基于人工智能的測試用例自動生成與測試用例集優(yōu)化

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(xiàn)
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(xiàn)
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(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)算對比實(shí)驗(yàn)
3.3.2 變量的動態(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 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(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 例生成時(shí)間預(yù)測
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 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(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 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(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 對于代碼片段性值的有效性驗(yàn)證
5.2.6 基于反向符號執(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 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(jià)性
5.3.4 LAtom的約束求解過程
5.3.5 實(shí)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(shí)現(xiàn)
5.4.3 實(shí)例分析
本章參考文獻(xiàn)
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(xué)建模
6.2 基于佳點(diǎn)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(diǎn)集螢火蟲算法
6.2.3 測 例集約簡建模
6.2.4 實(shí)驗(yàn)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(shí)驗(yàn)分析
本章參考文獻(xiàn)
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(biāo)優(yōu)化問題
7.1.3 多目標(biāo)測 例優(yōu)先級排序
7.1.4 測 例集排序的評測指標(biāo)
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(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 例優(yōu)先級排序
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 例優(yōu)先級排序
7.3.4 實(shí)驗(yàn)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(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)