基于人工智能的測試用例自動生成與測試用例集優(yōu)化

定　價：￥68.00

作　者：	邢穎，宮云戰(zhàn)，于秀麗
出版社：	北京郵電大學出版社
叢編項：	信息科學技術(shù)專著叢書
標　簽：	暫缺

ISBN：	9787563566709	出版時間：	2022-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	222	字數(shù)：

內(nèi)容簡介

　　作為軟件測試（包括白盒測試和黑盒測試）中的一個基本問題，測例自動生成尤為重要，這是因為白盒測試中的許多問題（如控制流測試和數(shù)據(jù)流測試）以及黑盒測試中的一些問題都可以歸結(jié)為測例生成問題。解決這個問題的本質(zhì)在于約束系統(tǒng)的建立和求解。約束求解是人工智能的一個傳統(tǒng)研究方向。本書將系統(tǒng)地研究如何進行軟件系統(tǒng)的約束建模和求解，利用人工智能的各種技術(shù)，對一些特殊情況（復雜數(shù)據(jù)類型、線性約束的區(qū)間初始化、庫函數(shù)等）給出切實可行的解決方案。提升回歸測試效率的一個重要方法是對測例集進行優(yōu)化，目前常見的優(yōu)化方法有3種，分別是測例集約簡、選擇和優(yōu)先級排序。這3種方法分別適用于不同的場景，本書主要關(guān)注測例集約筒和測例優(yōu)先級排序，通過對相關(guān)問題和已有方法的調(diào)研，將現(xiàn)在應(yīng)用比較廣泛的人工智能中的群智能算法和一些進化算法引入測例集優(yōu)化問題中，提出新的測試用例集約簡和測例優(yōu)先級排序技術(shù)。本書的主要讀者對象為軟件工程研究者和從業(yè)人員。

作者簡介

暫缺《基于人工智能的測試用例自動生成與測試用例集優(yōu)化》作者簡介

圖書目錄

第1章軟件測試
1.1 軟件系統(tǒng)開發(fā)的可靠性問題
1.2 回歸測試的必要性
1.3 單元測試概述
1.4 靜態(tài)測試與動態(tài)測試
1.5 黑盒測試和白盒測試
1.6 基于路徑和覆蓋率的測試
1.7 約束求解問題
1.8 代碼測試系統(tǒng)
本章參考文獻
第2章測例自動生成技術(shù)
2.1 靜態(tài)測例自動生成方法
2.1.1 常用的靜態(tài)分析技術(shù)
2.1.2 典型的測例生成技術(shù)
2.2 動態(tài)測例自動生成方法
2.2.1 直線式程序法
2.2.2 分支函數(shù)極小化法
2.2.3 ADTEST
2.2.4 迭代松弛法
2.2.5 MHS方法
2.3 動靜結(jié)合的測例自動生成方法
本章參考文獻
第3章基于分支限界的測例生成
3.1 分支限界算法
3.1.1 問題定義
3.1.2 解決方案
3.1.3 路徑約束提取
3.1.4 求相關(guān)變量集和相關(guān)變量閉包
3.1.5 變量級別確定算法
3.1.6 不相關(guān)變量移除
3.2 搜索加速算法
3.2.1 基于抽象解釋的區(qū)間迭代優(yōu)化策略
3.2.2 變量動態(tài)排序決策機制
3.2.3 基于爬山法的求解
3.2.4 實例分析
3.3 實驗
3.3.1 迭代的區(qū)間運算對比實驗
3.3.2 變量的動態(tài)排序?qū)Ρ葘嶒?br /> 3.3.3 爬山法實驗
第4章人工智能在測例自動生成中的應(yīng)用
4.1 基于矛盾定位的混合回溯技術(shù)
4.1.1 背景介紹
4.1.2 問題的提出
4.1.3 3C算法
4.1.4 算法介紹
4.1.5 實驗分析
4.2 基于優(yōu)化區(qū)間運算的一致性判斷算法
4.2.1 背景介紹
4.2.2 問題的提出
4.2.3 理論分析
4.2.4 算法描述和實現(xiàn)
4.2.5 實驗分析
4.3 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的測例生成時間預測
4.3.1 背景介紹
4.3.2 問題的描述
4.3.3 數(shù)據(jù)準備
4.3.4 模型的確定與實現(xiàn)
4.3.5 實例分析
4.4 基于強化學習技術(shù)的測例自動生成技術(shù)
4.4.1 背景介紹
4.4.2 問題的描述
4.4.3 強化學習模型的構(gòu)建及算法描述
4.4.4 實例分析
本章參考文獻
第5章特殊程序結(jié)構(gòu)的測例生成
5.1 動靜結(jié)合的循環(huán)處理模型
5.1.1 背景介紹
5.1.2 選擇性符號執(zhí)行
5.1.3 優(yōu)化問題和目標函數(shù)
5.1.4 啟發(fā)式引導的k+1循環(huán)處理模型
5.1.5 啟發(fā)式引導的k+1循環(huán)處理模型算法概述
5.1.6 實例分析
5.2 基于代碼片段和反向符號執(zhí)行的不可達路徑判定技術(shù)
5.2.1 背景介紹
5.2.2 不可達路徑判定問題的重定義
5.2.3 不可達路徑的特征調(diào)研
5.2.4 依賴循環(huán)的等值代碼片段
5.2.5 對于代碼片段性值的有效性驗證
5.2.6 基于反向符號執(zhí)行的可達路徑生成技術(shù)
5.2.7 實例分析
5.3 基于原子函數(shù)的字符串類型測例自動生成技術(shù)
5.3.1 背景介紹
5.3.2 字符串約束描述語言
5.3.3 原子函數(shù)的等價性
5.3.4 LAtom的約束求解過程
5.3.5 實例分析
5.4 庫函數(shù)的約束求解策略
5.4.1 問題的描述
5.4.2 算法描述和實現(xiàn)
5.4.3 實例分析
本章參考文獻
第6章測例集約簡
6.1 測例集約簡概述
6.1.1 相關(guān)技術(shù)研究
6.1.2 測例集約簡的基本概念
6.1.3 測例集約簡的數(shù)學建模
6.2 基于佳點集螢火蟲算法的測例集約簡
6.2.1 螢火蟲算法
6.2.2 佳點集螢火蟲算法
6.2.3 測例集約簡建模
6.2.4 實驗分析
6.3 基于蟻獅優(yōu)化算法的測例集約簡
6.3.1 蟻獅優(yōu)化算法
6.3.2 實驗分析
本章參考文獻
第7章測例優(yōu)先級排序
7.1 測例優(yōu)先級排序
7.1.1 測例優(yōu)先級排序的定義
7.1.2 多目標優(yōu)化問題
7.1.3 多目標測例優(yōu)先級排序
7.1.4 測例集排序的評測指標
7.2 基于人工免疫算法的測例優(yōu)先級排序
7.2.1 優(yōu)化目標選取
7.2.2 人工免疫算法
7.2.3 實驗分析
7.3 基于多種群粒子群算法的多目標測例優(yōu)先級排序
7.3.1 優(yōu)化目標選取
7.3.2 多種群協(xié)同粒子群算法
7.3.3 基于多種群粒子群算法的多目標測例優(yōu)先級排序
7.3.4 實驗分析
7.4 基于蝙蝠免疫算法的測例集排序
7.4.1 優(yōu)化目標選取
7.4.2 蝙蝠算法
7.4.3 人工免疫系統(tǒng)
7.4.4 多目標蝙蝠免疫算法
7.4.5 實驗分析
本章參考文獻