为了提高回归测试的效率,提出了一种基于多目标人工蜂群优化(Multi-Objective Artificial BeeColony Optimization,MOABCO)算法的多目标测试用例优先级排序(Multi-Objective Test Case Prioritiza-tion,MOTCP)方法.针对标准多目标人工蜂群(Multi-Objective Artificial Bee Colony,MOABC)算法容易陷入局部最优解的问题,将差分变异策略融入到新蜜源更新阶段,且基于信息熵改进新蜜源选择方法,以避免算法陷入局部最优并增强了全局搜索能力;然后,将代码覆盖率和测试用例有效执行时间作为优化目标,并用MOABCO算法求Pareto最优解集,以解决MOTCP问题.实验结果表明,MOABCO算法求得的Pareto最优解集在逼近性和分布均匀性上均优于MOABC算法;在解决MOTCP问题上,相对于NSGA-Ⅱ算法具有更高的收敛速度和更高的缺陷检测率.