硬聚类、模糊聚类和所提方法的变异得分性能

随机方法、单种群遗传算法和所提方法生成测试数据时的时间消耗

软件测试是保证软件质量的重要手段。在诸多测试技术中，变异测试是一种面向程序缺陷的测试技术，它常用于评估测试集的充分性或辅助生成测试数据。在进行变异测试时，往往生成大量的变异体，不仅导致高昂的测试代价，而且生成杀死这些变异体的测试数据也是一项艰巨的任务，尤其对于顽固变异体。

近日，信控学院智能优化与控制课题组巩敦卫教授和党向盈博士在该领域取得研究进展，研究成果形成论文“Enhancement of Mutation Testing via Fuzzy Clustering and Multi-population Genetic Algorithm”，在国际顶级期刊、中科院Top期刊 IEEE Transactions on Software Engineering (IF: 6.112 )发表，中国矿业大学为第一单位，论文通讯作者为巩敦卫教授。

该论文针对变异体众多和测试数据生成低下问题，借鉴“分而治之”思想，提出一种模糊聚类和进化优化增强变异测试的方法。首先，优选顽固变异体为聚类中心，基于变异分支相似度模糊聚类变异体；然后，针对多个变异体簇，建立多任务测试数据生成问题的优化模型。最后，基于强变异测试准则，采用多种群遗传算法，以并行方式生成测试数据，在每一个簇中，优先生成杀死簇中心变异体的测试数据。实验结果表明，所提方法能提高变异测试的效率，高效生成高质量的测试数据。

从学科发展的角度讲，本文涉及人工智能、自动化、计算机，以及应用数学等多个学科，是这些学科的有机交叉，具有明确的应用背景和产业需求，研究成果有利于这些学科的发展。从解决行业需求上讲，研究内容是人工智能应用于软件测试行业的具体体现，用人工智能的方法提高变异测试的自动化，保障软件产品实时更新的可靠性。