JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 

HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     100 

Regression Testing Techniques

Abstract --- The most technical and typical phase in the software development life cycle is maintenance phase, in which the
development team is supposed to maintain the software which is delivered to the clients by them on proper time. Software
maintenance results for the reasons like error corrections, enhancement of capabilities, modifications of outdated modules and
optimization. Now the changed or modified software needs testing known as regression testing. In this paper we have presented
the various types of regression testing techniques their classifications presented by various researchers ,explaining selective and
prioritizing test cases for regression testing in detail .
Index Terms: Regression testing, test case prioritization, software maintenance

——————————  ——————————
 

1. INTRODUCTION   
Software maintenance is an activity which includes  for P. Regression testing consists of reusing T on P′, 
enhancements,  error  corrections,  optimization  and  and  determining  where  the  new  test  cases  are 
deletion  of  obsolete  capabilities.  These  needed  to  effectively  test  code  or  functionality 
modifications  in  the  software  may  cause  the  added  to  or  changed  in    producing  P’.  There  are 
software  to  work  incorrectly  and  may  also  affect  various regression testing techniques (1) Retest all; 
the  other  parts  of  the  software,  so  to  prevent  this  (2)  Regression  Test  Selection;  (3)  Test  Case 
Regression testing is performed. Regression testing  Prioritization;  (4)  Hybrid  Approach.  Figure  1 
is  used  to  revalidate  the  modifications  of  the  shows various regression testing techniques. 
software.  Regression  testing  is  an  expensive   
Regression Testing 
process  in  which  test  suites  are  executed  ensuring   
that  no  new  errors  have  been  introduced  into   
previously tested code.    
   
In  section  2  of  this  paper  we  have  broadly  shown    
various  types  of  regression  testing  techniques  and   
further  discussed  classifications  of  these  types    Retest  Regression  Test Case  Hybrid 
given  by  various  authors,  then  moving  into  the    All  Test  Prioritization  Approach 
details  of  selective  and  prioritizing  test  cases  for    Selection
regression testing, discussing search algorithms for   
test  case  prioritization.  In  section  3  we  have  Figure1. Regression Testing Techniques
discussed  the  approaches  which  may  be  used  to 
2.1. Retest All
compare various regression testing techniques and 
Retest  all  method  is  one  of  the  conventional 
challenges faced by these approaches. 
methods for regression testing in which all the tests 
 
in the existing test suite are rerunned. So the retest 
2. REGRESSION TESTING 
all technique [3] is very expensive as compared to 
Regression testing is defined [1] as “the process of 
techniques  which  will  be  discussed  further  as 
retesting  the  modified  parts  of  the  software  and 
regression test suites are costly to execute in full as 
ensuring that no new errors have been introduced 
it require more time and budget. 
into  previously  tested  code”.  Let  P  be  a  program 
 
[2], let P’  be a modified version of P, and let T be a 
2.2. Regression Test Selection (RTS)
test suite  
Due  to  expensive  nature  of  “retest  all”  technique, 
Regression  Test  Selection  is  performed.  In  this 
————————————————
 F.A. Rashmi Pandey is with the ITM-University,gwalior,
technique instead of rerunning the whole test suite 
CS1807 we select a part of test suite to rerun if the cost of 
  selecting a part of test suite is less than the cost of 
  running  the  tests  that  RTS  allows  us  to  omit.  RTS 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     101 
divides  the  existing  test  suite  into  (1)  Reusable  3) Coverage focused Minimization technique: uses 
test  cases;  (2)  Retestable  test  cases;  (3)  the  suite  reduction  technique  of  Gupta,  Harrold, 
Obsolete  test  cases.  In  addition  to  this  and  Soffa  [7]  to  find  a  subset  of  test  suite  that  is 
classification  RTS  may  create  new  test  cases  that  minimal in covering all functions in program. 
test  the  program  for  areas  which  are  not  covered  Specific  methods  given  by  various  authors  in 
by  the  existing  test  cases.  RTS  techniques  are  literature which come under the above  mentioned 
broadly classified into three categories [1].  techniques are: 
1) Coverage techniques: they take the test coverage  1)  Simulating  Annealing  (SA)  algorithm:  Mansour 
criteria into account. They find coverable program  and  El‐Faikh[8]  have  proposed  using  an 
parts that have been modified and select test cases  optimization  formulation  of  regression  testing 
that work on these parts.  selection problem. 
2)  Minimization  techniques:  they  are  similar  to  2) Reduction Methodology (RED): Harrold, Gupta, 
coverage  techniques  except  that  they  select  and Soffa [9] have proposed a method for reducing 
minimum set of test cases.  the number of selected test cases. 
3) Safe techniques: they do not focus on criteria of  3) Slicing Algorithms (SLI): Agrawal, Horgan, and 
coverage, in contrast they select all those test cases  Krauser  [10]  have  proposed  it  which  selects  test 
that  produce  different  output  with  a  modified  cases  whose  output  may  be  affected  by  change  in 
program as compared to its original version.  the program. 
Rothermel  [4]  identified  the  various  categories  in  4) Bahsoon and Mansour regression methods: have 
which  Regression  Test  Selection  Technique  can  be  proposed [11] three methods 
evaluated  and  compared.  These  categories  are:  (a)  a) Modification Based Reduction version 1( MBR1) 
Inclusiveness;  (b)  Precision;  (c)  Efficiency;  (d)  which  is  an  improvement  to  RED  reduces  the 
Generality.  number of selected regression tests removing tests 
a)  Inclusiveness  is  the  measure  of  extent  upto  that  cover  requirements  impacted  by  the  change 
which a technique chooses the test cases which will  and those that are redundant. 
cause  the  changed  program  to  produce  different  b) Modification Based Reduction) 
output  than  the  original  program,  resulting  in  version  2(  MBR2)  improves  MBR1  by  removing 
exposure of faults due to modifications.  tests  that  cover  a  requirement  characterized  as 
b)  Precision  is  the  measure  of  ability  of  technique  potentially  and  do  not  show  any  modifications.  c) 
to  prevent  choosing  test  cases  that  will  not  make  PreciseReduction  (PR)  is  an  improvement  to  SLI 
the  changed  program  to  produce  different  output  algorithms  which  uses  relevant  slices  and 
than the original program.  modification  information  .PR  also  eliminates  all 
c)  Efficiency  measures  the  practicality  redundant tests. 
(computational cost) of a technique.  5) McCabe‐ based Regression Test Coverage: have 
d)  Generality  is  the  measure  of  ability  of  a  got two techniques [12] 
technique  to  handle  complex  modifications,  a)  Reachability  regression  Test  selection  McCabe‐
realistic  language  constructs  and  realistic  testing  based  metric  (RTM)  provides  an  upper  bound  of 
applications.  Various  techniques  of  Regression  Test  the number of regression tests selected that assures 
Selection as given by various researchers are:  the  coverage  of  requirements  affected  by  the 
1)  Modified  non  core  function  technique:  defined  modification atleast once. 
in  [5]  selects  test  cases  that  exercise  functions  in  b)  Data  flow  Slices  regression  Test  McCabe‐based 
program  that  have  been  changed  or  deleted  in  metric  (STM)  in  which  we  extend  McCabe 
producing  changed  program,  or  that  exercise  complexity  to  deal  with  variable/data 
functions  using  variables  or  structures  that  have  modifications. It provides upper and lower bounds 
been  deleted  or  changed  in  producing  changed  to cover the affected definition‐use pairs created by 
program  data modifications. 
2)  Modification  focused  Minimization  technique:   
uses Fischer’s approach [6], which seeks a subset of  2.3 TEST CASE PRIORITIZATION
test  suite  that  is  minimal  in  covering  all  functions  This technique of regression testing prioritize 
in program identified as changed.  the  test  cases  so  as  to  increase  a  test  suite‘s 
rate  of  fault  detection  that  is  how  quickly  a 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     102 
test suite detects  faults in the modified program  number  of  statements  by  sorting  them  in  order  of 
to  increase  reliability.  This  is  of  two  types:(1)  coverage  achieved.  If  test  cases  are  having  same 
General  prioritization[13]  which  attempts  to  number of statements they can be ordered pseudo 
select  an  order  of  the  test  case  that  will  be  randomly. 
effective  on  average  subsequent  versions  of  P4: Additional statement coverage  
software  .(2)Version  Specific  prioritization  which  Prioritization:  which  is  similar  to  total  coverage 
is  concerned  with  particular  version  of  the 
prioritization,  but  depends  upon  feedback  about 
software. 
  coverage  attained  to  focus  on  statements  not  yet 
2.3.1. Test Case Prioritization problem covered. This technique greedily selects a test case 
  that  has  the  greatest  statement  coverage  and  then 
Rothermel et al. [13] define the test case  iterates until all statements are covered by at least 
prioritization problem as follows:  one  test  case.  The  moment  all  statements  are 
Given:T, a test suite; PT, the set of permutations of  covered  the  remaining  test  cases  undergo 
T;  f,  a  function  from  PT  to  the  real  numbers.  Additional  statement  coverage  prioritization  by 
Problem:  Find  T′    PT  such  that  ( T″)  (T″   resetting all statements to “not covered”.  
PT)(T″≠T′)  [f(T′)≥f(T″)].Here,  PT  represents  the  set  P5:Total FEP prioritization: 
of all possibleprioritizations (orderings) of T and f  In  which  prioritization  is  done  on  the  probability 
is  a  function  that,  applied  to  any  such  ordering,  of exposing faults by test  cases. Mutation analysis 
yields an award value for that ordering.  is  used  to  approximate  the  Fault‐Exposing‐
  Potential  (FEP)  of  a  test  case.  The  cost  of 
2.3.2. Test Case Prioritization Techniques calculating  FEP  using  mutation  analysis  is  quite 
  high  which  motivates  the  search  of  cost  effective 
There are 18 different test case prioritizations  approximations of FEP. 
techniques  [14]  numbered  P1‐P18  which  are  P6:Additional FEP prioritization:  
divided into three groups as shown in figure 2.  The  total  FEP  prioritization  is  extended  to 
Comparator techniques:  Additional FEP prioritization as the total statement 
 P1:  Random  ordering:  in  which  the  test  cases  in  coverage  prioritization  is  extended  to  Additional 
test suite are randomly prioritized.  statement coverage prioritization. 
P2:  Optimal  ordering:  in  which  the  test  cases  Function level techniques: (Coarse Granularity) 
areprioritized to optimize rate of fault detection.    
  P7: Total function coverage prioritization: 
As  faults  are  determined  by  respective  test  cases  It is similar to total statement coverage but instead 
and  we  have  programs  with  known  faults,  so  test  of using statements it uses functions. As it has got 
cases can be prioritized optimally.  coarse  granularity  so  the  process  of  collecting 
  function level traces is cheaper than the process of 
  collecting  statement  level  traces  in  total  statement 
coverage. 
P8:Additional function coverage prioritization: 
It  is  similar  to  Additional  statement  coverage 
prioritization with only difference that instead of 
statements, it is considering function level 
coverage. 
P9: Total FEP prioritization (function level): 
It is analogous to Total FEP prioritization with only 
  difference  that  instead  of  using  statements  it  is 
 
Figure2. Classification of test case prioritization using functions. 
  P10: Additional FEP prioritization (function level): 
Statement level techniques: (Fine Granularity)  This technique is similar to Additional FEP 
P3: Total statement coverage prioritization:   prioritization with only difference that instead of 
In which test cases are prioritized in terms of total  using statements it is using functions. 
P11: Total Fault Index (FI) prioritization: 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     103 
Fault proneness is a measurable software attribute  P18:  Additional  Diff  with  FEP  prioritization:  Total 
which  Diff  with  FEP  prioritization  is  extended  to 
  Additional Diff with FEP prioritization in a similar 
is used for this technique. Some functions are likely  way  as  Total  function  coverage  prioritization  is 
to  contain  more  faults  than  others,  so  the  fault  extended  to  Additional  function  coverage 
index  is  generated  using  following  steps:  (1)  a  set  prioritization 
of  measurable  attributes  [15]  for  each  function.(2)   
the  metrics  are  standardized.(3)  principal  2.3.3. Search Algorithms for Test Case
component  analysis  [16]  which  reduces  the  set  of  Prioritization
standardized metrics.(4) finally they are combined  There  are  many  search  techniques  for  test  case 
to  a  linear  function  to  obtain  one  fault  index  per  prioritization  which  are  being  developed  and 
function.  unfolded by various researchers in the field. 
Now  for  each  test  case  all  the  fault  indexes  for  1) Greedy algorithm: works on the next best search 
every function are added to get total fault index for  philosophy. It [18] minimizes the estimated cost to 
each test case. Then sort the test cases in decreasing  reach  a  particular  goal.  Its  advantage  is  that  it  is 
order of these sums to get the result for Total Fault  cheap in both execution time and implementation. 
Index (FI) prioritization.  The  cost  of  this  prioritization  is  O  (mn)  for 
P12:  Additional  Fault  Index  (FI)  prioritization:  as  program  containing  m  statements  and  test  suite 
Total  function  coverage  prioritization  is  extended  containing n test cases. 
to  Additional  function  coverage  prioritization  2) Additional Greedy algorithm: this algorithm [18] 
similarly the Total Fault Index (FI) prioritization is  uses  the  feedback  from  previous  selections.  It 
extended  to  Additional  Fault  Index  (FI)  selects the maximum weight element from the  part 
prioritization.  that  is  not  already  consumed  by  previously 
P13: Total FI with FEP coverage prioritization: this  selected  elements.  Once  the  complete  coverage  is 
technique  combines  both  Total  FI  and  FEP  achieved the remaining test cases are prioritized by 
coverage  prioritization  to  achieve  a  better  rate  of  reapplying  the  Additional  Greedy  algorithm.  The 
fault detection.  cost  of  this  prioritization  is  O  (mn2)  for  program 
P14:  Additional  FI  with  FEP  coverage  containing m statements and test suite containing n 
prioritization:  as  Total  function  coverage  test cases. 
prioritization  is  extended  to  Additional  function  3)  2‐Optimal  algorithm:  Traveling  Salesman 
coverage prioritization similarly Total FI with FEP  Problem  (TSP)  is  defined  as  “find  the  cycle  of 
coverage prioritization is extended to Additional FI  minimum  cost  that  visits  each  of  the  vertices  of  a 
with FEP coverage prioritization.  weighted  graph  G  at  least  once”  is  solved  by  K‐
P15:  Total  Diff  prioritization:  this  technique  is  optimal  approach  [19].  In  case  of  2‐Optimal 
similar to Total Fault Index (FI) prioritization with  algorithm  [18]  the  value  of  k=2.  The  cost  of  this 
the  difference  that  Total  FI  prioritization  require  prioritization is O (mn3) for program containing m 
collection  of  metrics  whereas  Total  Diff  statements and test suite containing n test cases. 
prioritization  require  only  the  calculation  of  4)  Hill  Climbing:  it  is  one  of  the  popular  local 
syntactic differences between the program and the  search  algorithms  with  two  variations;  steepest 
modified  program.  Diff  means  that  only  syntactic  ascent  and  next  best  ascent.  It  is  very  easy  and 
differences are given consideration.  inexpensive to execute. However, this has got cons 
P16:  Additional  Diff  prioritization:  Total  Diff  of  dividing  O  (n2)  neighbors  and  is  unlikely  to 
prioritization  is  extended  to  Additional  Diff  scale. Steps of algorithm are explained in [18]. 
prioritization  in  a  similar  way  as  Total  function  5) Genetic Algorithms (GAs): is a search technique 
coverage  prioritization  is  extended  to  Additional  [18]  based  on  the  Darwin’s  theory  of  survival  of 
function coverage prioritization.  the  fittest.  The  population  is  a  set  of  randomly 
P17:  Total  Diff  with  FEP  prioritization:  is  exactly  generated  individuals.  Each  individual  is 
similar  to  Total  FI  with  FEP  coverage  represented  by  variables/parameters  called  genes 
prioritization,  except  that  it  is  dependent  upon  or  chromosomes.  The  basic  steps  of  Genetic 
changed data derived from diff.  Algorithm  are  (1)  Encoding  (2)  Selection  (3)  Cross 
over (4) Mutation. 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     104 
6) PORT version1.1 (Prioritization of Requirements  Thus, each approach –Case Studies and Controlled 
for  Testing)  for  Test  Case  Prioritization  proposed  Experiments  have  different  disadvantages  and 
by  Hema  Srikant  17]  which  is  Requirement  Based  advantages and comparison and analysis of all the 
Test  Case  Prioritization  technique.  The  technique  techniques discussed in this paper requires both. 
uses  three  prioritization  factors  (1)  .Customer  The  two  major  Challenges  are:  (1)  finding  objects 
assigned priority on requirements (2).Requirement  of  study  (programs,  releases  of  these  programs, 
Complexity  (3).Requirement  volatility.  You  can  test suites, fault data) (2) selecting the appropriate 
find details in [17].  approach to answer research questions. 
   
2.4. HYBRID APPROACH 4. CONCLUSION
The  fourth  regression  technique  is  the  Hybrid  Regression  testing  is  done  in  the  maintenance 
Approach  of  both  Regression  Test  Selection  and  phase  of  the  software  development  life  cycle  to 
Test  Case  Prioritization.  There  are  number  of  retest  the  software  for  the  modifications  it  has 
researchers  working  on  this  approach  and  they  undergone. Approximately 50% [1] of the software 
have  proposed  many  algorithms  for  it.  For  cost  is  involved  in  the  maintenance  phase  so 
example,  researchers are working hard to come up with best 
1)  Test  Selection  Algorithm:  proposed  by  results  by  developing  new  Regression  Testing 
Aggarwal  et  al.  Implementation  of  algorithm  [20]:  techniques  so  that  the  expenditure  made  in  this 
(a)  Input  (b)  Test  Selection  algorithm:  Adjust  phase  can  be  reduced  to  some  extent.  Many 
module and Reduce module (c) output.  foundations  like  US  National  Science  Foundation 
2)  Hybrid  technique  proposed  by  Wong  et  al  (NSF),  Galileo  Research  Group  at  Oregon  State 
which  combines  minimization,  modification  and  University,  Mapstext  Group  at  University  of 
prioritization  based  selection  using  test  history  Nebraska  Lincoln,  Aristotle  Research  Group  at 
[21].  Georgia  Institute  of  Technology,  NCSU  Software 
3) Hybrid technique proposed by Yogesh Singh et  Engineering  Realsearch  Group,  National  Natural 
al  is  based  on  Regression  Test  Selection  and  Test  Science  Foundation  of  China  are  few  of  the  many 
Case  Prioritization.  The  proposed  algorithm  in  names  who  are  working  on  development  of  new 
detail can be studied in [22].  regression  testing  techniques  and  improving 
3. Approaches and Challenges  existing techniques on different aspects. 
The  possible  approaches  [14]  which  can  be  Through this paper we have discussed Regression 
performed  so  that  all  the  techniques  discussed  Testing techniques and have further classified  each 
above  can  be  compared  and  analyzed  are:  (1)  one  of  them  respectively  as  explained  by  various 
Controlled Experiments (2) Case Studies.  authors,  explaining  Regression  Test  Selection  and 
1).  Controlled  Experiments:  are  performed  on  Test  Case  Prioritization  in  detail  with  Search 
objects  drawn  from  the  field  and  further  created  Algorithms  for  Test  Case  Prioritization.  Through 
and  manipulated  in  controlled  environment.  The  this  paper  we  have  tried  to,  explain  the  complete 
advantage  of  controlled  experiment  is  that  structure  of  Regression  Testing,  enlighten  up  the 
independent  variables  (eg.  test  suite,  modification  possible  areas  of  Regression  Testing  to  make 
patterns,  and  fault  types)  can  be  changed  to  researchers  understand  its  importance  and  scope 
determine their effect on dependent variables. The  and motivate new researchers who are planning to 
disadvantage  of  this  approach  is  the  threat  to  start their research “to work on it”. 
external validity shaped by the “manufacturing” of   
faults, test cases and modifications.  REFERENCES
2).  Case  Studies:  are  performed  on  existing  [1]  K.K.Aggarwal  &  Yogesh  Singh,  “Software  Engineering 
programs,  taken  “from  the  field”,  that  have  fault  Programs Documentation, Operating Procedures,” New Age 
International Publishers, Revised Second Edition – 2005. 
data,  several  versions  and  existing  test  suites.  The 
[2]  Sebastian  Elbaum,  Praveen  Kallakuri,  Alexey  G. 
advantage  of  this  approach  is  it  is  “real”  and  Malishevsky,  Gregg  Rothermel,  Satya  Kanduri, 
reduces  the  cost  required  to  be  artificially  created  “Understanding  the  Effects  of  Changes  on  the  Cost‐
in  Controlled  Experiments.  The  disadvantage  of  Effectiveness  of  Regression  Testing  Techniques,”  Journal  of 
this  approach  is  that  certain  factors  are  not  Software  Testing,  Verification,  and  Reliability,  13(2) 
pages:65‐83, June 2003. 
controlled, which makes replication difficult. 

 
JOURNAL OF COMPUTING, VOLUME 2, ISSUE 7, JULY 2010, ISSN 2151‐9617 
HTTPS://SITES.GOOGLE.COM/SITE/JOURNALOFCOMPUTING/ 
WWW.JOURNALOFCOMPUTING.ORG     105 
[3] H. Leung and L. White, “Insights into regression testing,”  [19]  S  Lin,  “Computer  Solutions  of  the  Travelling  Salesman 
In Proceedings of the Conference on Software Maintenance,  Problem,”  Bell  System  Technical  J.,  vol.  44,  pages2245‐2269, 
pages 60‐69, Oct. 1989.  1965. 
[4]  Rothermel  R.,  “Efficient  Effective  Regression  Testing  [20]  K.  K.  Aggrawal,  Yogesh  Singh,  A.  Kaur,  “  Code 
Using  Safe  Test  Selection  Techniques,”  Ph.D  Thesis,  coverage  based  technique  for  prioritizing  test  cases  for 
Clemson University, May, 1996.  regression  testing,”  ACM  SIGSOFT  Software  Engineering 
  Notes, vol 29 Issue 5 September 2004. 
[5] Y. Chen, D. Rosenblum, and K. Vo. TestTube, “A system  [21] W. E.Wong, J. R. Horgan, S. London and H.Agrawal, “A 
for  selective  regression  testing,”  In  Proceedings  of  the  16th  study  of  effective  regression  testing  in  practice,”  In 
International  Conference  on  Software  Engineering,  pages  Proceedings  of  the  8th  IEEE  International  Symposium  on 
211‐220, May 1994.  Software  Reliability  Engineering  (ISSREʹ  97),  pages  264‐274, 
[6] K. Fischer, F. Raji, and A. Chruscicki, “A methodology for  November 1997. 
retesting modifed software,” In Proceedings of the National  [22]  Yogesh  Singh,  Arvinder  Kaur,  Bharti  Suri,  “A  new 
Telecommunications Conference B‐6‐3, pages 1‐6, Nov. 1981.  technique  for  version‐specific  test  case  selection  and 
[7]  R.  Gupta,  M.  J.  Harrold,  and  M.  Soffa,  “An  approach  to  prioritization for regression testing,” Journal of the CSI ,Vol. 
regression  testing  using  slicing,”  In  Proceedings  of  the  36 No.4, pages 23‐32, October‐December 2006. 
Conference  on  Software  Maintenance,  pages  299‐308,  Nov.   
1992. 
[8]  N.Mansour,  and  K.  El‐Faikh,  “Simulating  annealing  and 
genetic algorithms for optimal regression testing,” Journal of 
Software Maintenance, Vol. 11, pages 19‐34, 1999. 
[9]  M.J.Harrold,  R.Gupta,  and  M.L.  Soffa,“  A  methodology 
for controlling the size of  the  test suite, ”  ACM Transaction 
on  Software  Engineering  and  Methodology,  pages  270‐285, 
July 1993. 
[10]  H.Agrawal,J.R.  Horgan,  and  E.W.  ,  Krauser, 
“Incremental  regression  testing,”  In:  Proc.  Conference  on 
Software Maintenance, pages 348‐357,1993. 
[11]  Bahsoon,  R.  Mansour,  N,  “Methods  and  metrics  for 
selective  regression  testing,”  In  Computer  Systems  and 
Applications,  ACS/IEEE  International  Conference,  pages 
463‐465, 2001. 
[12]  T.  McCabe,  “A  complexity  measure,”  IEEE  Trans.  On 
Software Engineering, 2(3), pages 308‐319, 1976. 
[13]  G.  Rothermel,  R.H.  Untch,  C.  Chu,  and  M.J.  Harrold, 
“Prioritizing Test Cases for Regression Testing,” IEEE Trans. 
Software Eng., vol. 27, no. 10, pages 929‐948, Oct. 2001. 
[14]  Sebastian  Elbaum,  Member,  IEEE,  Alexey  G. 
Malishevsky, Student Member, IEEE, and Gregg Rothermel, 
Member,  IEEE,  “Test  case  prioritization:  A  family  of 
empirical  studies,”  IEEE  Transactions  on  Software 
Engineering, vol. 28, NO.2, pages 159‐182, Feb.2002. 
[15]  S.G.  Elbaum  and  J.C.  Munson,  “A  Standard  for  the 
Measurement of C Complexity Attributes,” Technical Report 
TR‐CS‐98‐02, Univ. of Idaho, Feb. 1998. 
[16] R.A. Johnson and D.W. Wichorn, “Applied Multivariate 
Analysis,”  third  ed.  Englewood  Cliffs,  N.J.:  Prentice  Hall, 
1992. 
[17]  Hema  Srikanth,  Laurie  Williams,  Jason  Osborne, 
“System  test  case  prioritization  of  new  and  regression  test 
cases,”  Proceedings  of  the  seventh  international  workshop 
on Economics 
driven  software  engineering  research,  pages  64‐73,  May 
2005. 
[18]  Zheng  Li,  Mark  Harman,  and  Robert  M.  Hierons, 
“Search  algorithms  for  regression  test  case  prioritization,” 
IEEE  Trans.  On  Software  Engineering,  vol  33,  no.4,  April 
2007.