اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,244 |
| تعداد مقالات | 9,010 |
| تعداد مشاهده مقاله | 7,871,595 |
| تعداد دریافت فایل اصل مقاله | 4,721,566 |
تولید خودکار دادگان آزمون به کمک شبکه عصبی | ||
| علوم و فناوریهای پدافند نوین | ||
| مقاله 3، دوره 2، شماره 2 - شماره پیاپی 4، تیر 1390، صفحه 83-90 اصل مقاله (447.79 K) | ||
| نویسندگان | ||
| رضا ترکاشون* ؛ محمدرضا کنگاوری | ||
| دانشکدهمهندسیکامپیوتر، دانشگاه علم و صنعت ایران | ||
| تاریخ دریافت: 10 بهمن 1397، تاریخ بازنگری: 08 دی 1403، تاریخ پذیرش: 10 بهمن 1397 | ||
| چکیده | ||
| چکیده یکی از مراحل مهم آزمون نرم‌افزار شئ‌گرا، آزمون مستقل اشیا است.آزمون مستقل اشیا با دو مشکل روبه‌رو است: اولاً شئ مورد فراخوانی ممکن استروش‌هایی از اشیا دیگر را فراخوانی کندودر نتیجهبررسیمستقلآن ممکن نباشد. ثانیاً روش‌های فراخوانی شده ممکن است زمان‌بر باشند و باعث شوندآزمون شئ مورد نظر طولانی شود. یک راه‌حل برای رفع دو مشکل فوق، استفاده از اشیا جاعل است. اشیا جاعل روش-های مورد فراخوانی را شبیه‌سازی کند. اشیا جاعلی که تاکنون معرفی شده‌اند مبتنی بر جدول هستند و خود از مشکلات زمان‌بر بودن و مهمتر از آن عدم توانایی در شبیه‌سازی دقیق روش‌ها رنج می‌برند.از سوی دیگر دادگان آزمون کم می‌باشد وتولید خودکار موارد آزمون با حداکثر میزان پوشش مسیرهای اجراییدر برنامه‌های مورد آزمون مورد توجه بوده است. این مقاله شامل دو بخش پیشنهادی است، در بخش اول مقاله با استفاده از شبکه‌های عصبی عملکرد توابع خطی درون برنامه‌ها شبیه‌سازی می‌شود. همچنین با به‌کارگیری الگوریتم ژنتیک، بهترین زیر مجموعه از ورودی‌ها برای آموزش شبکه عصبی را از بین مجموعه بزرگی از ورودی‌ها که به صورت تصادفی ایجاد شده‌اند، در بخش دومتعیین می‌شود. در این تحقیق یک شئ جاعل مبتنی بر شبکه عصبی پیشنهاد می‌گردد که هر دو مشکل اشیا جاعل مبتنی بر جدول را رفع کند. آزمایش‌ها روی توابع ریاضی، منطقیوگسستهنشان می‌دهد کهروشپیشنهادی در هردو بخش، عملکرد مناسبی داشته‌اند. | ||
| کلیدواژه‌ها | ||
| کلیدواژه‌ها:شبکه‌های عصبی؛ آزمون مستقل اشیاء؛ شیء جاعل؛ الگوریتم ذوب فلز؛ الگوریتم ژنتیک | ||
| عنوان مقاله [English] | ||
| Automatic Test Data Generation Using Artificial Neural Networks | ||
| چکیده [English] | ||
| Abstract Independent object test is one of the important steps in the object-oriented software test. This kind of test is faced with two problems: firstly, the object which is under test may call methods of other objects and therefore, the independent test of the object becomes impossible. Secondly, the called methods may be time-consuming and as a result the test of the object takes a long time. In order to overcome these problems, a useful method is to use the faked object which simulates the called methods. Faked objects are usually implemented using a table. This table-based implementation results in different problems such as time-consuming table search operation, and more importantly, inability to exact simulation of called methods. Besides, test samples are rare and therefore automatic generation of test samples which span all the code paths within a method has become a challenging problem. In this paper, a new artificial neural net-work-based faked object is proposed which solves the two above-mentioned problems. This paper contains two pro-posed sections: in the first section, the operation of linear functions which are used in programs is simulated. In the second section, the best set of input parameters which are needed to train the artificial neural network of faked object is determined optimally using genetic algorithm. The superiority of the proposed methods is confirmed using different experiments for mathematical, logical and discrete functions. | ||
| کلیدواژه‌ها [English] | ||
| NeuralNetworks, IndependentObjectTest, FakedObject, SimulatedAnnealing, genetic algorithm | ||
|
آمار تعداد مشاهده مقاله: 552 تعداد دریافت فایل اصل مقاله: 126 |
||