用于解决软件产品线中优先成对测试数据生成问题的 CMSA 算法

在软件产品线（SPL）中，由于可能存在大量有效的特征组合，测试该家族的所有产品可能很困难甚至不可能。因此，我们希望找到产品家族的一个最小子集，使我们能够测试所有这些可能的组合（成对）。此外，当测试单个产品需要耗费大量精力时，最好先测试由一组优先特征组成的产品。此问题被称为优先成对测试数据生成问题。针对该问题基于整数线性规划的最先进算法对于中小型实例足够快。然而，由于候选解数量的指数级增长，存在一些对于这些算法而言在合理时间内计算量过大的真实实例。此外，这些启发式算法并不总是能引导我们找到最佳解。在这项工作中，我们提出了一种基于名为构造、合并、求解与适应的混合元启发式算法的新方法。我们将此数学启发式算法与四种算法进行了比较：基于整数线性规划的混合算法（HILP）、基于整数非线性规划的混合算法（HINLP）、并行优先遗传求解器（PPGS）以及名为 prioritized-ICPL 的贪心算法。分析表明，在大多数实例和大多数加权覆盖水平上，CMSA 产生了在统计上显著质量更好的解，尽管它需要更多的执行时间。