دانلود ترجمه مقاله اولویت دهی مبتنی بر الگوریتم ژنتیک و پوشش نقاط آزمایش – نشریه اسپرینگر

• فهرست مطالب:

چکیده
۱٫مقدمه
۲٫ارزیابی اولویت بندی مورد آزمایشی
۲-۱ برخی توابع ارزیابی موجود
۲-۲ درصد میانگین پوشش نقاط آزمایش (APTC)
۳٫اولویت بندی مورد آزمایشی براساس الگوریتم ژنتیک
۳-۱ فرآیند الگوریتم ژنتیک
۳-۲ طرح نمایش
۳-۳ طراحی تابع انطباق
۳-۴ طرح انتخاب
۳-۵ طرح تقابل
۳-۶ طرح جهش
۴٫آزمایش شبیه سازی
۵٫نتیجه گیری

• بخشی از ترجمه:

۵٫ نتیجه گیری
کاربرد الگوریتم های ژنتیک در اولویت بندی مورد آزمایشی، می تواند بطور موثری اغماض در ترتیب موارد آزمایشی اجرا شده را کاهش داده و در نتیجه بازدهی آزمایش نرم افزار را افزایش دهد.
این مقاله یک ارزیابی جدید اولویت بندی مورد آزمایشی APRC و اصلاحیه آن APRC-C را برای آزمایش کارکردی پیشنهاد می کند. از آنجا که این ارزیابی ها روی پوشش نقاط آزمایش تمرکز دارند، برای آزمایش جعبه سیاه مناسب تر هستند. علاوه بر این، این مقاله یک روش اولویت بندی مورد آزمایشی با استفاده از الگوریتم های ژنتیک را ارائه می کند که APTC یا APTC-C را به عنوان تابع انطباق انتخاب کرده است. طرح های نمایش، انتخاب، تقابل و جهش در GA به آزمایش جعبه سیاه کمک می کند. ما گام های مشخص این روش را ارائه داده و آن را با داده های آزمایشگاهی صحت آزمایی کردیم.
نتایج آزمایشگاهی نشان می دهند که روش پیشنهادی می تواند نتایج مورد انتظار را بدست دهد. این روش یک رویکرد فنی موثر نسبت به مسئله اولویت بندی مورد آزمایشی ارائه می دهد. در آینده، ما تحقیق بیشتری در مورد بحث نقاط آزمایش و کاربردهای GA در تولید خودکار موارد آزمایشی جعبه سیاه انجام خواهیم داد.

• بخشی از مقاله انگلیسی:

۵ Conclusion

The use of genetic algorithms in test case prioritization, can effectively reduce the blindness in test cases executed order and so improve the efficiency of software testing. This paper proposed a new test case prioritization evaluation APRC and its improvement APRC_C for functional testing. As focused on test-points coverage, these evaluations are more suitable for black-box testing. In addition, this paper presented an automated test case prioritization method using of genetic algorithms which adopted APTC or APTC_C as fitness function. The designs of representation, selection, crossover and mutation in GA are aimed at blackbox testing. We gave the specific steps of the method and validated it by experimental data. The experimental results show that the proposed method can achieve expected results. It provides an effective technical approach to the test case prioritization problem. In the future, we will do further research in test-points automatically conversation and applications of GA in the automated generation of black-box test cases.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله