当前位置: 首页 > news >正文

测试用例设计方法:正交试验法详解!

01 正交试验法介绍

正交试验法是研究多因素、多水平的一种试验法,它是利用正交表来对试验进行设计,通过少数的试验替代全面试验,根据正交表的正交性从全面试验中挑选适量的、有代表性的点进行试验,这些有代表性的点具备了“均匀分散,整齐可比”的特点。本规范只讨论各因素是相互独立的正交试验法,各因素相互影响的正交试验法在我们设计测试用例的时候用不到,所以不提。

正交表是一种特制的表格,一般用Ln(mk)表示,L代表是正交表,n代表试验次数或正交表的行数,k代表最多可安排影响指标因素的个数或正交表的列数,m表示每个因素水平数,且有n=k*(m-1)+1。

02 使用正交试验法的原因

对于单因素或两因素试验,因其因素少,试验的设计、实施与分析都比较简单。但在实际工作中,常常需要同时考察3个或3个以上的试验因素,若进行全面试验,试验的规模很大,由于时间和成本的限制我们不可能进行全面试验,但是具体挑其中的哪些测试用例进行测试我们心里拿不准,总担心不做不挑选的那些测试用例会遗漏一些严重缺陷。为了有效的、合理地减少测试的工时与费用,我们利用正交试验法来设计测试用例。正交试验法就是安排多因素试验、寻求最优水平组合的一种高效率的试验设计方法。

我们用测试实例来进行说明使用正交试验法设计测试用例的好处:

测试需求:

某所大学通信系共2个班级,刚考完某一门课程,想通过“性别”、“班级”和“成绩”这三个查询条件对通信系这门课程的成绩分布,男女比例或班级比例进行人员查询:

根据“性别”=“男,女”进行查询

根据“班级”=“1班,2班”查询

根据“成绩”=“及格,不及格”查询

按照传统设计——全部测试

分析上述测试需求,有3个被测元素,被测元素我们称为因素,每个因素有两个取值,我们称之为水平值,所以全部测试用例个数是222=8,参见下表

利用正交表设计测试用例,我们得到的测试用例个数是n=3*(2-1)+1=4,对于三因素两水平的刚好有L4(23)的正交表可以套用,于是用正交表试验法得出4个测试用例如下:

根据实际需要可以在用正交试验法设计用例的基础上补充一些测试用例。4个测试用例与8个测试用例相比测试用例个数是减少了。因素数和水平数越大越能体现用正交表的好处。

例如:对于一个四因素且每个因素均为三水平的试验,如果按照全面试验需要进行3333=81次。但是如果用正交试验法选择L9(34)正交表,n=4(3-1)+1=9次试验就可以覆盖。从这点可以说明用正交试验法能有效地、合理地减少测试用例和工时,节约测试成本。

扩展的正交表L8(4×24)行数为mn型的正交表中试验次数(行数)=∑(每列水平数-1)+1

例:5个3水平因子及一个2水平因子,表示为3521,试验次数=5(3-1)+1*(2-1)+1=12,即L12(35*21)

感谢每一个认真阅读我文章的人!!!

作为一位过来人也是希望大家少走一些弯路,如果你不想再体验一次学习时找不到资料,没人解答问题,坚持几天便放弃的感受的话,在这里我给大家分享一些自动化测试的学习资源,希望能给你前进的路上带来帮助。

软件测试面试文档

我们学习必然是为了找到高薪的工作,下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料,并且有字节大佬给出了权威的解答,刷完这一套面试资料相信大家都能找到满意的工作。

视频文档获取方式:
这份文档和视频资料,对于想从事【软件测试】的朋友来说应该是最全面最完整的备战仓库,这个仓库也陪伴我走过了最艰难的路程,希望也能帮助到你!以上均可以分享,点下方小卡片即可自行领取。

http://www.cnnetsun.cn/news/66862.html

相关文章:

  • 从零开始部署Qwen3-8B:VSCode安装调试全流程
  • LU,数显式脑立体定位仪 大鼠脑定位仪 小鼠脑定位仪 小动物脑定位仪
  • 2025年geo系统源码开发公司技术方案有那些
  • 一文带你了解使用ARP欺骗的中间人 (MiTM) 攻击,黑客技术零基础入门到精通教程!
  • 【问题排查】No spring.config.import property has been defined
  • Dify连接外部数据库存储PyTorch模型输出结果
  • 基于SVM代理模型的电机多目标优化:平均转矩、转矩脉动及推力径向优化的高精度实现
  • 三分钟上手DNN多输出预测(附保姆级代码)
  • 什么是苹果MFi认证,有什么优势?
  • Conda与Pip双管齐下:优化PyTorch-CUDA依赖安装流程
  • PyTorch 权重剪枝中的阈值计算:深入解读 numel() 和 torch.kthvalue()
  • CKA-Agent:揭示商业LLM安全防线的“特洛伊知识“漏洞
  • 构筑智能心理新基建:北京朗心致远AI心理场室与设备整体解决方案
  • 【众包 + AI智能体】AI境生态巡查平台边防借鉴价值专项调研——以广西边境线治理为例
  • AutoGPT支持GraphQL订阅模式了吗?实时更新测试
  • Miniconda集成virtualenv,双剑合璧管理复杂AI项目
  • 从 “PPT 加班狗” 到 “10 分钟出稿大师”:paperzz AI PPT 生成器,藏在学术工具里的效率黑科技
  • 「学术协作者图谱」:PaperZZ领衔的9款AI毕业论文辅助工具全景测评——以“认知脚手架”为轴心的功能解构与伦理适配指南
  • 从 “熬夜改 PPT” 到 “10 分钟出稿”:paperzz AI PPT 生成器如何重构职场 / 学业演示效率?
  • 从 “文献堆里找线索” 到 “1 小时出框架”:paperzz AI 文献综述,把学术苦力活变成 “逻辑拼图游戏”
  • transformer模型详解:以Qwen3-32B为例剖析架构设计
  • 清华源加速下载Qwen3-8B模型文件及依赖组件
  • 如何在单张GPU上部署Qwen3-VL-8B实现高效图像识别
  • AutomationOperation2.60自动操作工具:可视化 GUI支持鼠标 键盘 识别等自动化操软件作
  • 【机器学习】PAC学习理论及实现
  • 计算机硬件解剖:从拆解到性能优化
  • 基于STM32单片机盲人导航 导盲杖 智能拐杖系统 超声波测距 老人防丢 防摔到 跌倒检测报警 物联网控制系统 DIY 成品套件 DIY设计 实物+源程序+原理图+仿真+其它资料
  • AutoGPT联网搜索功能如何启用?详细配置说明来了
  • 企业内部智能客服新选择:基于LobeChat的定制化解决方案
  • AutoGPT镜像用户增长数据曝光:三个月突破10万下载