CN102708047B - 数据流测试用例生成方法 - Google Patents
数据流测试用例生成方法 Download PDFInfo
- Publication number
- CN102708047B CN102708047B CN201210118820.1A CN201210118820A CN102708047B CN 102708047 B CN102708047 B CN 102708047B CN 201210118820 A CN201210118820 A CN 201210118820A CN 102708047 B CN102708047 B CN 102708047B
- Authority
- CN
- China
- Prior art keywords
- branch
- test case
- variable
- fitness
- predicate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种数据流测试用例生成方法,采用遗传算法来搜索满足数据流测试准则的测试用例,在该方法中,适应度按如下公式计算:;其中,fitness(t)表示适应度,m表示测试用例t已经覆盖的路径条数,n表示程序总的需要覆盖的路径条数,p表示在未覆盖的(n-m)条路径中包含的分支谓词数量,所述分支谓词为程序分支的条件表达式,α表示分支谓词对适应度的影响权重因子,fi(x)表示程序第i个分支的分支函数值。该方法有利于提高数据流测试用例生成算法的收敛速度。
Description
技术领域
本发明涉及一种数据流测试用例生成方法。
背景技术
软件测试的一个重要的特征就是根据所要测试对象的特点来设计相应的测试用例。测试用例的设计是软件测试的首要环节,对后期测试工作具有重要的指导作用,也是高质量软件的根本保证。
至今,国内外专家学者提出了各种测试用例自动生成算法,然而基于数据流测试的测试用例自动生成算法研究得较少。数据流测试用例自动生成算法 (Automatic testcase generation algorithm for data flow,简记为ATGAFDF) 是其中之一,ATGAFDF算法主要采用遗传算法来搜索满足数据流测试准则的测试用例,然而ATGAFDF算法的适应度函数设计的过于简单,使得算法的收敛较慢。
发明内容
本发明的目的在于提供一种数据流测试用例生成方法,该方法有利于提高数据流测试用例生成算法的收敛速度。
本发明的目的是这样实现的:一种数据流测试用例生成方法,采用遗传算法来搜索满足数据流测试准则的测试用例,在该方法中,适应度按如下公式计算:
其中,fitness(t)表示适应度,m表示测试用例t已经覆盖的路径条数,n表示程序总的需要覆盖的路径条数,p表示在未覆盖的(n-m)条路径中包含的分支谓词数量,所述分支谓词为程序分支的条件表达式,α表示分支谓词对适应度的影响权重因子,fi(x)表示程序第i个分支的分支函数值,分支函数的构造方法为:
(1)若分支谓词为A>B或A≥B,则分支函数为;
(2)若分支谓词为A<B或A≤B,则分支函数为;
(3)若分支谓词为A==B,则分支函数为;
(4)若分支谓词为A!=B,则分支函数为;
其中,A、B 表示表达式,abs( )表示求表达式绝对值。
本发明的有益效果是改进了数据流测试用例自动生成算法的适应度函数,在算法中考虑了分支条件的取值对测试路径的贡献,不仅提高了算法的收敛速度,而且使算法不容易陷入局部最优解中,具有很强的实际意义。
附图说明
图1是某个程序片段的控制流图。
图2是本发明的实施原理图。
具体实施方式
本发明的数据流测试用例生成方法,采用遗传算法来搜索满足数据流测试准则的测试用例,在该方法中,适应度按如下公式计算:
其中,fitness(t)表示适应度,m表示测试用例t已经覆盖的路径条数,n表示程序总的需要覆盖的路径条数,p表示在未覆盖的(n-m)条路径中包含的分支谓词数量,所述分支谓词为程序分支的条件表达式,α表示分支谓词对适应度的影响权重因子,取0.5,fi(x)表示程序第i个分支的分支函数值,分支函数的构造方法为:
(1)若分支谓词为A>B或A≥B,则分支函数为;
(2)若分支谓词为A<B或A≤B,则分支函数为;
(3)若分支谓词为A==B,则分支函数为;
(4)若分支谓词为A!=B,则分支函数为;
其中,A、B 表示表达式,abs( )表示求表达式绝对值。
本发明还采用了新的编码策略:
设程序有k个输入变量,第i个输入变量表示为xi,其中1≤i≤k,xi的取值集合为Di,程序的一个测试用例表示为,测试用例的变量编码方法为:
对于数值型变量,设变量xi的取值集合Di=[ai,bi],精度要求为di,mi是满足条件的最小整数,将变量xi用长度为mi的二进制编码串表示,其中,二进制编码串si到变量xi的映射按如下公式计算:
对于布尔型变量,只有真和假两种取值,无需进行编码;对于字符型变量,采用ASCII码转换成二进制串进行编码;对于字符串变量,将字符串看成是多个字符的连接,用所述字符串变量所包含字符的编码进行连接,或先将字符串进行分类,然后用索引来代表字符串,只对索引进行编码。
对于数值型变量,若变量xi必须是整数,则在换算过程中,按如下公式进行强制转换:
其中,(int)( )表示求整运算。
下面对本发明涉及的相关内容作进一步说明。
1、编码策略
使用遗传算法求解问题时,必须先将目标问题的实际表示与遗传算法的染色体位串结构之间建立映射关系,这一过程即为编码。编码就是将目标问题的解用一种特定字符串来表示。
本发明设程序P有k个输入变量,第i个输入变量表示为xi,其中1≤i≤k,Di(1≤i≤k)表示第i个变量xi的取值集合,叫做xi的定义域(xi∈Di)而表示一个向量,该向量表示程序P的一个测试输入或者叫做测试用例。
(1)数值型变量编码
若变量xi的取值集合Di=[ai,bi],精度要求为di,则Di可以离散化成包含个元素的集合。若mi是满足条件的最小整数,则变量xi可以用长度为mi的二进制编码串表示。二进制编码串si到变量xi的映射(即解码)可以用如公式(1)计算:
(1)
若参数必须是整数,则可在换算过程中使用强制转换,如公式(2)所示:
(2)
(2)非数值变量编码
布尔型变量:无需进行编码,因为其只有真和假两种可能的取值。
字符型变量:字符型变量可以用其ASCII码换成二进制串进行编码。
字符串变量:字符串可以看成是多个字符的连接,故字符串编码用其所包含字符编码的连接。也可以根据等价类划分或边界值分析等先将字符串进行分类,然后用索引来代表字符串,只对索引进行编码。
2、适应度函数
在遗传算法中,使用适应度函数对染色体进行评价,一般来说,适应度高的染色体的评价较高,适应度低的染色体评价较低而可能被淘汰,因此,适应度函数直接决定了种群的进化方向,对算法的好坏具有很大影响。同时,适应度函数的复杂度是遗传算法复杂度的主要组成部分,因此适应度函数要求尽可能简单。
在测试路径覆盖准则下,评价一个测试用例(染色体)的好坏必须将测试数据输入到程序中执行并记录测试路径的覆盖率。若根据数据流测试覆盖准则计算出的路径共有n条,H={h1,h2,……, hn},而某个测试用例t覆盖了其中的m条测试路径,则测试用例t的适应度函数可以用公式(3)计算:
(3)
ATGAFDF算法即采用的这种适应度计算公式,并且其采用了全使用路径覆盖准则,所以相应的适应度函数可以用公式(4)表示:
(4)
上式的含义是一个测试用例(染色体)覆盖的测试路径条数越多其适应度值也就越大。但是这种适应度函数的计算完全忽略了分支谓词对测试路径的影响。随着分支取真值和取假值的不同,测试用例覆盖的测试路径是决然不同的,因此,本发明提出了一种改进的适应度计算方法。
适应度函数计算的改进思想在于:对于一个测试用例t来说,其覆盖了一些测试路径,而对于那些未能覆盖的测试路径来说,主要是因为这些路径上的某个分支条件取值为假导致在测试路径上的后续语句得不到执行的机会,否则对于一个顺序结构的程序来说,每条语句肯定会按顺序依次被执行。所以,如果只是简单的将已经覆盖了测试路径数来计算适应度函数忽略了分支条件的取值对测试路径的贡献,不仅降低了算法的收敛速度而且容易使算法陷入局部最优解中。
图1是某个程序片段的控制流图。从图中可以看出在条件语句if (a > b)取假的情况下,包含节点3、4、5、6的所有路径都无法被覆盖。假如对于两个测试用例t1、t2,他们覆盖相同的测试路径,并且在节点2到节点3上的条件语句都为假,即a≤b。但是对于测试用例t1来说其a的值更接近b的值,则可以认为测试用例t1的适应度值更好,因为其离a>b的条件期望值更近,所以其更可能在染色体的交叉变异过程中产生满足条件语句为真的染色体,从而覆盖包含节点3、4、5、6的测试路径。因此,本发明中引入分支函数来改善相应的适应度计算。
在控制流图中,每个分支都可以用一个条件表达式来表示,该条件表达式称为分支谓词,其作用是描述了程序遍历该分支下语句的条件,如判断语句“if(a>b)...”中分支谓词为“a>b”。
分支谓词的一般形式可表示为:A op B,其中是关系运算符,A和B是表达式。分支函数的构造方法为:
(1)若分支谓词为A>B或A≥B,则分支函数为;
(2)若分支谓词为A<B或A≤B,则分支函数为;
(3)若分支谓词为A==B,则分支函数为;
(4)若分支谓词为A!=B,则分支函数为;
其中,A、B 表示表达式,abs( )表示求表达式绝对值。
如程序有个条件语句为if(x≥20),为了保证该条件取真值的分支被执行,则必须保证在执行这条语句前变量x的值大于等于20,为了确定x的值的最简单的办法就是if语句被执行之前记录一下x的值,假如用eval(x)表示条件语句执行时x 的值,则判断条件为真的分支执行与否可以转化为如式(5)函数的最小化问题:
(5)
f(x)可以看成是测试用例逼近最优解的情况,f(x)的值越小,测试用例就越接近最优解。于是就可以把f(x)的值作为评价测试用例的好坏的标准之一,并用来优化遗传算法。
假如测试用例(染色体)t已经覆盖的路径条数为m,总的需要覆盖的路径条数为n,在未覆盖的n-m条路径中包含的被执行谓词数量为p,则适应度函数如公式(6)所示:
(6)
其中是分支谓词对适应度函数的影响权重因子,取0.5,fi(x)是第i个分支的分支函数值。
3、遗传策略
遗传算法的基本运算过程如下:
a)初始化:设置进化代数计数器t=0,设置最大进化代数T,随机生成M个个体作为初始群体P(0)。
b)个体评价:计算群体P(t)中各个个体的适应度。
c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。
d)交叉运算:将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。
e)变异运算:将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。
f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。
3.1 选择策略
遗传算法中常用的染色体选择方法有轮盘赌转法、随机抽样法等,其中以轮盘赌转法最为常见,该算法将所有染色体的适应度总和看做一个圆形轮子的周长,而每个染色体按其适应度值在所有个体总适应度值的比例占据一个扇区区域。每次进行选择时就相当于转动一次轮盘,转到的扇区表示其对应染色体被选中。本发明采用了轮盘赌转法。假设种群总大小为popsize,则采用轮盘赌的染色体选择策略如下:
1)计算每一个染色体ti的适应度
2)计算所有染色体的适应度总和
3)计算每个染色体选择概率
4)计算每个染色体的累积概率
然后按照如下方式需要选择交叉的父染色体:
1) 随机产生[0,1]之间的浮点数;
2)如果r<qi,则选择第一个染色体,否则选择第i个染色体ti(1≤i≤popsize),其中。共选择popsize个,其中有些染色体可能会被重复选择。
3.2 交叉策略
交叉运算是遗传算法中产生新个体的主要手段,其模拟的是生物学中的杂交现象。交叉运算通过使两个个体的局部交换而使双方的优点有可能结合产生更好的新个体。一般控制产生交叉运算的概率Pc 为0.5至0.8 ,这样平均会有Pc*popsize个染色体进行交叉。
在二进制编码中,根据交叉点的不同可以分为单点交叉、两点交叉、均匀交叉等。本发明中采用的是单点交叉的方法,即首先在染色体的二进制编码中随机选取一个交叉点,然后将两个染色体在该点及之后的染色体部分进行交换。假如两个父染个体的编码为(a1a2……am)和(b1b2……bm), 随机产生的交叉点的位置为k(1≤i≤m),则交叉后产生的新个体的染色体为(a1a2…apbp+1…bm)和(b1b2…bpap+1…am)。
变异策略
变异运算模拟的是生物遗传中的基因突变现象。通过变异操作可以增强遗传算法中群体的多样性,防止未成熟收敛现象,同时也使遗传算法具备了局部随机搜索能力,是实现全局优化性能的重要算子之一。通常,变异的控制概率较小,Pm 一般取值为0.001至0.1。
在二进制编码方式中,变异运算即是将染色体某些基因位上的基因值取反,即0变1或1变0。一般变异个体的选择及变异位置都是随机确定的。二进制编码中的变异方法有基本位变异、均匀变异、高斯变异和二元变异等。
本发明采用的是基本位变异方法,即先随机选择某变异个体,再随机确定染色体的一个变异点将该码位取反。
4、自适应策略
在遗传算法中交叉率Pc和变异率Pm设置的好坏直接影响着算法的收敛速度[]。交叉率Pc保证了物种的多样性,若设置得太大,容易破坏适应度高的染色体,破坏了遗传算法的模式;若设置的太小,又不容易产生新的染色体,导致搜索速度缓慢。同样,若变异率Pm设置得太小则难以产生新的染色体,若设置得太大,导致对染色体破坏太大,以至于遗传算法退化成盲目的随机搜索算法。一种可行的办法是通过多次试验找到合适的Pc和Pm值,但是这样太繁琐,针对不同问题难以找到最优解。因此,本发明采用了一种自适应的遗传策略,根据染色体的适应度值动态设置Pc和Pm的值。当种群中的染色体趋于局部最优时,增加Pm和Pc的值,当种群中的染色体较为离散时,减少Pm和Pc的值。对于高于平均适应度的染色体设置较小的Pm和Pc值,使得优良物种得以保留;而对于低于平均适应度的染色体设置较高的Pm和Pc值,使得对应的个体被淘汰出去。这样既保证了物种的多样性又保证了算法的收敛速度。经过上述改进Pc和Pm的计算公式如(7)如下:
(7)
上式中Pc1=0.9, Pc2=0.6,Pm1=0.1,Pm2=0.001,其中favg为每一代群体的平均适应度值,f’为要交叉的两个个体中较大的适应度值,fmax为群体中最大的适应度值,f为要变异个体的适应度值。
5、结束条件
通常物种将根据遗传算法策略不断的繁衍,直到最优解出现。在本发明中需要记录已经覆盖的测试路径数,当所有的测试路径都被覆盖时则说明已经找到了最优解,算法结束。但是同时某些测试路径上的语句节点可能难以达到或者无法到达,因此需要为算法预先设定最大进化代数作为终止条件,通常可以取200代到500 代。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (3)
1.一种数据流测试用例生成方法,其特征在于:采用遗传算法来搜索满足数据流测试准则的测试用例,在该方法中,适应度按如下公式计算:
其中,fitness(t)表示适应度,m表示测试用例t已经覆盖的路径条数,n表示程序总的需要覆盖的路径条数,p表示在未覆盖的(n-m)条路径中包含的分支谓词数量,所述分支谓词为程序分支的条件表达式,α表示分支谓词对适应度的影响权重因子,fi(x)表示程序第i个分支的分支函数值,分支函数的构造方法为:
(1)若分支谓词为A>B或A≥B,则分支函数为;
(2)若分支谓词为A<B或A≤B,则分支函数为;
(3)若分支谓词为A==B,则分支函数为;
(4)若分支谓词为A!=B,则分支函数为;
其中,A、B 表示表达式,abs( )表示求表达式绝对值。
2.根据权利要求1所述的数据流测试用例生成方法,其特征在于:设程序有k个输入变量,第i个输入变量表示为xi,其中1≤i≤k,xi的取值集合为Di,程序的一个测试用例表示为,测试用例的变量编码方法为:
对于数值型变量,设变量xi的取值集合Di=[ai,bi],精度要求为di,mi是满足条件的最小整数,将变量xi用长度为mi的二进制编码串表示,其中,二进制编码串si到变量xi的映射按如下公式计算:
对于布尔型变量,只有真和假两种取值,无需进行编码;对于字符型变量,采用ASCII码转换成二进制串进行编码;对于字符串变量,一种编码方法是将字符串看成是多个字符的连接,用所述字符串变量所包含字符的编码进行连接,另一种编码方法是先将字符串进行分类,然后用索引来代表字符串,只对索引进行编码。
3.根据权利要求2所述的数据流测试用例生成方法,其特征在于:对于数值型变量,若变量xi必须是整数,则在换算过程中,按如下公式进行强制转换:
其中,int( )表示求整运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118820.1A CN102708047B (zh) | 2012-04-23 | 2012-04-23 | 数据流测试用例生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210118820.1A CN102708047B (zh) | 2012-04-23 | 2012-04-23 | 数据流测试用例生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102708047A CN102708047A (zh) | 2012-10-03 |
CN102708047B true CN102708047B (zh) | 2014-12-10 |
Family
ID=46900852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210118820.1A Expired - Fee Related CN102708047B (zh) | 2012-04-23 | 2012-04-23 | 数据流测试用例生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708047B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103605611A (zh) * | 2013-12-10 | 2014-02-26 | 浪潮电子信息产业股份有限公司 | 一种基于遗传算法的测试用例优化方法 |
CN104268077A (zh) * | 2014-09-23 | 2015-01-07 | 湖州师范学院 | 基于混沌遗传算法的测试用例集约简算法 |
CN104615535B (zh) * | 2015-01-29 | 2017-08-11 | 北方工业大学 | 一种基于扩展的数据流模型来生成测试用例的方法与装置 |
CN113672503B (zh) * | 2021-08-03 | 2024-08-27 | 中移(杭州)信息技术有限公司 | 测试用例的生成方法、系统、终端设备以及存储介质 |
CN114780439B (zh) * | 2022-06-13 | 2022-09-27 | 江西财经大学 | 一种面向参数路径流图的相似程序间测试用例的重用方法 |
CN116627973B (zh) * | 2023-05-25 | 2024-02-09 | 成都融见软件科技有限公司 | 一种数据定位系统 |
CN117472786B (zh) * | 2023-12-27 | 2024-04-12 | 道普信息技术有限公司 | 一种测试用例自动生成方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7236911B1 (en) * | 2004-06-16 | 2007-06-26 | Western Digital Technologies, Inc. | Using a genetic algorithm to select a subset of quality metrics as input to a disk drive failure prediction algorithm |
CN102141958A (zh) * | 2011-03-09 | 2011-08-03 | 中国矿业大学 | 面向缺陷的路径覆盖测试数据进化生成方法 |
CN102323906A (zh) * | 2011-09-08 | 2012-01-18 | 哈尔滨工程大学 | 一种基于遗传算法的mc/dc测试数据自动生成方法 |
CN102331966A (zh) * | 2011-01-10 | 2012-01-25 | 中国矿业大学 | 面向路径的软件测试数据进化生成系统 |
-
2012
- 2012-04-23 CN CN201210118820.1A patent/CN102708047B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7236911B1 (en) * | 2004-06-16 | 2007-06-26 | Western Digital Technologies, Inc. | Using a genetic algorithm to select a subset of quality metrics as input to a disk drive failure prediction algorithm |
CN102331966A (zh) * | 2011-01-10 | 2012-01-25 | 中国矿业大学 | 面向路径的软件测试数据进化生成系统 |
CN102141958A (zh) * | 2011-03-09 | 2011-08-03 | 中国矿业大学 | 面向缺陷的路径覆盖测试数据进化生成方法 |
CN102323906A (zh) * | 2011-09-08 | 2012-01-18 | 哈尔滨工程大学 | 一种基于遗传算法的mc/dc测试数据自动生成方法 |
Non-Patent Citations (4)
Title |
---|
Automatic State-Based Test Generation Using Genetic Algorithms;Raluca Lefticaru;《Ninth International Symposium on Symbolic and Numetric Algorithms for Scientific Computing》;20071231;全文 * |
Automatic Test Data Generation for Data Flow Tseting Using a Genetic Algorithm;Moheb R.Girgis;《Journal of Universal Computer Science》;20051231;第11卷(第6期);全文 * |
Moheb R.Girgis.Automatic Test Data Generation for Data Flow Tseting Using a Genetic Algorithm.《Journal of Universal Computer Science》.2005,第11卷(第6期),全文. * |
Raluca Lefticaru.Automatic State-Based Test Generation Using Genetic Algorithms.《Ninth International Symposium on Symbolic and Numetric Algorithms for Scientific Computing》.2007,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN102708047A (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708047B (zh) | 数据流测试用例生成方法 | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN112035116B (zh) | 多目标编译优化序列选择的代理建模方法 | |
CN104573820A (zh) | 一种用于带约束条件的工程优化问题的遗传算法 | |
CN104615869A (zh) | 一种基于相似度排挤的多种群模拟退火混合遗传算法 | |
CN102331966A (zh) | 面向路径的软件测试数据进化生成系统 | |
CN112016244B (zh) | 基于svm与智能算法的耐久性混凝土多目标配合比优化方法 | |
CN109815541B (zh) | 轨道交通车辆产品零部件模块划分方法、装置与电子设备 | |
CN109829244A (zh) | 算法优化深度网络和三代遗传算法的风机优化设计方法 | |
CN104504442A (zh) | 神经网络优化方法 | |
CN105184415A (zh) | 一种配电网络重构设计方法 | |
CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
CN108038538A (zh) | 基于强化学习的多目标进化算法 | |
CN106919504B (zh) | 一种基于ga算法的测试数据进化生成方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
CN101853202B (zh) | 一种基于遗传算法和带权匹配算法的测试案例自动生成方法 | |
CN108734349B (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及系统 | |
CN108803343B (zh) | 甲醇制烯烃反应器的控制方法及装置 | |
CN102663493A (zh) | 一种用于时间序列预测的迟滞神经网络 | |
CN102663230B (zh) | 一种基于遗传算法的土地资源评价因子级别划分方法 | |
Aguirre et al. | Space partitioning with adaptive ε-ranking and substitute distance assignments: a comparative study on many-objective mnk-landscapes | |
CN114217580B (zh) | 基于改进型差分进化算法的功能性纤维生产排产方法 | |
CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
CN114742173A (zh) | 一种基于神经网络的变压器故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141210 Termination date: 20190423 |