基于蟻群算法的測試用例優先排序*

張衛祥，齊玉華，魏 波，張 敏，竇朝暉

(北京跟蹤與通信技術研究所，北京100094)

1 引言

隨著信息技術的迅速發展，軟件項目類型出現了很大變化，全新開發項目的比例不斷下降，增強型軟件項目所占比例不斷增加。國際軟件基準標準組ISBSG(International Software Benchmarking Stardards Group)發布的一項數據表明[1]，從1997年到2009年ISBSG搜集的5 000多個項目中，全新開發項目占比39%，而增強型項目占比59%。

增強型軟件指的是，在原有軟件功能、性能、接口等基礎上，經過改造、優化和維護等技術手段，使其更好地適應新的使用目的或應用場景的軟件。由于業務增長不斷促進軟件演化，軟件產生速度遠大于消退速度，軟件迭代開發模式大行其道等原因，增強型軟件項目近年來蓬勃興起，在航天等諸多領域已占據主導地位。增強型軟件的“增強”主要體現在3個方面：缺陷修復、功能擴充和軟件優化。在增強型項目的軟件測試中，不僅要驗證和確認更動部分軟件質量，還要保證軟件原有的功能、性能和接口等沒有因為更動而受到影響，測試難度大于新研軟件。

對原有測試用例集進行有效維護(包括擴充、縮減和排序、優化等)是增強型軟件測試的重要工作內容。一種最簡單的維護策略是保持其不變，即重新執行已有的所有測試用例，但是往往存在項目預算或工程進度不允許、部分測試用例已失效、已有測試用例不能覆蓋新增測試需求等諸多問題。為此，人們提出了一系列測試用例維護技術，包括測試用例集擴充、測試用例集縮減、測試用例選擇、失效測試用例的識別和修復以及測試用例優先排序技術等[2]。

測試用例優先排序技術TCP(Test Case Prioritization)按照預先選定的測試目標，在特定排序準則指導下對測試用例重新排序，通過優化測試用例的執行次序來提高測試效率，是軟件測試領域的一個研究熱點[3]。在大規模軟件的測試中，測試用例完全運行常常需要幾周甚至幾個月的時間，在這種情況下，測試人員希望對測試用例進行排序，使得優先級高的用例能夠盡早地被執行，TCP技術應運而生。Wong等[4]較早進行了相關研究，結合測試用例歷史覆蓋信息和代碼修改信息識別出冗余測試用例，并對非冗余測試用例根據其對代碼的覆蓋能力進行排序。Elbaum等[5]在2000年給出了TCP問題的一般性描述。Rothermel等[6]通過一系列有針對性的實驗研究，證實了優先級技術在提高檢錯率方面的有效性。Tonella等[7]提出了一種機器學習的方法，利用測試者的經驗對測試用例重要程度進行評估和排序。Shi等[8]引入Pareto效率方法，結合多目標優化來設置測試用例優先級。陳翔等[3]把TCP技術分為基于代碼的、基于模型的和基于需求的TCP等3類，目前基于代碼的TCP技術研究較為充分，基于需求的TCP技術的研究成果還不多見。

蟻群算法ACA(Ant Colony Algorithm)由Dorigo等[9]提出，是一種模擬螞蟻群體覓食行為方式的仿生優化算法。ACA引入正反饋并行機制，具有較強的魯棒性、優良的分布式計算機制、易于與其他方法結合等優點[10]，目前已成功解決了許多領域的復雜優化問題，成為智能優化領域的一個研究熱點。Dorigo等[11]在基本蟻群算法的基礎上提出了蟻群系統ACS(Ant Colony System)，讓信息量最大的路徑以較大的概率被選中，能夠充分利用學習機制強化最優信息的反饋。Stützle等[12]提出了最大-最小螞蟻系統MMAS(MAX-MIN Ant System)，將各個路徑上的信息量限制在一個區間內變化，以避免算法過早收斂于非全局最優解。蟻群算法首先被應用于著名的旅行商問題，隨后被廣泛應用于網絡路由、任務調度、系統辨識、圖像處理等諸多領域[13 - 16]。

由于TCP問題本質上是尋找最優測試用例排列次序的離散優化問題，因此可利用ACA進行求解。顧聰慧等[17]基于蟻群算法提出了一種多目標優化方法，針對平均語句覆蓋率和有效執行時間2個優化目標，實現了測試用例集的優化排序并改進了多目標解集優劣評價方法。邢行等[18]提出一種基于上位基因段的信息素更新策略，以改進蟻群算法在求解多目標測試用例優先排序時收斂速度緩慢、易陷入局部最優的問題。

本文的主要貢獻在于：

(1)提出了一種基于ACA求解面向需求的TCP問題的方法TCP-ACA(ACA for TCP)，并給出了2種不同的實現方式，可直接應用于黑盒測試。

(2)提出了測試用例吸引度的概念，并基于其定義了測試用例之間的距離，作為外啟發信息引導蟻群的尋優。

(3)提出了基于需求的一般性評價指標，能夠對測試用例序列的優劣進行量化比較。

(4)改進信息素更新策略，引入局部最優解突變策略，提高了全局最優解收斂速度和搜索能力。

2 問題的提出

2.1 基于需求的測試優先排序

TCP問題的一般性描述為[5]：給定測試用例集T、T的全排列集PT、排序目標函數f:PT→R，尋找T′∈PT，使得對?T″∈PT(T″≠T′)，有f(T′)≥f(T″)。由問題描述可知，目標函數f的輸入是測試用例執行次序，輸出為1個數值，數值越大則排序效果越好。

按照排序依據的不同，TCP技術可分為基于代碼的、基于模型的和基于需求的TCP技術等3類[3]。目前的研究主要集中在基于代碼的TCP技術，從貪婪法、機器學習法、融合專家知識法等不同角度已有不少的研究成果。

基于需求的TCP技術的研究成果還比較少。屈波等[19]基于測試用例的設計信息，提出了1組基于需求的測試用例優先級動態調整算法。Zhang等[20]提出了考慮測試需求優先級和測試用例執行開銷的基于Total策略和Additional策略的TCP技術。Krishnamoorthi等[21]基于軟件需求規約，在對測試用例進行排序時考慮了包括客戶定義的需求優先級、需求變動信息、需求實現復雜度、需求完整性、需求可追蹤性和缺陷影響程度等更多的影響因素。

張衛祥等[22]指出，影響基于需求的TCP技術的各種因素，總體上可分為測試成本型因素(Cost-Keys)和測試收益型因素(Win-Keys)2大類，有的因素所起的作用和測試用例次序是正相關的，有的是負相關的，有的影響大，有的影響小，但都可以通過加權的方式進行歸一化。

不失一般性，令Cost-Keys因素全集為C={c1,c2,…,cn}，Win-Keys因素全集為W={w1,w2,…,wm}，對任一測試用例ci∈T，有：

Wi=h(W),Ci=g(C)

(1)

其中，Wi稱為測試用例ci的綜合收益，表示全部測試收益型因素對測試用例ci的綜合影響；Ci稱為測試用例ci的綜合成本，表示全部測試成本型因素對測試用例ci的綜合影響；h:W→R,g:C→R分別為測試收益型因素、測試成本型因素的權值函數。請注意，這里我們對文獻[22]中的Wi和Ci進行了擴展，因為這里的h,g不僅可以是線性函數，還可以是非線性函數。

2.2 測試用例序列評價指標

為衡量TCP技術的有效性，需要對排序結果進行評價。與隨機順序測試相比，TCP的優勢是能夠更快地檢查出錯誤。基于此，Elbaum等[5]采用測試用例使用個數和檢測錯誤個數之間的關系來量化測試用例序列的優劣，給出APFD(Average Percentage of Fault Detection)評價指標。由于無法在測試用例全部執行前知道測試用例的缺陷檢測信息，APFD存在著明顯不足。Li等[23]隨后提出APBC(Average Percentage of Block Coverage)、APDC(Average Percentage of Decision Coverage)和APSC(Average Percentage of Statement Coverage)等系列指標，分別以測試用例序列對程序塊、分支和語句的覆蓋速率為考核對象，顯然這些指標更適合于基于代碼的結構測試。

在基于需求的功能測試中，測試人員以軟件規格說明為依據。一般地，先將軟件需求轉化為測試需求，然后把測試需求細化分解為測試點，最后針對測試點進行測試用例設計，形成測試用例集合。為此，張衛祥等[24]提出基于測試點覆蓋的評價指標APTC(Average Percentage of Test-point Cove-rage)。對于測試用例集Φ={T1,T2,…,Tm}，APTC的計算公式定義為[24]：

(2)

其中，m為測試用例個數，n為測試點個數，TTi表示首個可覆蓋到第i個測試點的測試用例在該用例序列中所處的次序。APTC的取值在0～1，取值越大表示對測試點覆蓋的速度越快。

類似于文獻[22]，調整評價目標為單位綜合成本取得的綜合收益，利用公式中的綜合收益和綜合成本對APTC進行改造，提出測試平均收益率評價指標eAPWC(enhanced Average Percentage of Win-cost Coverage)。eAPWC在形式上與APWC[22]一致，公式化表示為：

(3)

其中，各個變量的含義與式(1)和式(2)中的相應變量一致。當所有測試用例的綜合收益相同且綜合成本相等時，式(3)就是式(2)，即APTC指標為eAPWC指標的一種特殊情況。

3 基于蟻群算法的求解方法

本節給出基于蟻群算法求解TCP問題的方法TCP-ACA。首先介紹基本蟻群算法，隨后給出TCP-ACA的設計實現及基本流程。

3.1 基本蟻群算法

基本蟻群算法是采用人工螞蟻的行走路線來表示待求解問題可行解的一種方法。每只螞蟻在解空間中獨立地搜索可行解，當碰到一個還沒有走過的路口時，就隨機挑選一條路徑前進，同時釋放出與路徑長度相關的信息素。路徑越短，信息素的濃度就越大。當后續的螞蟻再次來到這個路口時，會以相對較大的概率選擇信息素較多的路徑，并在行走路線上留下更多的信息素，影響后來的螞蟻，從而形成正反饋機制。隨著算法的推進，代表最優解路徑上的信息素逐漸增多，選擇它的螞蟻也逐漸增多，而其它路徑上的信息素卻隨著時間流逝而逐漸消減，最終整個蟻群在正反饋的作用下集中到代表最優解的路徑上，也就找到了最優解[25]。

(4)

為了避免殘留信息過多而淹沒啟發信息，在每只螞蟻走完1步或者完成對所有城市的遍歷后，要對信息素τij(t)進行更新：

τij(t+1)=(1-ρ)τij(t)+Δτij(t)

(5)

(6)

其中，Lk為螞蟻k遍歷城市的路徑長度和；Q為1個常量。

對于求解TCP問題，蟻群算法具有天然的適應性，但同時也存在對參數敏感、易于陷入局部最優等不足，需要對基本蟻群算法加以改造。

3.2 基于需求的測試用例距離

針對基于需求的測試優先排序問題，給出基于測試點的測試用例距離定義。首先引入測試用例的吸引度概念。

定義1(測試用例吸引度) 對于任意2個測試用例ci和cj，假設它們所覆蓋的測試點集合分別為TPi和TPj，定義ci與cj的吸引度為aspirationij：

aspirationij=λ×(∑p∈TPi∪TPjvp-μ×

∑q∈TPi∩TPjvq)/(Ci+Cj)

(7)

其中,vp和vq表示測試點p和q的價值(重要程度)；Ci和Cj分別表示測試用例ci和cj的綜合成本(如式(1)定義)；λ,μ為調節因子。

根據定義可知，2個用例間的吸引度與它們共同覆蓋的測試點的總價值正相關，與測試用例的綜合成本負相關，特別地，2個用例所覆蓋測試點的相似程度越高，其吸引度反而越低。

定義2(測試用例距離) 對于任意2個測試用例ci和cj，定義它們之間的距離dij為(其中ε為1個小常數，比如10-3)：

(8)

可以看出，2個測試用例覆蓋的測試點越多、價值越高且相似程度越低，其距離越小；反之，距離就越大。這與TCP問題的求解目標是一致的。

3.3 TCP-ACA設計與實現

根據對測試用例間距離及測試用例序列的評價方式的不同，TCP-ACA有2種實現方式：

方式1(TCP-ACA-1)：定義用例間的距離(利用式(8))，令測試用例序列的長度為其路徑上各用例間距離之和，按照類似于TSP問題求解的思路，以路徑長度短者優為原則評價測試用例序列的優劣，并進行迭代更新。

方式2(TCP-ACA-2)：不定義用例間的距離(或者令各用例間距離相等)，在蟻群隨機搜索生成路徑后，以式(3)為指標評價測試用例序列的優劣，給局部最優解對應路徑增加額外信息素，并進行迭代更新。

無論哪一種方式，為了保證對TCP問題的適用性及提高對全局最優解的搜索能力，TCP-ACA改進了基本蟻群算法的解構建策略、解評價策略和信息素更新策略，并引入了局部最優跳出策略。

3.3.1 解的構建

對于蟻群中的每只螞蟻，單獨構建解。與TSP不同的是，測試用例序列的首尾不相連。

求解時，螞蟻首先隨機選擇1個測試用例作為初始點，然后從初始點開始，根據轉移概率逐個訪問下1個未被訪問過的測試用例，直至所有的測試用例被訪問1遍，得到1個測試用例遍歷序列，即完成解的構建。

轉移概率依據式(4)計算得到。對于螞蟻k、測試用例ci和測試用例cj，可采用最大最小螞蟻系統MMAS[12]的策略。τij(t)表示測試用例ci和測試用例cj間路徑的信息素濃度，在每只螞蟻完成1次遍歷后進行更新，更新策略將在3.3.4節介紹；每條路徑上的信息素量被限制在[τmax,τmin]內，并在初始時設定為區間上限，[τmax,τmin]由式(9)和式(10)計算得到:

(9)

(10)

其中,L(sgb)表示全局最優解路徑的長度(在第1次迭代完成前設置為1個經驗值)，σ為精英螞蟻的數量(產生第1代前為0)。

式(4)中的ηij(t)是外啟發式信息，對于TCP-ACA-1，ηij(t)=1/dij，dij由式(8)定義；對于TCP-ACA-2，ηij(t)=const，const為1個常數(比如1)。

計算得到轉移概率后，按照輪盤賭策略[25]選擇下1個測試用例。待所有螞蟻都完成1次遍歷后，就得到了1組解的集合，集合中解的個數與螞蟻數量相等。

3.3.2 解的評價

對于解集合中的每個解，需要評價其優劣。TCP-ACA的 2種實現方式的評價策略不同。

對于TCP-ACA-1，首先計算解的長度，解的長度為測試用例序列路徑上各用例間距離之和；然后，以長度小者優為原則進行解的評價，最小者為最優解。

對于TCP-ACA-2，首先計算解的適應度，解的適應度以執行測試用例序列時單位綜合成本取得的綜合收益為評價目標，利用式(3)所定義的eAPWC指標得到；然后，以適應度大者優為原則進行解的評價，最大者為最優解。需注意的是，eAPWC為一般性指標，可通過設置限定條件或選擇特定參數使其簡化，例如，假設所有測試用例的綜合收益相同且綜合成本相等，eAPWC就等價于文獻[24]中的APTC。

3.3.3 最優解集的更新

最優解集的作用是收集在整個搜索過程中產生的當前全局最優解，在每1次迭代完成時更新1次。

在最大最小螞蟻系統MMAS中，找到以下2種最優路徑之一的螞蟻,允許其釋放信息素(其它螞蟻不允許)：本次迭代中的最優路徑，或者當前已發生的所有迭代中的最優路徑。

在每1次迭代完成后，首先要對每個解的優劣進行評價，標記本次迭代中的最優路徑；然后將本次迭代中的最優路徑與最優解集中的最優路徑進行比較，更新最優解集。

3.3.4 信息素的更新

更新信息素的目的是為了增加較優路徑上信息素的濃度，減小較差路徑上的信息素濃度，從而引導螞蟻向著更好的方向搜索。TCP-ACA的2種實現方式的信息素更新策略不同。

對于TCP-ACA-1，采用信息素2次更新策略：先使用MMAS的信息素更新策略進行首次更新，然后再對全局最優路徑上的部分長距離子路徑進行2次更新。具體地：

(1)首次更新。使用MMAS的信息素更新策略對式(5)進行改造，有：

(10)

(2)2次更新。考慮到某些最優路徑中的子路徑由于距離較長使得被選擇的概率較小，可能導致被錯過而無法構成潛在全局最優解，在每次迭代后，增加對當前全局最優路徑的子路徑的路徑貢獻度[26]判斷，并對路徑貢獻度大于給定閾值的進行2次更新。對于子路徑(cj→ci)，定義其路徑貢獻度為dij/L(sgb)，對給定閾值q0，按式(12)計算信息素變化率：

(12)

對于TCP-ACA-2，只進行首次更新，不進行2次更新。

3.3.5 局部最優解的突變

蟻群算法的正反饋機制有利于算法快速收斂，但也能導致較優路徑上的信息素越積越多，使得搜索陷入局部最優而停滯。為了提高算法跳出局部最優的能力，TCP-ACA引入變異策略，將趨于停滯的局部最優解替換為突變產生的新解。

TCP-ACA的2種實現方式的局部最優解突變策略相同。具體地，假設局部最優路徑(即當前全局最優解)為c1→c2→…→ci→…→cj→…→cn，隨機選擇路徑上的2個位置i和j，交換其上的測試用例ci和cj而產生突變，形成突變解；然后，評價突變解，如果它優于原有路徑，則更新局部最優解，否則不更新。如此循環多次，可以增強路徑的多樣性，提高全局尋優能力。

3.4 TCP-ACA基本流程

TCP-ACA的基本步驟包括：

(1)初始化。分別設置最大迭代次數、信息素揮發系數、螞蟻數量、測試用例數量以及當前迭代次數、禁忌表索引等變量。將螞蟻隨機放在各測試用例上，作為起始點。

(2)構建解空間。針對每只螞蟻執行以下步驟：

①根據狀態轉移概率公式計算螞蟻選擇測試用例的概率；

②使得螞蟻移動到具有最大轉移概率的測試用例；

③重復①、②，直到螞蟻遍歷所有測試用例。

(3)評價解的優劣。逐一計算本次迭代生成的各個解的適應度值，得到本次最優解。

(4)執行局部最優解突變。如果最優解連續沒有得到改善，則判定陷入局部最優，執行局部最優解突變；否則，直接執行(5)。

(5)更新最優解集。利用本次最優解更新最優解集。

(6)更新信息素濃度。根據信息素更新策略，對各個測試用例連接路徑上的信息素進行首次更新和2次更新。

(7)判斷是否終止。判斷是否滿足最大迭代次數等終止條件，如果滿足，算法終止；否則，返回(2)。

4 實驗驗證

4.1 實驗設置

實驗采用三角形分類程序，并把實驗結果與已有文獻[22,24]的結果進行比較。三角形分類程序的主要功能是利用三角形各邊的取值及相互關系來判斷三角形類型，包括不等邊三角形、等腰三角形、等邊三角形以及非三角形等[24]。三角形分類程序共包含7個測試點、6個測試用例，其測試用例與測試點的對應關系如表1[24]所示。

蟻群算法、粒子群算法和遺傳算法都屬于啟發式算法，不能保證在任何情況下都能得到最優解。為了檢驗算法的效果，本文從最優解的質量、最優解的成功率等2個方面進行比較分析。

為了便于比較，分別采用eAPWC的2種簡化變體eAPWC-1和eAPWC-2作為TCP-ACA-2的評價指標，其中，eAPWC-1的簡化原則是令所有測試用例的綜合收益相同且綜合成本相等，即如果所有測試用例的綜合收益相同且綜合成本相等，eAPWC就簡化為eAPWC-1，等價于文獻[24]中的APTC和文獻[22]中的APWC-1；eAPWC-2的簡化原則是假設每個測試點的重要程度及每個測試用例的成本不等，以單位測試成本覆蓋測試點的重要性程度值作為評價目標，eAPWC-2等價于文獻[24]中的APTC_C和文獻[22]中的APWC-2。

Table 1 Correspondence between test points and test cases of the triangle classification program表1 三角形分類程序的測試點與測試用例的對應關系

參照段海濱[10]的蟻群算法參數設定方法，經多次實驗調整，設定TCP-ACA的主要參數如下：

TCP-ACA-1：蟻群規模m=10，信息啟發式因子α=1，期望啟發式因子β=5，信息素揮發系數ρ=0.1，信息素強度Q=0.3，最大迭代次數為Nmax。

TCP-ACA-2：m=10，α=1，β=5，ρ=0.1，Q=1，Nmax。

4.2 結果分析

對TCP-ACA的2種實現方式TCP-ACA-1、TCP-ACA-2分別進行實驗，而TCP-ACA-2又分別使用了eAPWC-1、eAPWC-2等2種評價指標。因此，共有3組實驗(分別采用eAPWC-1、eAPWC-2、用例距離進行解評價)，每組實驗重復進行15次。

TCP-ACA與TCP-DPSO[22]、GA[24]等不同方法求得的最優解如表2所示，最優解成功率如表3所示(其中的數值表示最優解次數/總次數)。TCP-DPSO[22]、GA[24]沒有使用用例距離作為評價指標。

Table 2 Comparison of the optimal solution quality表2 最優解質量的比較

Table 3 Comparison of optimal solution success rates表3 最優解成功率的比較

作為比對，還采用了隨機測試方法，同樣進行15次實驗，每次實驗隨機生成100個測試用例序列，得到的解的分布情況如表4所示，大體上呈正態分布，最優解的生成幾率在2%～3%。

由表2和表3可以看出：從所求解的最優解的質量上，TCP-ACA大幅優于隨機測試，與TCP-DPSO、遺傳算法相當；從求解最優解的成功率上，TCP-ACA要好于遺傳算法，且比TCP-DPSO略優。總體而言，TCP-ACA方法是可行的，具有很好的全局尋優能力，效果上優于粒子群算法、遺傳算法和隨機測試。

Table 4 Distribution of solutions by random testing表4 隨機測試生成解的分布情況

再對TCP-ACA的不同實現方式TCP-ACA-1和TCP-ACA-2的演化過程進行進一步分析，其演化過程如圖1所示。

Figure 1 Evolution of the average and optimal solution of TCP-ACA圖1 TCP-ACA的最優解及平均解的演化

從圖1可以看出：首先，從最優解的收斂效果來看，不論TCP-ACA-1，還是TCP-ACA-2(eAPWC-1)、TCP-ACA-2(eAPWC-2)，收斂效果都不錯，對最優解的搜索速度都很快，尤其是TCP-ACA-1和TCP-ACA-2(eAPWC-1)，只需迭代幾個輪次就能收斂。其次，從平均解的收斂效果來看，TCP-ACA-1最好，平均解的收斂趨勢好，速度也比較快；TCP-ACA-2(eAPWC-1)次之，平均解也呈收斂趨勢；TCP-ACA-2(eAPWC-2)最差，平均解的收斂趨勢不明顯。造成這種情況的原因在于：TCP-ACA-1以用例距離作為評價指標，用例距離能直接作用于任意2個用例之間，會對蟻群起到很好的正反饋作用；而TCP-ACA-2以eAPWC-1或eAPWC-2為評價指標，評價效果作用在整條路徑上，路徑上的各用例被同等激勵，不能有效體現用例間差別，對蟻群的正反饋作用較弱；尤其是TCP-ACA-2(eAPWC-2)，由于指標eAPWC-2較eAPWC-1更復雜，導致其對用例的激勵作用更加不直接、不明確，對蟻群的正反饋作用也最弱，不能有效引導蟻群整體向最優解集中。

5 結束語

測試用例優先排序問題在本質上是一個離散組合優化問題。本文利用蟻群算法的魯棒性好、并行性強等特點，提出了基于蟻群算法的方法TCP-ACA，實現了對基于需求的測試用例優先排序問題的求解，能夠直接應用于增強型軟件測試和黑盒測試。

根據不同的解評價策略，本文用2種方式實現了所提出的TCP-ACA方法。TCP-ACA-1提出吸引度的概念并基于其定義測試用例間的距離，把路徑上各用例間距離之和作為測試用例序列的長度，依據路徑長度短者為優的原則評價測試用例序列的優劣，利用最優螞蟻更新信息素并迭代尋優。TCP-ACA-2不定義用例間距離，在蟻群隨機搜索生成路徑后，分別以本文提出的eAPWC-1或eAPWC-2作為指標評價，依據指標大者為優的原則評價測試用例序列的優劣，給最優路徑增加額外信息素并迭代尋優。實驗結果表明，TCP-ACA方法具有很好的全局尋優能力，整體效果上優于粒子群算法、遺傳算法和隨機測試。

隨著人工智能的蓬勃發展，智能化技術的應用日益廣泛。把智能優化技術用于求解測試用例優先排序、測試用例和測試數據的自動生成等軟件測試領域中的熱門問題，是一個可行的技術方向，具有很好的研究價值。下一步，我們將就各種智能化技術在軟件測試中的應用做進一步的研究。