测试用例的自动产生方法是目前软件测试领域研究的重要内容之一。遗传算法作为一种高效的搜索寻优算法,近年来日益受到国际学术界的重视,由于该算法具有较强的建模能力和自适应性,也越来越受到软件测试界的重视,逐渐成为测试用例产生方法的重要研究内容之一。将遗传算法用于测试用例产生系统时,适应度函数是影响算法效率的关键,选择算子则是决定算法能否同时产生多条路径上的测试用例的主要因素。目前用遗传算法产生多参数程序的测试用例时效率较低,而且无法同时产生多条路径上的测试用例。为了解决这些问题,需要设计高效的适应度函数,寻求能产生多条路径上测试用例的选择算子。为了克服现有遗传算法产生测试用例时效率较低的缺陷,通过分析适应度函数的特点,研究参数个体及其覆盖路径与适应度函数之间的关系,设计了基于海明距离的适应度函数方案,该适应度函数利用路径覆盖状态的决策变量作为参数。在此基础上,用二重结构编码方法对个体进行编码,除变量码表示个体值外,使用附加码表示交叉和变异操作的操作点范围,以提高算法的局部搜索能力。针对基本遗传算法每次只能产生一条路径上测试用例的问题,研究了选择算子对优化目标准则的影响。从多目标优化的角度设计了基于轮盘赌选择方法的加权选择算子,同时考虑所有目标路径对个体选择概率的影响,提高算法产生多条路径上测试用例的能力。将基于适应度函数和选择算子的改进整合,结合基本遗传算法的体系结构,提出改进遗传算法,并应用到测试用例产生问题中。研究结果表明,改进后的算法搜索效率高于基本遗传算法,并且具备了一次处理多条目标路径的功能,具有一定的实用价值。