测试数据生成

本章解释了 Coco 测试数据生成功能背后的原理。

遗传算法原理

Coco 发现新的测试用例的方法是使用基于现有单元测试的遗传算法，以发现最优的输入数据集。

首先，用户提供一个单元测试，其中包含输入参数（整数、浮点数、字符串等）和产生的某些输出（同样为整数、浮点数、字符串等）。假设测试 T 有 2 个参数，一个字符串和一个整数，以及 1 个输出，一个浮点数。这定义了一个数据行。

每次这个测试执行时，Coco 都知道覆盖率。

例如

行	调用	输出	覆盖率
1	T("", 0 )	0.0	20%
2	T("a",1)	3.0	50%

Coco 将尝试通过混合 3 种技术来寻找新的测试数据行，以增加代码覆盖率

每个新生成的行都只保留如果它对总体覆盖率有所贡献。

让我们在我们的示例中运行这个。最初，没有可用的测试数据。算法只选择随机值

在执行 3 个测试之后，将保留 2 行。第 3 行的覆盖率与第 2 行相同，因此是冗余的。所以完整的列表将是

行	调用	输出	覆盖率
1	T("x", 0 )	0.0	20%
2	T("a",10)	3.0	50%

对于下一个测试，算法可以选择执行变异或杂交。这个决定是随机做出的。

假设它执行变异：它从一个先前行中取来并更改一个参数。我们使用 T("x", 0 ) 并将第二个参数替换为 -1：T("x", -1 )。如果覆盖率增加，则保留结果，如果不增加的话，尝试其他方案。

如果使用杂交，那么我们将两个测试参数混合在一起。在这种情况下，我们可以取第一行的第一个参数和第二行的第二个参数。这将给出测试 T("x",10)。

这个算法可以无限期地迭代。

遗传算法的主要优势在于，如果一组数据发现了一片未发现的代码分支，突变和交叉是高效地发现该分支的技术。代码覆盖率测量指导算法。