1.基于分解的权重向量自适应的多目标测试用例排序方法，其特征在于，包括以下步骤：S1.假设某个待测试程序有m个分支，用n个测试用例对其进行回归测试，将测试用例集表示为Ψ＝{T1，T2，...，Tn}，其中Ti为测试用例集中第i个测试用例，1≤i≤n，构造分支覆盖矩阵An×m和有效执行时间向量V＝(t1，t2，...，tn)，其中ti是对应第i个测试用例的有效执行时间，若第i个测试用例执行中覆盖了第j个分支，则Aij＝1，否则Aij＝0；

S2.编码：给定测试程序和测试用例集合，对集合中每一个测试用例用1到n进行编号，测试用例优先级序列就是一个测试用例编号的全排列；

S3.设置适应度函数：

S4.权重向量初始化：

S5.初始化：

S6.迭代过程：令gen＝0；根据每一个权重向量wu和适应度函数集F(x)得到Q个子问题ζu(x)，u＝1,2，...，Q；

S7.如果gen≤maxGen，则返回S6，否则转到S8；

S8.输出EP，EP中的每一个个体所对应的序列便是一个优化后的测试用例的排序；用户根据对目标的偏好，选择合适的解；

S4具体方法如下：

创建一个包含，个二维单位向量的集合E＝{e1，e2，...，el}作为权重向量的候选集，以及一个单位矩阵 计算每一个单位向量 与W中每一个子向量的欧式距离之l

和，其中k ＝1,2，...，l，并选择距离之和最大的单位向量es加入到W中，并将其从E中去除；

重复此操作；当W中单位向量的个数量达到Q时，Q是期望得到的最终解集中解的个数，且Q≤l+2，停止该操作，得到最终的权重向量集合L；

S5具体方法如下：

设置最大迭代次数maxGen；随机产生一个规模为N的初始种群P0＝{x1，x2，...，xN}，其中N＝m*n；计算每个个体 与每个权重向量wu之间的欧式距离，其中 是n个测试用例的一个全排列，wu∈L；查找距离每个权重向量wu最近的np个个体，并标记为wu的邻域设置初始理想点z*＝(0，0)，初始化存储容器EP＝Φ；

S6具体方法如下：

S61.遗传过程：令iter＝0；

S611.选择：对于每一个子问题ζu，计算其邻域Bu中每一个个体xuv的适应度fuv，其中v＝

1,2，...，np，进一步计算其被选择的概率 利用轮盘赌算法，选出两个个体xua和xub；

S612.交叉：通过基于位置的交叉算法PBX对xua和xub执行交叉操作，具体过程如下：随机生成 个互不相同整数 且 生成序列中 位置的值与xua中 位置的值相同；找出xua中 位置值在xub中的位置，再将xub中其余位置对应的值按顺序放入 的空余位置中，得到新序列 同理生成S613.变异：对 分别进行变异操作，即对于 和 分别随机生成两个位置，并将这两个位置上的值进行交换，得到

S614.更新：比较 和 的大小，若 则记否则记 将 和xua进行切比雪夫比较，如果则用 替换xua；同理比较 和 的大

小，若 则记 否则记 将 和xub进行切比雪夫比较，如果 则用 替换xub；iter＝iter+1；

S615.若 此则返回S611；

S62.从每个邻域中选择最优的xuv放入EP中，并从EP中删除所有被xuv帕累托占优的个体；

*

S63.更新理想点z：比较每个个体 在F(x)目标空间中的每个目标的适应度值，并取其最小值作为z*在维度上的值；

S64.更新权重向量： 并将其单位

化

S65.更新每一个子问题ζu(x)的邻域Bu；置gen＝gen+1。

2.根据权利要求1所述的基于分解的权重向量自适应的多目标测试用例排序方法，其特征在于，S3具体方法如下：选择平均分支覆盖率APBC和有效执行时间EET作优化目标来衡量一个测试用例优先级序列的优劣；假设执行完序列上的前n’个测试用例时，能够覆盖被测试程序中的所有分支，其中n’≤n，由此构造出适应度函数集F(x)，F(x)＝(APBC，EET)，其中TBj表示测试用例优先级序列中首个覆盖程序中第j个分支的测试用例的位置。