196 0 N/A 3.575 8 0.242 2 5.32
Camel-core 1 288.151 9 75.451 7 18.104 0 N/A N/A N/A N/A 486.465 8 15.769 3 12.09
注: ① 本文方法TPG-TCP的数据加粗标示, 为便于比较, 利用下划线突显对比方法中表现最佳的数据, 最后一列给出本文方法相
对于某一最佳对比方法的性能提升情况 (粗体标示). ② CGWO-TCP、WOA-TCP、FB-TCP、KS-TCP数据来源于各原始文献,
因这些文献中不同方法选择的实验对象不同, 故存在部分数据集数据缺失的情况. 其余方法的数据通过运行50次实验, 并取其平
均值, 将所得平均值与对应方法文献中的原实验数据进行比较, 最终实验数据以较优结果为准填入

1) 与基于贪心策略的 TCP 方法相比
① GA 在 TCP 领域是非常经典的方法, 反馈机制的加入使其在排序有效性方面取得不错的效果, 但该方法包
含大量重复的数据访问, 极大地降低了其速度. 此外, 该策略存在的随机因素会在一定程度上影响其有效性. 相较
于 GA 方法, TPG-TCP 在 APFD 和 TETC 指标上分别最少提升 1.06% 和 76.61%.
② OCP 通过设定历史优先级指标以避免考虑所有候选测试用例, 并降低 GA 随机因素对有效性的影响. 相较
于 OCP 方法, TPG-TCP 在 APFD 和 TETC 指标上分别最少提升 1.14% 和 20.00%.
③ AGA 相较于 OCP 方法更侧重对 Additional 策略效率的提升, 通过增加存储结构并减少迭代次数共同加快
排序速度. 相较于 AGA 方法, TPG-TCP 在 APFD 和 TETC 指标上分别最少提升 1.06% 和 4.06%.
这 3 种基于贪心策略的方法 GA、OCP 和 AGA 虽然在一定程度上提高了 TCP 排序的有效性和效率, 但未考
虑用例间的关系以及用例信息的个体性. 因此, 本文方法 TPG-TCP 采用粗粒度用例分组以及 TP-Additional 策略
应对这些问题.
2) 与基于群智能算法的 TCP 方法相比
① CGWO-TCP 将近年来较流行的灰狼优化算法改进后应用于 TCP 领域, 提升了排序的有效性. 相较于
CGWO-TCP 方法, TPG-TCP 在 APFD 指标上最少提升 1.02%.
② WOA-TCP 对先进的鲸鱼优化算法改进后, 将其用于解决 TCP 问题, 在减少算法迭代次数的同时提升了排
序的有效性. 相较于 WOA-TCP 方法, TPG-TCP 在 APFD 和 TETC 指标上分别最少提升 1.63% 和 96.84%.
这两种基于群智能算法的方法将较新的优化算法应用于 TCP 领域, 利用群智能算法强大的搜索能力来解决
排序问题, 创新性较高. 但此类方法建立的搜索空间规模较大, 导致在搜索时间成本方面与基于贪心策略的方法相
比过高. 本文方法 TPG-TCP 采用粗粒度用例分组与细粒度分组排序, 在保证排序有效性的同时提高了排序的效率.