基于深度强化学习的类集成测试序列生成方法

类集成测试序列的生成是面向对象软件测试中的关键步骤,当类的测试序列不同时,相应的测试代价也不相同.在集成测试中生成一个合理的类集成测试序列可以有效降低软件测试的代价.本文将深度强化学习中的Advantage Actor-Critic算法应用于解决类集成测试序列生成问题.首先,利用类间各种依赖关系构建与智能体交互的环境模型;然后,记录智能体从初始状态到终止状态的路径,即每次选择的动作对应每次选择集成到序列的类编号;最后,得出最终的类集成测试序列.实验结果表明,本文方法所得到的类集成测试序列花费的总体测试桩复杂度,在选取的7个项目中有5个表现最佳,在剩余2个项目中表现中等.

一种基于耦合度量的类间集成测试序的确定方法

类间测试顺序的确定是类集成测试中难以解决的一个关键问题.类的测试序列不同,构造相应的测试桩需要花费的代价也会不同.每一个测试桩复杂度度量的准确性决定最终打破环路所需构造测试桩的总体复杂度.对于类间测试顺序问题,文章提出一种基于耦合度量的类间集成测试序的确定方法.采用类间耦合度量与基于图的启发式算法相结合的方法,其中,前者用于度量每一个测试桩的复杂度,后者用于在保证测试桩总体复杂度尽可能小的条件下来打破环路.首先提出一种在度量中使用的耦合权重的计算方法,对测试桩的复杂度进行新的耦合度量;然后给出一种有效打破环路的基于图的启发式算法;最后实现了类间测试序列自动生成工具——TOGOS.实验结果表明:文中的方法较现有的方法总体复杂度有明显的降低,从而节约了测试成本.

多目标优化类集成测试序列确定问题研究进展

在面向对象软件集成测试中,类的测试顺序同系统的测试桩复杂度密切相关,但由于描述类间依赖的关系复杂,衡量测试代价的目标多样,测试序列难以确定.鉴于在软件测试领域,智能优化算法的应用已获得良好的效果,因此可以将智能优化算法融入类集成测试序列生成问题,形成多目标优化类集成测试序列.对已有基于智能优化算法的多目标类集成测试序列生成技术进行比较研究.对已有类集成测试序列生成技术进行分类,包括典型的基于线性加权的多目标优化算法和基于帕累托模型的多目标优化算法,并概括描述相关研究进展;通过Markov过程、优化理论等对应用于多目标类集成测试序列中的智能优化算法进行理论分析,重点分析其全局收敛性及优缺点;对各算法的比较实验结果表明基于粒子群算法和帕累托最优模型的多目标优化算法均可以生成较优的类集成测试序列.

大数据下的快速KNN分类算法

针对K最近邻算法测试复杂度至少为线性,导致其在大数据样本情况下的效率很低的问题,提出了一种应用于大数据下的快速KNN分类算法。该算法创新性地在K最近邻算法中引入训练过程,即通过线性复杂度聚类方法对大数据样本进行分块,然后在测试过程中找出与待测样本距离最近的块,并将其作为新的训练样本进行K最近邻分类。这样的过程大幅度地减少了K最近邻算法的测试开销,使其能在大数据集中得以应用。实验表明,该算法在与经典KNN分类准确率保持近似的情况下,分类的速度明显快于经典KNN算法。

基于DAGSVC的模拟电路故障字典法

针对模拟电路的故障诊断和支持向量机分类器的设计问题,讨论了一种基于有向无环图支持向量机分类器(DAGSVC)的故障字典新方法,并比较了几种支持向量机故障分类器的平均测试复杂度指标。通过对2个实际模拟滤波器的实际测试和验证表明:该方法性能要优于"1-v-r"SVC,"1-v-1"SVC等常规的故障分类器,并和聚类二叉树SVC的诊断性能接近,适合模拟电路的故障分类和诊断。