基于人工智能的測(cè)試用例自動(dòng)生成與測(cè)試用例集優(yōu)化

定　價(jià)：￥68.00

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

ISBN：	9787563566709	出版時(shí)間：	2022-12-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	222	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　作為軟件測(cè)試（包括白盒測(cè)試和黑盒測(cè)試）中的一個(gè)基本問題，測(cè) 例自動(dòng)生成尤為重要，這是因?yàn)榘缀袦y(cè)試中的許多問題（如控制流測(cè)試和數(shù)據(jù)流測(cè)試）以及黑盒測(cè)試中的一些問題都可以歸結(jié)為測(cè) 例生成問題。解決這個(gè)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(gè)傳統(tǒng)研究方向。本書將系統(tǒng)地研究如何進(jìn)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(duì)一些特殊情況（復(fù)雜數(shù)據(jù)類型、線性約束的區(qū)間初始化、庫(kù)函數(shù)等）給出切實(shí)可行的解決方案。提升回歸測(cè)試效率的一個(gè)重要方法是對(duì)測(cè) 例集進(jìn)行優(yōu)化，目前常見的優(yōu)化方法有3種，分別是測(cè) 例集約簡(jiǎn)、選擇和優(yōu)先級(jí)排序。這3種方法分別適用于不同的場(chǎng)景，本書主要關(guān)注測(cè) 例集約筒和測(cè) 例優(yōu)先級(jí)排序，通過對(duì)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(jìn)化算法引入測(cè) 例集優(yōu)化問題中，提出新的測(cè)試用例集約簡(jiǎn)和測(cè) 例優(yōu)先級(jí)排序技術(shù)。本書的主要讀者對(duì)象為軟件工程研究者和從業(yè)人員。

作者簡(jiǎn)介

暫缺《基于人工智能的測(cè)試用例自動(dòng)生成與測(cè)試用例集優(yōu)化》作者簡(jiǎn)介

圖書目錄

第1章軟件測(cè)試
1.1 軟件系統(tǒng)開發(fā)的可靠性問題
1.2 回歸測(cè)試的必要性
1.3 單元測(cè)試概述
1.4 靜態(tài)測(cè)試與動(dòng)態(tài)測(cè)試
1.5 黑盒測(cè)試和白盒測(cè)試
1.6 基于路徑和覆蓋率的測(cè)試
1.7 約束求解問題
1.8 代碼測(cè)試系統(tǒng)
本章參考文獻(xiàn)
第2章測(cè) 例自動(dòng)生成技術(shù)
2.1 靜態(tài)測(cè) 例自動(dòng)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(cè) 例生成技術(shù)
2.2 動(dòng)態(tài)測(cè) 例自動(dòng)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(dòng)靜結(jié)合的測(cè) 例自動(dòng)生成方法
本章參考文獻(xiàn)
第3章基于分支限界的測(cè) 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(jí)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(dòng)態(tài)排序決策機(jī)制
3.2.3 基于爬山法的求解
3.2.4 實(shí)例分析
3.3 實(shí)驗(yàn)
3.3.1 迭代的區(qū)間運(yùn)算對(duì)比實(shí)驗(yàn)
3.3.2 變量的動(dòng)態(tài)排序?qū)Ρ葘?shí)驗(yàn)
3.3.3 爬山法實(shí)驗(yàn)
第4章人工智能在測(cè) 例自動(dòng)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(shí)驗(yàn)分析
4.2 基于優(yōu)化區(qū)間運(yùn)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(shí)現(xiàn)
4.2.5 實(shí)驗(yàn)分析
4.3 基于神經(jīng)網(wǎng)絡(luò)技術(shù)的測(cè) 例生成時(shí)間預(yù)測(cè)
4.3.1 背景介紹
4.3.2 問題的描述
4.3.3 數(shù)據(jù)準(zhǔn)備
4.3.4 模型的確定與實(shí)現(xiàn)
4.3.5 實(shí)例分析
4.4 基于強(qiáng)化學(xué)習(xí)技術(shù)的測(cè) 例自動(dòng)生成技術(shù)
4.4.1 背景介紹
4.4.2 問題的描述
4.4.3 強(qiáng)化學(xué)習(xí)模型的構(gòu)建及算法描述
4.4.4 實(shí)例分析
本章參考文獻(xiàn)
第5章特殊程序結(jié)構(gòu)的測(cè) 例生成
5.1 動(dòng)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(hào)執(zhí)行
5.1.3 優(yōu)化問題和目標(biāo)函數(shù)
5.1.4 啟發(fā)式引導(dǎo)的k+1循環(huán)處理模型
5.1.5 啟發(fā)式引導(dǎo)的k+1循環(huán)處理模型算法概述
5.1.6 實(shí)例分析
5.2 基于代碼片段和反向符號(hào)執(zhí)行的不可達(dá)路徑判定技術(shù)
5.2.1 背景介紹
5.2.2 不可達(dá)路徑判定問題的重定義
5.2.3 不可達(dá)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(duì)于代碼片段性值的有效性驗(yàn)證
5.2.6 基于反向符號(hào)執(zhí)行的可達(dá)路徑生成技術(shù)
5.2.7 實(shí)例分析
5.3 基于原子函數(shù)的字符串類型測(cè) 例自動(dòng)生成技術(shù)
5.3.1 背景介紹
5.3.2 字符串約束描述語(yǔ)言
5.3.3 原子函數(shù)的等價(jià)性
5.3.4 LAtom的約束求解過程
5.3.5 實(shí)例分析
5.4 庫(kù)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(shí)現(xiàn)
5.4.3 實(shí)例分析
本章參考文獻(xiàn)
第6章測(cè) 例集約簡(jiǎn)
6.1 測(cè) 例集約簡(jiǎn)概述
6.1.1 相關(guān)技術(shù)研究
6.1.2 測(cè) 例集約簡(jiǎn)的基本概念
6.1.3 測(cè) 例集約簡(jiǎn)的數(shù)學(xué)建模
6.2 基于佳點(diǎn)集螢火蟲算法的測(cè) 例集約簡(jiǎn)
6.2.1 螢火蟲算法
6.2.2 佳點(diǎn)集螢火蟲算法
6.2.3 測(cè) 例集約簡(jiǎn)建模
6.2.4 實(shí)驗(yàn)分析
6.3 基于蟻獅優(yōu)化算法的測(cè) 例集約簡(jiǎn)
6.3.1 蟻獅優(yōu)化算法
6.3.2 實(shí)驗(yàn)分析
本章參考文獻(xiàn)
第7章測(cè) 例優(yōu)先級(jí)排序
7.1 測(cè) 例優(yōu)先級(jí)排序
7.1.1 測(cè) 例優(yōu)先級(jí)排序的定義
7.1.2 多目標(biāo)優(yōu)化問題
7.1.3 多目標(biāo)測(cè) 例優(yōu)先級(jí)排序
7.1.4 測(cè) 例集排序的評(píng)測(cè)指標(biāo)
7.2 基于人工免疫算法的測(cè) 例優(yōu)先級(jí)排序
7.2.1 優(yōu)化目標(biāo)選取
7.2.2 人工免疫算法
7.2.3 實(shí)驗(yàn)分析
7.3 基于多種群粒子群算法的多目標(biāo)測(cè) 例優(yōu)先級(jí)排序
7.3.1 優(yōu)化目標(biāo)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(biāo)測(cè) 例優(yōu)先級(jí)排序
7.3.4 實(shí)驗(yàn)分析
7.4 基于蝙蝠免疫算法的測(cè) 例集排序
7.4.1 優(yōu)化目標(biāo)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(biāo)蝙蝠免疫算法
7.4.5 實(shí)驗(yàn)分析
本章參考文獻(xiàn)