随着计算机技术的飞速发展，软件系统变得越来越庞大，软件产品变得越来越复杂，随之对测试人员的技术要求也变得越来越高。测试工程师们开始探索新的方式方法来满足日渐增长的测试需求。
算法在测试用例自动生成领域的研究从上世纪60年代开始，就已经有一些学者致力于软件测试过程中用例自动生成技术的研究。然后衍生出了静态法和动态法两种方法。
静态法。用符号表达式替换程序中的变量，这样就能在不运行被测程序的情况下，根据指定的路径，静态生成程序的执行结果。但是当被测程 序结构复杂的时候，符号表达式就会变得很长，这样就无法进行求解，就无法得到程序的执行结果。随着软件系统的日趋复杂，此方法已不再适用与大型软件的测试 工作。
动态法。动态法中，最经典的是随机法，就是随机产生大量的测试数据，然后用这些数据来运行被测程序。这个方法以概率论为基础，通过大数据量来保证测试用例的可靠性。但是过于庞大的测试数据，使运行成本变得很高。同时也不能完全保证没有测试遗漏。
静态法和动态法参考资料：http://www.ltesting.net/html/65/n-167665.html
介于静态法和动态法的这些确定，在动态法的基础上，人们提出了基于算法的测试用例自动生成理论。动态搜索寻优算法（试探法）和人工智能算法被普遍引用到了这一领域的研究中。
在人工智能的算法中，有一种“遗传算法”。90年代的时候，人们就开始尝试将其运用于软件测试中。遗传算法的主要思路是模仿自然界的 遗传、进化过程，逐步优化测试数据，最终使测试数据无限接近于最优集合。它对代码的依赖性强，并且需要在软件代码中嵌入用于算法计算的算法代码。这就造成 了这一方法的局限性。
遗传算法参考资料：http://www.jgchina.com/ednns/ednnsbk/6.2.htm
近年来，越来越多的人开始对“人工智能在软件测试中的应用”进行研究，提出了很多的算法优化，如“基于蚁群遗传算法的测试用例自动生 成”、“模拟退火遗传算法的测试用例自动生成”、“基于微粒群遗传算法的测试用例自动生成”、“基于单亲遗传算法的测试用例自动生成”等等等等。人工智能 也越来越受到软件测试学者的关注。
在自主回归系统中的运用在上一篇文章中提到的“基于人工智能的自主回归系统中”，提出了4个技术难点，其中的第四条就是“如何自动生成脚本”。而有效地把这些研究成果作为理论基础，就可以解决这一技术难点。
我们所设想系统如下图：
它需要线上数据采集系统、用例自动生成系统和持续集成系统，三个系统。而在我们这次谈到的算法论，给我们找到了制作第二个系统（用例自动生成系统）的有效的解决方案。相信运用算法这一有效的工具，可以帮助我们解决“线上数据采集系统”的技术难点。
算法是解决日常工作中，棘手难题的有效工具和手段。而测试中的算法论才刚刚起步，那么让我们加紧步伐，赶上时代的潮流，迎接更大的挑战。
敬请期待：【基于人工智能的自主回归系统】成长笔记——深入遗传算法
