Algoritmos de Búsqueda para la Priorización de Casos de Prueba de Regresión

Las pruebas de regresión son un proceso costoso, pero importante. Desafortunadamente, puede haber recursos insuficientes para permitir la reejecución de todos los casos de prueba durante las pruebas de regresión. En esta situación, las técnicas de priorización de casos de prueba tienen como objetivo mejorar la efectividad de las pruebas de regresión ordenando los casos de prueba de modo que los más beneficiosos se ejecuten primero. Trabajos previos sobre la priorización de casos de prueba de regresión se han centrado en Algoritmos Greedy. Sin embargo, se sabe que estos algoritmos pueden producir resultados subóptimos porque pueden construir resultados que solo denotan mínimos locales dentro del espacio de búsqueda. En contraste, los algoritmos de búsqueda metaheurísticos y evolutivos buscan evitar tales problemas. Este artículo presenta resultados de un estudio empírico sobre la aplicación de varios algoritmos de búsqueda greedy, metaheurísticos y evolutivos a seis programas, que van de 374 a 11,148 líneas de código para tres opciones de métrica de aptitud. El artículo aborda los problemas de elección de métrica de aptitud, caracterización de la modalidad del paisaje y determinación de la técnica de búsqueda más adecuada para aplicar. Los resultados empíricos replican resultados previos sobre los Algoritmos Greedy. Aportan luz sobre la naturaleza del espacio de búsqueda de las pruebas de regresión, indicando que es multimodal. Los resultados también muestran que los Algoritmos Genéticos funcionan bien, aunque los enfoques Greedy son sorprendentemente efectivos, dada la naturaleza multimodal del paisaje.