1.一种基于CS‑SPSO算法的组合测试用例生成方法，其特征在于包括如下步骤：(1)对输入空间进行建模，获取各因素及其取值范围；

(2)通过对约束条件分析，获取需覆盖的n个因素的取值组合，即组合覆盖集S；

(3)根据n个因素中包含的取值范围个数对n个因素进行非递增排序，按照排序最靠前的两个因素的取值进行组合并进行约束条件的分析，得到两两组合集S′，其中两两组合集S′中包含了若干个两两组合；

(4)从S′中随机取出一个两两组合s′，将剩余的n‑2个因素与s′生成的所有组合映射成粒子，初始化每个粒子的位置矢量Xi，并分成N个等大的小种群，各小种群在各自所在的领域并行寻优；

(5)每个小种群并行计算适应度函数，得到每个粒子的适应值；

(6)更新每个粒子的最佳位置pi和整个种群的最佳位置pg，根据粒子与当前最优粒子之间的距离对惯性权重w进行自适应调整，寻找个体最优解和群体最优解，直到达到预设的最大迭代次数；

所述的步骤(6)具体为：

第i个粒子在第t代时用一个位置指标来描述： 为d维

向量；第i个粒子搜索至第t代时的个体历史最优位置为pi＝(pi1，pi2，…，pij，…，pid)，搜索至第t代时的整个粒子群的历史最优位置为pg＝(pg1,pg2,…,pgd)，则在第t+1代时，第i个粒子的第j维位置的迭代更新公式如下：其中，w为惯性权重，对下次移动产生影响，c1和c2为学习因子，r1和r2为[0,1]内的随机数；

w的更新公式如下：

其中，wmax、wmin分别表示初始化时惯性权重的最大值和最小值，f(.)表示适应度函数，表示平均适应值；

(7)将N个小种群的群体最优解作为布谷鸟算法的初始值，通过Lévy飞行计算出全局最优解，生成单条测试用例；

(8)将步骤(7)生成的单条测试用例存入组合测试用例集TS中，并从组合覆盖集S中剔除已覆盖的组合，得到新的组合覆盖集S(t+1)，从两两组合集S′中剔除两两组合s′，得到新的两两组合集S′(t+1)；

(9)判断两两组合集S′(t+1)是否为空，若否，重复步骤(4)～(8)，若是，执行步骤(10)；

(10)判断组合覆盖集S(t+1)是否为空，若是，输出组合测试用例集TS，若否，则随机取出组合覆盖集S(t+1)中的一个取值组合，重复步骤(4)～(9)。

2.根据权利要求1所述的基于CS‑SPSO算法的组合测试用例生成方法，其特征在于所述的步骤(7)具体为：(7.1)将N个小种群各自的历史最优位置pg作为初始鸟巢位置xi；

(7.2)计算鸟巢位置的适应值fitness(xi)并记录当前最优解，其返回值为鸟巢位置xi在组合覆盖集S中所能覆盖的取值组合的数目；

(7.3)更新当前最优鸟巢位置gBest，第i个鸟巢在第t次迭代的位置为 在第t+1代时，布谷鸟的路径和位置更新公式为：其中，α为步长缩放因子，为点乘运算， 为位置的变化量，L(λ)为Lévy随机搜索路径，L(λ)的更新公式为：‑λ

L～u＝t (1<λ≤3)

宿主鸟以一定概率Pa发现外来鸟后重建巢的位置路径，新建的鸟巢的位置公式为：其中，r，∈是服从均匀分布的随机数，Heaviside(x)是跳跃函数(x>0,＝1；x<0,＝0)，是其他任意两个鸟巢位置；

(7.4)重复步骤(7.2)‑(7.3)，直到达到预设的最大迭代次数，返回最优鸟巢位置gBest。

3.根据权利要求1所述的基于CS‑SPSO算法的组合测试用例生成方法，其特征在于所述的步骤(8)具体为：(8.1)更新组合测试用例集TS(t+1)＝TS(t)∪{gBest}；

(8.2)计算最优鸟巢位置 gBest所包含的组合s，剔除已覆盖的组合，得到新的组合覆盖集S(t+1)＝S(t)‑s；

(8.3)从两两组合集S′中剔除两两组合s′，得到新的两两组合集S′(t+1)＝S′(t)‑s′。