کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6885627 696245 2015 25 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Test data generation with a Kalman filter-based adaptive genetic algorithm
ترجمه فارسی عنوان
تولید داده های آزمایش با الگوریتم ژنتیک سازگار مبتنی بر فیلتر کالمن
کلمات کلیدی
تست تولید داده ها، بهینه سازی، کنترل پارامتر انعطاف پذیر،
ترجمه چکیده
تست نرم افزار بخش مهمی از توسعه نرم افزار است. این تضمین کیفیت را فراهم می کند، مانند صحت، کامل بودن و قابلیت اطمینان بالا سیستم های نرم افزاری. تکنیک های تست تست نرمافزاری در حال حاضر از روشهای بهینه سازی مبتنی بر جستجو استفاده می کنند، مانند الگوریتم های ژنتیک برای رسیدگی به کارهای دشوار و کارآمد تولید نسل تست. علیرغم کاربرد عمومی آنها، الگوریتم های ژنتیکی باید به منظور تولید نتایج با کیفیت بالا پارامتر شوند. مقادیر مختلف پارامترها ممکن است برای مشکلات مختلف و حتی موارد مختلف مشکل بهینه باشند. در این کار، یک رویکرد جدید برای تولید داده های تست بر مبنای بهینه سازی سازگار ارائه می کنیم. چارچوب بهینه سازی سازگار با استفاده از بازخورد از فرایند بهینه سازی برای تنظیم مقادیر پارامترهای الگوریتم ژنتیکی در طول جستجو. رویکرد ما با یک الگوریتم بهینه سازی داده های آزمون پیشرفته ای است که مقادیر پارامترهای آنلاین و الگوریتم بهینه سازی سازگار را ارائه نمی دهد که هر دو روش را در طیف وسیعی از مشکلات پیش بینی می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
تولید داده های آزمایش با الگوریتم ژنتیک سازگار مبتنی بر فیلتر کالمن
چکیده انگلیسی
Software testing is a crucial part of software development. It enables quality assurance, such as correctness, completeness and high reliability of the software systems. Current state-of-the-art software testing techniques employ search-based optimisation methods, such as genetic algorithms to handle the difficult and laborious task of test data generation. Despite their general applicability, genetic algorithms have to be parameterised in order to produce results of high quality. Different parameter values may be optimal for different problems and even different problem instances. In this work, we introduce a new approach for generating test data, based on adaptive optimisation. The adaptive optimisation framework uses feedback from the optimisation process to adjust parameter values of a genetic algorithm during the search. Our approach is compared to a state of the art test data optimisation algorithm that does not adapt parameter values online, and a representative adaptive optimisation algorithm, outperforming both methods in a wide range of problems.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Systems and Software - Volume 103, May 2015, Pages 343-352
نویسندگان
, ,