Спасибо автору за качественную работу, рекомендую обращаться!
Информация о работе
Подробнее о работе
Генерация тестовых данных с использованием генетических алгоритмов
- 11 страниц
- 2017 год
- 67 просмотров
- 0 покупок
Гарантия сервиса Автор24
Уникальность не ниже 50%
Фрагменты работ
Тестирование программного обеспечения (ПО) представляет собой процесс исследования качества исполнения программного продукта и определения максимальных пределов его работоспособности, на которых показатели достоверности не опускаются ниже установленных значений [1].
Основной тест программного обеспечения выполняется с учётом максимально возможных вариантов функционирования в среде, для которой ПО было разработано, однако с целью испытания работоспособности и универсальности продукта тестирование проводится и в "чужих" средах [2]. При этом оценивается надежность и эффективность разработанного ПО, осуществляется поиск и исправление ошибок.
Одним из наиболее важных этапов подготовки к тестированию является выбор исходных тестовых данных, которые должны обеспечивать проверку всех требований технического задания на разработку ПО, функционирование интерфейса (при наличии), прохождение всех функций, переменных и условий работы алгоритма, определение предельных и запрещённых ситуаций.
Аннотация
1 Введение
2 Генетический алгоритм как способ генерации тестовых данных
3 Подход к генерации тестовых данных с использованием генетического алгоритма
4. Пример использования
5. Заключение
Список использованной литературы
В статье представлен метод оптимизации тестирования программного обеспечения с помощью определения наиболее критичных путей исходного кода программы. Данная задача выполняется с помощью генетических алгоритмов переменной длины, которые осуществляют выбор и оптимизацию программных путей с большими весовыми коэффициентами. Полноценное тестирование программное обеспечения не всегда возможно даже для исходных кодов средней сложности. Чаще всего может быть протестирована только часть программы, однако она может и не содержать вероятных ошибок. В статье описан более избирательный подход к тестированию, который определяет и проверяет в первую очередь пути, которые являются критичными для программы. Таким образом, эффективность тестирования программного обеспечения может быть повышена
[1] IEEE 829-2008 IEEE Standard for Software and System Test Documentation.
[2] Somerville, I., “Soft ware engineering,” 7th Ed. Addison-Wesley,
[3] Mark Last et. al., “Effective black-box testing with genetic algorithms”, Lecture notes in computer science, Springer, 2006, pp. 134 -148.
[4] Wegener, J., Baresel, A., and Sthamer, H, “Suitability of Evolutionary Algorithms for Evolutionary Testing,” In Proceedings of the 26th Annual International Computer Software and Applications Conference, Oxford, England, August 26-29, 2002.
[5] Wegener, J., Baresel, A., and Sthamer, H, “Suitability of Evolutionary Algorithms for Evolutionary Testing,” In Proceedings of the 26th Annual International Computer Software and Applications Conference, Oxford, England, August 26-29, 2002.
[6] Berndt, D.J. and Watkins A, “Investigating the Performance of Genetic Algorithm-Based Software Test Case Generation,” In Proceedings of the Eighth IEEE International Symposium on High Assurance Systems Engineering (HASE'04), pp. 261-262, University of South Florida, March 25-26, 2004.
[7] Giuseppe A. et. al., “Testing Web –applications: The State of Art and Future Trends”.Information and Software Technology. Elsevier, 2006, pp. 1172-1186.
[8] Гладков Л. А. и др. Методы генетического поиска //Таганрог: Изд-во ТРТУ. – 2002.
[9] Курейчик В. М., Лебедев Б. К., Лебедев О. Б. Гибридный алгоритм разбиения на основе природных механизмов принятия решений //Искусственный интеллект и принятие решений. – 2012. – №. 2. – С. 3-15.
[10] Зинченко Л. и др. (ред.). Бионические информационные системы и их практические применения. – Litres, 2016.
[11] Гладков Л., Курейчик В., Курейчик В. Генетические алгоритмы. – Litres, 2017.
[12] P. Thevenod-Fosse, H. Waeselynck. STATEMATE: Applied to Statistical Software Testing. ACM SIGSOFT Proceedings of the 1993 International Symposium on Software Testing and Analysis, Software Enginering Notes 23(2), pp. 78-81, June 1993
[13] M. Voas, L. Morell, and K. W. Miller. Predicting where faults can hide from testing. IEEE Software, 8(2), 41-48, March 1991
[14] R. Ferguson and B. Korel. The chaining approach for software test data generation. ACM TOSEM, vol. 5, no. 1, pages 63-86, January 1996
[15] B. Korel. Automated software test data generation. IEEE Transactions on Software Engineering, 16(8):870-879, August 1990.
[16] С. C. Michael, G. E. McGraw, M. A. Schatz, and С. C. Walton.. Genetic Algorithms for Dynamic Test Data Generations. Technical Report RSTR-003-97-11, May 1997
[17] N. Tracey, J. Clark, K. Mander. Automated Program Flaw Finding Using Simulated Annealing. ACM SIGSOFT Proceedings of the 1998 International Symposium on Software Testing and Analysis, March 1998
Форма заказа новой работы
Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям
