15000 تومان
افزودن به سبد خرید
0 فروش 255 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 1MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: فایل مقاله لاتین، فایل ورد ترجمه (33 صفحه)
تاریخ انتشار: 18 ژانویه 2019
دسته بندی: ,,

تبلیغات

ازدحام و محاسبات تکاملی نسل دنباله آزمون بهینه با استفاده از الگوریتم کرم شب تاب

چکیده:

تست نرم افزار بخش مهم اما پیچیده ای از چرخه حیات نرم افزار توسعه است.بهینه سازی فرآیند تست نرم افزار یک چالش عمده محسوب میشود، و نسلی از مسیرهای آزمون مستقل رضایتبخشی است. در این مقاله، ما یک رویکرد فراابتکاری مبتنی بر الگوریتم کرم شب تاب برای تولید مسیرهای آزمون مطلوب ارائه می دهیم. به منظور بهینه سازی مسیرهای مورد آزمون، ما با استفاده از یک الگوریتم اصلاح شده کرم شب تاب با تعریف تابع هدف مناسب و معرفی ماتریس راهنمایی در تراورس گراف پیش می رویم. شبیه سازی و مقایسه ما نشان می دهد که مسیر آزمون تولید مسیر بحرانی و بهینه می باشد.

کلمات کلیدی:

الگوریتم کرم شب تاب- نمودار انتقال حالت- تابع هدف-پیچیدگی   Cyclometic (پیچیدگی Cyclomatic نرم افزار متریک (اندازه گیری) است) – نمودار جریان کنترل

معرفی

در چرخه عمر توسعه نرم افزار معمولی [۱]، فاز  تست نرم افزار [۲] مهمترین گام برای اطمینان از کیفیت نرم افزار است. با افزایش تقاضا برای بسیاریاز مردم ، مهم است که قابل اعتماد، مقیاس پذیر، بسته های نرم افزاری قوی باشد. تقریبا ۵۰٪ برای تلاش در نرم افزار تخمین زده که به حساب تست نرم افزار مهندسی نشستند [۳]. دو مورد از شایع ترین استفاده از روش تست نرم افزار تست جعبه سیاه و سفید جعبه تست است[۲] همچنین تست جعبه سفید، به عنوان جعبه شیشه ای و یا تست ساختاری شناخته شده و شامل مسیرهای جریان کنترل کلیدی است. هدف اصلی در این تست (جعبه سفید) این است که آزمون ساختار داخلی از نرم افزار مورد نظر به طور کامل نشان دهد، در حالی که تست جعبه سیاه تنها در آنچه که نرم افزار می تواند انجام دهد تمرکز می کند، این است که، برای تست خروجی یک مجموعه داده از ورودی ها بدون دانستن ساختار درونی نرم افزار است. در اصل، تست بهره وری را می توان با استفاده از یک رویکرد مبتنی بر پوشش بهبود داه شود. افزایش پوشش آزمون نیز قابلیت اطمینان نرم افزار [۳]را افزایش می دهد.جهت تعیین مقدار تست نرم افزار، تست مبتنی بر پوشش را می توان مورد استفاده قرار [۴]داد. وظیفه ی تولید، کنترل مسیرهای جریان است که یکی از کارهای چالش برانگیز محسوب می شود و در واقع از موارد آزمون تولید است که کل ساختار نرم افزار پوشش مسئله بهینه سازی دشوار را می تواند نشان دهد. تا به امروز، روش های مختلف مانند فن آوری هوشمند مبتنی بر محدودیت، الگوریتم ماتریس متقارن [۵،۶] برای نسلی از کنترل جریان مسیر مورد بررسی قرار گرفته است، اما هیچ کدام از این پیشنهادات راه حل رضایت بخشی برای تولید مسیر بحرانی و مسیر اولویت بندی [۱] نیستند. نسل پوشش در تست ساختاری به روش های مختلف از قبیل پوشش مسیر، پوشش جریان داده ها، و پوشش شعبه رهبری میشود: [۲] ، اما راه حل های رهبری رهنوز هم به دور از مطلوبیت است. به عنوان مثال، روش پوشش جامع تولید پوشش مسیر، با توجه به ماهیت جامع آن،و محدودیت در زمان و هزینه در پروژه توسعه نرم افزار، آن را غیر عملی برای اجرای موارد آزمون جامع می کند. لذا لازم است موارد نیاز برای توسعه روش های جدید جهت تولید دنباله آزمون یا تست مسیرهای بهینه، که اهمیت آن می تواند به صورت کاهش هزینه، زمان و تلاش از تست نرم افزار باشد،در نظر گرفته شود. سه روش به طور گسترده برای تست ساختاری ای مورد استفاده هستند کنترل جریان آزمایش بر اساس، اطلاعات جریان مبتنی بر آزمایش و جهش تست [۱،۲ بر اساس کنترل جریان که بستگی به مسیر کنترل از نرم افزار تحت تست دارند. تعداد کل مسیر حتی برای تست یک برنامه کوچک ممکن است بسیار بزرگ باشد، و در نتیجه تعداد بسیار زیادی از موارد آزمون، افزایش تست هزینه قابل توجهی دارند. از این رو، انتخاب مسیر موثر مهم شود [۷]. اتوماسیون مقدماتی نرم افزار فرایند آزمایش با استفاده از زبان مدل سازی یکپارچه (UML) در حال حاضر پیشنهاد شده  که در [۳۱] ارائه شده است، اما پوشش نرم افزار کامل و نسل مسیر هنوز هم یک مشکل تحقیقاتی باز باقی می ماند. تا به حال، به صورت خودکار نسل داده ها از آزمون با استفاده از الگوریتم ها و روش های مختلف مانند الگوریتم مورچگان  الگوریتم (ACO) [8-11] انجام شده است، الگوریتم ژنتیک GA  [۱۲,۱۳] ، مبتنی بر جستجو نسل داده ها از آزمون [۱۴]است. همه این روش ها را برای تولید داده ها از آزمون به صورت خودکار برای تسهیل کار از تست نرم افزار امتحان کنید. این روش اغلب استفاده از ازدحام هوش [۱۴،۱۵] است. به تازگی برای بهینه سازی نسل مسیر ، یک روش مبتنی بر جستجو  فاخته (CS) استفاده شده است [۱۶]، و نتایج خوبی از آن به دست آمده. اما افزونگی گره هنوز هم یک مشکل بود. در روش دیگر، داده بهینه آزمون نرم افزار تولید شده توسط کلنی زنبور عسل مصنوعی (ABC) به نظر می رسید عمل خوبی برای برنامه های با اندازه های کوچک است. با این حال، به عنوان نرم افزار تا اندازه افزایش می یابد که  پیدا کردن مسیر و داده ها از آزمون دشوار تر می شود چرا که این روش ABC ممکن است در فضای جستجوی محلی به دام افتاده و تعداد تکرارها بسیار بالا باشد. از سوی دیگر، رویکرد برای نسل داده ها از آزمون با استفاده از بهینه سازی ازدحام ذرات (PSO) تمایل به بحث های زیادی برای نسل مسیر و پوشش [۱۸] ندارد. نسل مسیر تست با استفاده از بهینه سازی کلونی مورچه ها (ACO) در [۱۰] تلاش کرد، اما مسئله تکرار گذار در توالی تولید شده توسط این روش وجود دارد.

به منظور تولید پوشش نرم افزار کامل تر، ما باید برای پیدا کردن یک مسیر آزمون مطلوب، که هنوز هم یک کار چالش برانگیز است پیش قدم شویم. در این مقاله، ما سعی می کنیم به بررسی امکان برای تولید موارد آزمون با پوشش کامل بهینه و حداقل از یک الگوریتم کرم شب تاب( FA) که به تازگی توسعه یافته [۱۹] استفاده کنیم. “FA “توسط شین-او- یانگ با الهام از رفتار های رایانه ای از کرم شب تاب توسعه داده شد،. مکانیزم های ارتباطی شبتاب از طریق چشمک زدن است و درخشندگی و هماهنگ سازی آنها به طور موثر در تکنیک های مختلف اعم از طراحی های بی سیم شبکه های [۲۰]، قیمت گذاری بازار پویا [۲۱]، رباتیک همراه [۲۲]، مشکل اعزام اقتصادی [۳۲]، و مشکلات بهینه سازی ساختاریتقلید شده است[۳۳].

ما در این مقاله، با استفاده از FA مجموعه ای مطلوب از آزمون نسل توالی با استفاده از نمودار انتقال حالت(STD) [23]] و کنترل ها نمودار ها تازه جریان (CFG) به دست می آوریم.

در مهندسی نرم افزار، به اصطلاح نمودار انتقال حالت را می توان از الزامات و یا کاتیون خاص از نرم افزار تولید به توسعه رسیده است. نمودار انتقال حالت] (STD) [24 نشان می دهد که سیستم به دلیل حوادث خارجی چگونه رفتار میکند. برای انجام این کار، STD نشان دهنده حالت های مختلف رفتاری (به نام ایالات) از سیستم، و شیوه ای که در انتقال از دولت به دولت ساخته شده است می باشد. ما نشان خواهیم داد که FA می تواند مجموعه ای بهینه از مسیرها از نمودار انتقال حالت تولید کند.

روش های ارسال کالاهای  کودک [۲۵] و لام و لی [۹]  با بهینه سازی کلونی مورچه ها برای پیدا کردن مسیر آزمون استفاده می شوند ، اما آنها هنوز موانعی در مسیر تولید ایجاد کرده اند. رفع اشکالات در نسل از مسیرهای آزمون نیاز به انتقال بیشتر به پوشش گراف و تلاش تست  دارد ودر نتیجه بیشتر مورد نیاز است. در این مقاله یک روش مبتنی بر FA آزمون نسل بهینه توالی برای دولت بر اساس کنترل جریان گراف پیشنهاد می کند.پیشنهاد FA می تواند مجموعه ای بهینه از مسیرهای بدون افزونگی تولید کند. این یک مزیت مهم بیش از روش های دیگر است.

ساختار مقاله به شرح زیر است. در بخش ۲، ما اصول الگوریتم شبتاب و فرمول مناسب از تابع هدف را [۲۶] توصیف می کنند. در بخش ۳، ما شما را به کلی از روش ارائه شده با استفاده از الگوریتم کرم شب تاب و دیگر ویژگی های مربوطه آشنا می کنیم. در بخش ۴، الگوریتم پیشنهاد شده توسط نمونه نشان داده می شود. سپس، در بخش ۵، روش ارائه شده به نسل مسیر و ارائه یک مقایسه مختصر با روش های دیگر مانند ACO در ادبیات اعمال می شود. در نهایت، در بخش ۶، ما برخی از نتایج و مباحث بحث برای تحقیقات آینده قرعه کشی میکنیم

Optimal test sequence generation using firefly algorithm

Abstract

Software testing is an important but complex part of software development life cycle. The optimization of the software testing process is a major challenge, and the generation of the independent test paths remains unsatisfactory. In this paper, we present an approach based on metaheuristic firefly algorithm to generate optimal test paths. In order to optimize the test case paths, we use a modified firefly algorithm by defining appropriate objective function and introducing guidance matrix in traversing the graph. Our simulations and comparison show that the test paths generated are critical and optimal paths.

لینک مقاله اصلی:

https://www.sciencedirect.com/science/article/pii/S2210650212000612

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب