دانلود ترجمه مقاله تکنیک های جدید رایانش نرم در تست نرم افزار

1. مقدمه 2. اهداف تحقیق 3. فرضیه های تحقیق 4. طبقه بندی تست 5. مسائل تست 6. معماری اتوماسیون تست 7. تکنیک های رایانش نرم 8. بیان مسئله و روش پیشنهادی 9. روش تحقیق 10. نتایج و بحث و بررسی 11. نتیجه گیری ها 12. حوزه کار تحقیقاتی آینده

چکیده – تست کردن کاری خسته کننده، زمان بر و پرهزینه است. این رساله به بررسی تکنیک ایجاد داده های تست خود می پردازد. در این کار از الگوریتم جدیدی استفاده شده است که الگوریتم ترکیبی ازدحام ذره ژنتیکی (GPSCA) نامیده می شود که براساس ترکیبی از الگوریتم ژنتیکی (GA) و بهینه سازی ازدحام ذره (PSO) است. این الگوریتم از رابطه غلبه بین دو گره استفاده می کند. داده های تست از روی ساختار برنامه بدست آمد که با هدف بررسی هر دستوری در نرم افزار است. این الگوریتم از تابع ارزیاب جدیدی برای ارزیابی داده های تست ایجاد شده براساس مفهوم روابط غالب بین گره های گراف جریان کنترل برنامه استفاده می کند. تابع ارزیاب برای ارزیابی هر مورد تست با اجرا کردن برنامه با تابع به عنوان ورودی، و ثبت گره های عبوری تحت پوشش مورد تست در برنامه بکار رفته است. دلیل اصلی استفاده از GPSCA توانایی آن برای پرداختن به داده های ورودی است که ممکن است پیچیده باشند و انجام اینکار به صورت دستی دشوار باشد. بنابراین مسئله تولید داده های تست به طور کامل به عنوان مسئله بهینه سازی در نظر گرفته شده است. عملکرد روش پیشنهادی در تعدادی برنامه با اندازه و پیچیدگی متفاوت آنالیز شده است. در نهایت، عملکرد GPSCA با GA و PSO از نظر ایجاد اتوماتیک موارد تست مقایسه شده است. تا برتری آن اثبات شود. کارآیی تولید داده های تست با استفاد از GPSCA بهتر از GA و PSO است زیرا به تست های کمتری از دو الگوریتم دیگر نیاز دارد و با تعداد کمتر نسل به پوشش 100% می رسد.

Testing is tedious, time consuming and costly. This dissertation explores self test data creation technique. It uses a new algorithm called Genetic-Particle Swarm Combined Algorithm (GPSCA) which is based on a combination of Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). It uses dominance relationship between two nodes. The test data were derived from the program's structure with the aim to traverse every statement in the software. The algorithm uses a new evaluation (fitness) function to evaluate the generated test data based on the concepts of the dominance relations between nodes of the program’s control flow graph. The fitness function used to evaluate each test case by executing the program with it as input, and recording the traversed nodes in the program that are covered by this test case. The main reason of using GPSCA is its ability to handle input data which may be of complicated and complex and difficult to determine manually. Thus, the problem of test data generation is treated entirely as an optimization problem. The performance of the proposed approach is analyzed on a number of programs having different size and complexity. Finally, the performance of GPSCA is compared to both GA and PSO for generation of automatic test cases to demonstrate its superiority. The effectiveness of test data generation using GPSCA is better than GA and PSO as it requires fewer tests than later and achieves 100% coverage in less number of generations