skip to Main Content
بهینه‌سازی چند هدفه برای آزمون رگرسیون

بهینه‌سازی چند هدفه برای آزمون رگرسیون

عنوان انگلیسی: Multi-objective optimisation for regression testing
سال نشر: ۲۰۱۶
نویسنده: Wei Zheng,Robert M. Hierons,Miqing Li,XiaoHui Liu,Veronica Vinciotti
تعداد صفحه فارسی: ۳۴ – تعداد صفحه انگلیسی: ۱۶
دانشگاه: School of Information Systems, Computing and Mathematics, Brunel University, Uxbridge, Middlesex UB7 7NU, United Kingdom,School of Software and Microelectronics, Northwestern Polytechnical University, Yantan 127# the west road of you yixi’an, Shanxi 710072, China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

تست رگرسیون، فرآیند راه‌اندازی یک سیستم پس از تغییر آن و یا تغییر محیط آن ‌است. هدف بسیاری از تکنیک‌ها یافتن ارزان‌ترین زیرمجموعه از مجموعه تست رگرسیون است که به پوشش کامل دست می‌یابد. اخیرا مشاهده شده‌است که تست¬کننده ممکن است بخواهد طیف وسیعی از راه حل¬های ایجاد توازن بین هزینه و یک یا تعداد بیشتر پوشش را داشته باشد، که این مساله بهینه‌سازی چندهدفه است. این مقاله با استفاده از یک الگوریتم تکاملی چند هدفه مبتنی بر تجزیه (MOEA / D)، دستور کار چند هدفه را بیشتر می‌کند. آزمایش‌ها چهار رویکرد را ارزیابی کردند: یک الگوریتم حریصانه کلاسیک؛ انحراف از الگوریتم ژنتیک مرتب‌سازی دوم (NSGA – II)؛ و MOEA / D با مقدار ثابتی برای پارامتر c؛ و MOEA / D که در آن تنظیم برای انتخاب ارزش c بکار گرفته شد. این شش برنامه از مخزن SIR و یک برنامه بزرگ‌تر VoidAuth استفاده کردند. در تمامی آزمایش‌ها MOEA / D با تنظیم موثرترین تکنیک بود. عملکرد نسبی سایر تکنیک‌ها متغیر بود، اگرچه MOEA / D با عملکرد ثابت نسبت به NSGA – II در برنامه‌های بزرگ‌تر (اسپیس و VoidAuth) برتری داشت.

Abstract

Regression testing is the process of retesting a system after it or its environment has changed.
Many techniques aim to find the cheapest subset of the regression test suite that achieves
full coverage. More recently, it has been observed that the tester might want to have a
range of solutions providing different trade-offs between cost and one or more forms of coverage, this being a multi-objective optimisation problem. This paper further develops the
multi-objective agenda by adapting a decomposition-based multi-objective evolutionary algorithm (MOEA/D). Experiments evaluated four approaches: a classic greedy algorithm; nondominated sorting genetic algorithm II (NSGA-II); MOEA/D with a fixed value for a parameter
c; and MOEA/D in which tuning was used to choose the value of c. These used six programs
from the SIR repository and one larger program, VoidAuth. In all of the experiments MOEA/D
with tuning was the most effective technique. The relative performance of the other tech
۳۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top