CN104317721A - 一种基于改进和声搜索算法的回归测试用例选择方法 - Google Patents
一种基于改进和声搜索算法的回归测试用例选择方法 Download PDFInfo
- Publication number
- CN104317721A CN104317721A CN201410637810.8A CN201410637810A CN104317721A CN 104317721 A CN104317721 A CN 104317721A CN 201410637810 A CN201410637810 A CN 201410637810A CN 104317721 A CN104317721 A CN 104317721A
- Authority
- CN
- China
- Prior art keywords
- harmony
- test case
- function
- search algorithm
- outstanding
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进和声搜索算法的回归测试用例选择方法,包括如下步骤:首先在选定的测试用例集合中筛选出覆盖本次修改的敏感函数的测试用例。然后,根据选择的测试用例,选择适当的用例选择数学模型,确定模型的目标函数;使用改进的,带有一优秀和声元库EEL的和声搜索算法对所述的测试用例进行优化选择。优秀和声元库EEL每隔一定的搜索代数更新一次;其中存储有优秀和声元;所述的优秀和声元包括:总目标最优和声与次优和声的和声元组成的集合的交集;各个子目标最优和声与次优和声的和声元组成的集合的交集。
Description
技术领域
本发明涉及一种回归测试中用例的选择方法,尤其涉及一种基于改进和声搜索算法的回归测试用例选择方法。涉及专利分类号G06计算;推算;计数G06F电数字数据处理G06F11/00错误检测;错误校正;监控G06F11/36通过软件的测试或调试防止错误。
背景技术
回归测试是指对现有软件进行修改后,重新进行测试,以确认修改没有引入新的错误或对现有未修改的模块产生副作用。回归测试作为软件生命周期的一个重要的组成部分,在整个软件测试过工作占有相当大的比重,对保证软件质量具有重要意义。
在软件的生命周期中,为了修复软件错误或应对客户的需求变更,会被频繁地修改和不断推出新的版本,从而导致测试用例库中积累的测试用例数量急剧增加。由于软件的一次修改中,改动的模块有限,当前基线测试用例库中,会存在相当数量对本次修改的模块不敏感的测试用例,它们的错误发掘能力微乎其微。为了提高回归测试效率,需要针对本次修改,从测试用例库中选出具有较强回归错误发掘能力的测试用例集,这就是测试用例选择问题。
发明内容
本发明针对回归测试中用例优化选择的问题,而提出的一种基于改进和声搜索算法的回归测试用例选择方法,包括如下步骤:
首先在选定的测试用例集合中筛选出覆盖本次修改的敏感函数的测试用例。
然后,根据选择的测试用例,选择适当的用例选择数学模型,确定模型的目标函数;使用改进的,带有一优秀和声元库EEL的和声搜索算法对所述的测试用例进行优化选择。
优秀和声元库EEL每隔一定的搜索代数更新一次;其中存储有优秀和声元;所述的优秀和声元包括:总目标最优和声与次优和声的和声元组成的集合的交集;各个子目标最优和声与次优和声的和声元组成的集合的交集。
通过设置优秀和声元库EEL,可以在大量的测试用例中,选择针对本次修改敏感而且具有较强回归错误发掘能力的测试用例集,避免了传统回归测试中需要针对大量非敏感测试用例的运行,提升了回归测试效率,降低了测试成本。
更进一步的,相对于传统的和声搜索算法,带有优秀和声元库EEL的和声搜索算法,新和声元的生成方式也不同,主要方式如下:
A以概率HMCROriginally从和声记忆库HM中选择;
B以概率HMCRBest从优秀和声元库EEL中选择;
C以概率1-HMCRBest-HMCROriginally随机从决策变量的取值范围中选出一个;
D以概率(HMCRBest+HMCROriginally)×PAR从记忆库或优秀和声元库中选择并进行音高调节:
其中:RRandom=1-HMCRBest-HMCROriginally,RMemory=HMCROriginally,RExcellent=HMCRBest,RPitch=(HMCRBest+HMCROriginally)×PAR,EELS表示优秀和声库中的和声数量,HMS表示和声记忆库HM中的和声元数量,PAR为扰动概率。
更进一步的,考虑到和声搜索算法对算法参数,尤其是和声调整步长(或描述和声微调幅度)BW比较敏感,而现有和声算法中调整步长为固定值,如果该固定的调整步长非最佳选择,则会直接影响算法的搜索性能,故作为优选的实施方式,和声搜索算法中调整步长BW(gn)可进行自适应调节:
式中:MaxBW表示设定的调整步长参数最大值;MaxGn表示搜索停止代数;MaxGn3是MaxGn的立方,假设设定的搜索代数是10,则MaxGn3=103=1000。通过设置可自适应调节的参数,可以极大的优化算法的搜索性能,尤其相对于现有技术中采用固定值调整步长的和声搜索算法,效果更为明显。
作为优选的实施方式,在开始和声搜索之前,还包括对待测的代码进行变更分析:
—将代码分解成单个函数,对所述函数的语句进行标准化,将有效语句划为每行一条语句;
—对标准化处理后的新旧版本源文件进行静态分析,得到:
至少包含代码变更的函数FunChanged和调用所述变更的函数FunChanged的函数,即与变更函数有耦合关系的函数FunCoupling的敏感函数、软件核心函数。
作为优选的实施方式,所述的测试用例集合通过对待进行回归测试的程序进行源代码插桩,插入源代码的桩探针负责收集测试用例信息,并将捕获到的测试用例的执行路径、执行时间及覆盖函数的信息存放到数据库中得到。
更进一步的,在得到新和声之后,还具有对得到的新和声Xnew进行评价步骤:
如果Xnew优于当前和声记忆库中的最差和声Xworst,并且和声库中不存在与Xnew相同的和声,则用Xnew替换Xworst;
如果和声记忆库中的最优和声的适应度小于TBest的适应度,则用TBest取代和声记忆库中的最差和声。
更进一步的,考虑到算法生成的和声元可能与和声元记忆库中和声元重复。故还具有消除重复出现和声元的调整规则:
按照测试覆盖率由小到大的顺序对敏感函数进行排序得到函数序列Funs=(F1,F2,…,Fn),然后按照F1至Fn的顺序依次选出覆盖Funs中函数的测试用例来替换相同的和声元,直至该和声满足要求。
由于采用了上述技术方案,本发明提供的基于改进和声搜索算法的回归测试用例选择方法,可以针对某次修改的特定内容,从测试用例库中选出具有较强回归错误发掘能力的测试用例集,解决了回归测试用例优化选择问题,提高了回归测试效率,降低了测试成本。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
实施例1:一种基于改进和声搜索算法的回归测试用例选择方法,主要包括如下步骤:
第一步:获取所述测试用例的信息,至少获取每个测试用例覆盖函数的信息:在本发明中采用源代码插桩的方式获取测试用例必要的信息。
在进行测试之前,首先对修改后待测试的程序进行源代码插桩。插入源代码的桩探针负责收集测试用例信息,并将捕获到的测试用例的执行路径、执行时间及其它相关信息存放到数据库中。这些实际的运行信息为测试用例的优化选择和覆盖率分析创造了条件。在源代码插桩的基础上,通过运行原基线测试用例库T0中的测试用例,即可完成测试用例的录入工作。本步骤用于记录测试用例库中各个测试用例的运行时间、所覆盖的函数等信息,供后续处理使用。
第二步:对待测试的程序进行代码变更分析,得到程序修改的敏感函数,用于选择覆盖所述敏感函数的测试用例。
代码变更分析以函数为单位进行。首先将代码分解为一个个函数,并对函数中的语句进行标准化。语句标准化的主要目的是将有效语句格式化为每行一条语句,以便进行差异性比较。语句标准化的主要工作有五个:
一是删除注释语句;二是语句分解,即将存在于一行中的多条语句分解成一行一句;三是语句合成,即将分散于多行的语句合并成一行;四是处理大括号,即将语句中出现的“{”和“}”分离出来,独立成一行;五是判断语句处理,即若一行中存在“else”关键词紧跟在“if”关键词之后的情况时,将该if语句分离出来,独立成行。其次,通过对标准化处理后的新旧版本源文件的静态分析,得到代码中变更的函数FunChanged;然后在代码中查找调用FunChanged的函数,得到与变更函数有耦合关系的函数FunCoupling;最后通过与开发人员沟通,得到程序卖点的部分的函数、程序中最致命部分的函数和程序中比较脆弱的函数等其他敏感函数。
本步骤用于获得某新版本修改的函数、与修改函数有耦合关系的函数、软件的核心函数等敏感函数,后续的测试用例优化选择时,仅对覆盖这些敏感函数的测试用例进行,从而使得选出的测试用例工具有针对性,通过本步骤所采用的保优措施,防止在和声搜索过程中出现退化现象。
第三步,依据回归测试用例选择问题的数学模型,使用改进的和声搜索算法进行测试用例的优化选择。
首先确定数学模型:在本实施例中,设定的敏感函数的集合为FSensitive={fS1,fS2,….,fSp},函数fSi的测试覆盖率为TCf Si;原基线测试用例库T0中有n个测试用例T0={t01,t02,…t0n};测试用例Ti的执行时间为Tti;选出的测试套件为STr={ts1,ts2,…tsr}。则测试用例选择问题的数学模型如下。
上式中,式(1)(2)(3)为各子目标最优,(1)(2)(3)的集合即为本实施例的总目标最优,其中(1),代表测试的平均覆盖率最大,(2)表示覆盖率的方差最小,(3)表示测试成本最小,其中p敏感函数的集合为FSensitive的大小;为为各个敏感函数测试覆盖率的平均值;δ(x)为各个敏感函数测试覆盖率的均方差;Tsummation(x)为测试用例总执行时间。在对各个目标进行标准化的基础上,经过线性加权可以将问题转换为以下模型:
如图1所示:针对上述目标函数的和声搜索算法的具体步骤如下:
STEP1初始化工作:
1.设定搜索代数HNS、决策变量数量ND(或描述为和声数量)、和声库大小HMS、优秀和声库选择概率HMCRBest、和声库选择概率HMCROriginally、调整概率PAR、调整步长BW和优秀和声库更新代数UN等算法参数。
2.初始化算法相关变量:
循环控制变量i、j=0;
积累概率链表
CumProbLIst=New List<double>();
CumProbLIst.Add(HMCRRound);
CumProbLIst.Add(HMCRRound+HMCRBest);
CumProbLIst.Add(HMCROriginally+HMCRBest+HMCRRound);
随机数dRoun=0.0;
最优和声HarmonyBest=new Harmony。
STEP2初始化和声记忆库和优秀和声元库
使用随机生成的HMS(和声库容量)个解向量来初始化和声记忆库HM;根据和声库中的和声,生成优秀和声元库。
i=1~HNS;
生成和声:随机生成一个ND(决策变量数量)维解向量RSV;
评价和声:计算f(RSV)的值;
添加和声:将RSV添加到和声库(HM)中。
更新HarmonyBest。
STEP3:生成新的和声:
首先判定循环控制变量i%UN==0,即判定i是否是UN的整数倍。在算法应用时,每进化UN代更新一次优秀和声元库,在本实施例中,取UN=5,即每隔5代进行更新一次优秀合生元库。
1%5=1;2%5=2;3%5=3;4%5=4;5%5=0;
6%5=1;7%5=2;8%5=3;9%5=4;10%5=0。
然后判定随机数dRoun与CumProbList[0]、CumProbList[1]、CumProbList[2]的大小关系,如果CumProbList[0]<=dRoun<=CumProbList[0]则沿左边的路线执行,即从优秀和声库中选择和声元;如果dRoun>CumProbList[1]则沿中间的路径执行,即从现有和声库中选择和声元;如果dRoun<CumProbList[0]则沿中间的路径执行,即从现有和声库中选择和声元。
CumProbList[0]、CumProbList[1]、CumProbList[2]中存放的分别是HMCRRound、HMCRRound+HMCRBest、HMCROriginally+HMCRBest+HMCRRound通过上面三个判断可以达到“以概率HMCROriginally从记忆库中选择、以概率(HMCRBest)从EEL中选择、以概率(1-HMCRBest-HMCROriginally)随机从决策变量的取值范围中选出一个”的目的,这种处理方式是轮盘赌选择的一种。
新和声的和声元生成方式有三中:从优秀和声库选、从现有和声库中选、随机生成。通过前两中方式生成的和声元需要进行调整,调整概率为PAR。dRoun<PAR的意思是以概率PAR对新通过前两种方式生成的和声元进行调整
评价新和声HarmNew是在HarmNew的所有和声元均生成完成后进行的。即通过ND次的循环处理,生成了一个新的和声HarmNew,为了判断该和声的优劣,需要对其进行评价。
调整和声元即以一定的步长来改变xj的值。评价新和声HarmNew以一下模型为依据,判断新和声的优劣。
得等的每个和声即代表一个测试用例,可以通过编码将测试用例与一个和声对应起来,也可以通过解码将和声与一个测试用例对应起来。对HarmNew进行评价时,首先对其进行解码,得到该和声对应的测试用例,然后计算该测试用例对敏感函数的覆盖率的平均值及方差、执行时间等信息,然后根据下面的公式计算其适应度(即优劣值)
STEP4更新和声库HM:
如果HarmNew优于HM[worst]并且HM中不包含HarmNew,则HM[worst]←HarmNew;
保优:
如果HM[best]优于HarmonyBest则HarmonyBest←HarmNew;则HM[best]←HarmonyBest。
优秀和声元库的更新过程如下:假设总目标最优和声的和声元组成的集合为R1;总目标次优和声的和声元组成的集合为R2。敏感函数平均覆盖率最优和声的和声元组成的集合为R3;敏感函数平均覆盖率次优和声的和声元组成的集合为R4。敏感函数平均覆盖率方差最优和声的和声元组成的集合为R5;敏感函数平均覆盖率方差次优和声的和声元组成的集合为R6。总执行时间最优和声的和声元组成的集合为R7;总执行时间次优和声的和声元组成的集合为R8。
则优秀和声元库K=(R1∩R2)∪(R3∩R4)∪(R5∩R6)∪(R7∩R8)。每隔一定的进化代数就计算一次并更新一次K,使得适应度较高的和声的和声元能够被保存下来。
STEP5:检验停止标准:
在和声搜索算法中,HNS表示优化搜索的代数,该参数的值是用户根据自身需求人为设置的,比如如果将该值设置为50,则算法会循环执行50代优化搜索过程,每执行完一代搜索i值加1,直至i=HNS。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于改进和声搜索算法的回归测试用例选择方法,具有如下步骤:
—在选定的测试用例集合中筛选出覆盖本次修改的敏感函数的测试用例;
—依据回归测试用例选择数学模型,确定目标函数;使用具有优秀和声元库EEL的和声搜索算法对所述的测试用例进行优化选择;算法迭代结束时和声记忆库中保留的和声,即为本次回归测试的优选测试用例;
所述的优秀和声元库EEL每隔一定的搜索代数更新一次;其中存储有优秀和声元;所述的优秀和声元包括:总目标最优和声与次优和声的和声元组成的集合的交集;各个子目标最优和声与次优和声的和声元组成的集合的交集。
2.根据权利要求1所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于当所述的优秀和声元库中存在优秀和声元时,新和声元的生成方式如下:
A以概率HMCROriginally从和声记忆库HM中选择;
B以概率HMCRBest从优秀和声元库EEL中选择;
C以概率1-HMCRBest-HMCROriginally随机从决策变量的取值范围中选出一个;
D以概率(HMCRBest+HMCROriginally)×PAR从记忆库或优秀和声元库中选择并进行音高调节:
其中:RRandom=1-HMCRBest-HMCROriginally,RMemory=HMCROriginally,RExcellent=HMCRBest,RPitch=(HMCRBest+HMCROriginally)×PAR,EELS表示优秀和声库中的和声数量,HMS表示和声记忆库HM中的和声元数量,PAR为扰动概率。
3.根据权利要求1或2所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于:和声搜索算法中调整步长BW(gn)自适应调节:
式中:MaxBW表示设定的调整步长参数最大值;MaxGn表示搜索停止代数;MaxGn3是MaxGn的立方,假设设定的搜索代数是10,则MaxGn3=103=1000。
4.根据权利要求1所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于筛选覆盖本次修改的敏感函数的测试用例步骤之前还包括对待测的代码进行变更分析:
—将代码分解成单个函数,对所述函数的语句进行标准化,将有效语句划为每行一条语句;
—对标准化处理后的新旧版本源文件进行静态分析,得到:
至少包含代码变更的函数FunChanged和调用所述变更的函数FunChanged的函数,即与变更函数有耦合关系的函数FunCoupling的敏感函数、软件核心函数。
5.根据权利要求1所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于:对待进行回归测试的程序进行源代码插桩,插入源代码的桩探针负责收集测试用例信息,并将捕获到的测试用例的执行路径、执行时间及覆盖函数的信息存放到数据库中得到所述的测试用例集合。
6.根据权利要求1所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于具有对得到的新和声Xnew进行评价步骤:
如果Xnew优于当前和声记忆库中的最差和声Xworst,并且和声库中不存在与Xnew相同的和声,则用Xnew替换Xworst;
如果和声记忆库中的最优和声的适应度小于TBest的适应度,则用TBest取代和声记忆库中的最差和声;Tbest为从优化开始以来,搜索到的最优和声。
7.根据权利要求6所述的基于改进和声搜索算法的回归测试用例选择方法,其特征还在于具有消除重复出现和声元的调整规则:
按照测试覆盖率由小到大的顺序对敏感函数进行排序得到函数序列Funs=(F1,F2,…,Fn),然后按照F1至Fn的顺序依次选出覆盖Funs中函数的测试用例来替换相同的和声元,直至该和声满足要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410637810.8A CN104317721A (zh) | 2014-11-12 | 2014-11-12 | 一种基于改进和声搜索算法的回归测试用例选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410637810.8A CN104317721A (zh) | 2014-11-12 | 2014-11-12 | 一种基于改进和声搜索算法的回归测试用例选择方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104317721A true CN104317721A (zh) | 2015-01-28 |
Family
ID=52372956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410637810.8A Pending CN104317721A (zh) | 2014-11-12 | 2014-11-12 | 一种基于改进和声搜索算法的回归测试用例选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104317721A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN104809737A (zh) * | 2015-05-13 | 2015-07-29 | 江西理工大学 | 一种基于双策略和声搜索算法的柚子图像分割方法 |
CN105163325A (zh) * | 2015-09-25 | 2015-12-16 | 重庆工商大学 | 异构有向传感器网络部署方法 |
CN105631540A (zh) * | 2015-12-27 | 2016-06-01 | 哈尔滨米米米业科技有限公司 | 一种基于和声搜索算法的水下潜器路径规划系统 |
CN107329473A (zh) * | 2017-07-09 | 2017-11-07 | 江西理工大学 | 基于均值和声搜索的机器人巡检路径规划方法 |
CN111401037A (zh) * | 2020-06-05 | 2020-07-10 | 平安国际智慧城市科技股份有限公司 | 自然语言的生成方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678097A (zh) * | 2012-09-05 | 2014-03-26 | 百度在线网络技术(北京)有限公司 | 一种选择回归测试用例的方法和装置 |
CN103995781A (zh) * | 2014-06-10 | 2014-08-20 | 浪潮通用软件有限公司 | 一种基于模型的构件测试用例生成方法 |
US20140325480A1 (en) * | 2013-04-29 | 2014-10-30 | SuccessFactors | Software Regression Testing That Considers Historical Pass/Fail Events |
-
2014
- 2014-11-12 CN CN201410637810.8A patent/CN104317721A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678097A (zh) * | 2012-09-05 | 2014-03-26 | 百度在线网络技术(北京)有限公司 | 一种选择回归测试用例的方法和装置 |
US20140325480A1 (en) * | 2013-04-29 | 2014-10-30 | SuccessFactors | Software Regression Testing That Considers Historical Pass/Fail Events |
CN103995781A (zh) * | 2014-06-10 | 2014-08-20 | 浪潮通用软件有限公司 | 一种基于模型的构件测试用例生成方法 |
Non-Patent Citations (1)
Title |
---|
邢丹丹: "基于和声搜索技术的组合测试用例生成方法的研究", 《万方学位论文》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715490A (zh) * | 2015-04-09 | 2015-06-17 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN104715490B (zh) * | 2015-04-09 | 2017-05-03 | 江西理工大学 | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 |
CN104809737A (zh) * | 2015-05-13 | 2015-07-29 | 江西理工大学 | 一种基于双策略和声搜索算法的柚子图像分割方法 |
CN104809737B (zh) * | 2015-05-13 | 2017-04-26 | 江西理工大学 | 一种基于双策略和声搜索算法的柚子图像分割方法 |
CN105163325A (zh) * | 2015-09-25 | 2015-12-16 | 重庆工商大学 | 异构有向传感器网络部署方法 |
CN105163325B (zh) * | 2015-09-25 | 2018-03-13 | 重庆工商大学 | 异构有向传感器网络部署方法 |
CN105631540A (zh) * | 2015-12-27 | 2016-06-01 | 哈尔滨米米米业科技有限公司 | 一种基于和声搜索算法的水下潜器路径规划系统 |
CN107329473A (zh) * | 2017-07-09 | 2017-11-07 | 江西理工大学 | 基于均值和声搜索的机器人巡检路径规划方法 |
CN107329473B (zh) * | 2017-07-09 | 2020-02-07 | 江西理工大学 | 基于均值和声搜索的机器人巡检路径规划方法 |
CN111401037A (zh) * | 2020-06-05 | 2020-07-10 | 平安国际智慧城市科技股份有限公司 | 自然语言的生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104317721A (zh) | 一种基于改进和声搜索算法的回归测试用例选择方法 | |
Li et al. | Cerebro: context-aware adaptive fuzzing for effective vulnerability detection | |
Baresel et al. | Fitness function design to improve evolutionary structural testing | |
JP5144830B2 (ja) | パイプライン・オプティマイザ・システム | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
US8065243B2 (en) | Optimizing operations of a hydrogen pipeline system | |
US8584108B2 (en) | Method and apparatus for analyzing software | |
JP6501982B2 (ja) | 故障リスク指標推定装置および故障リスク指標推定方法 | |
CN102053910B (zh) | 一种基于aadl模态蜕变关系的嵌入式软件测试方法 | |
US20200191380A1 (en) | System and method for configuring boiler combustion model | |
CN103116540A (zh) | 基于全局超级块支配图的动态符号执行方法及其装置 | |
CN104765683B (zh) | 基于moea/d算法的回归测试用例多目标优化方法 | |
US8589898B2 (en) | Method and apparatus for analyzing software including a calibrated value | |
CN116432570A (zh) | 一种芯片的测试用例生成方法、装置及存储介质 | |
Clarke | Improving SLEUTH calibration with a genetic algorithm | |
EP3663874A1 (en) | Method and system for optimizing a manufacturing process based on a surrogate model of a part | |
US20200327393A1 (en) | Optimization system and control method for optimization system | |
CN110879778B (zh) | 一种新的动态反馈和改进型补丁评价的软件自动修复方法 | |
Maia et al. | A multi-objective approach for the regression test case selection problem | |
Mishra et al. | Analysis of test case prioritization in regression testing using genetic algorithm | |
Sharma et al. | Prediction of cost and emission from Indian coal-fired power plants with CO 2 capture and storage using artificial intelligence techniques | |
US20170220726A1 (en) | Method and system for performing a design space exploration of a circuit | |
Kumar et al. | A Bayesian belief network model for early prediction of reliability for computer-based safety-critical systems | |
JP6144220B2 (ja) | プログラムの検証方法 | |
Huang et al. | Application of Improved Harmony Search Algorithm in Test Case Selection. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150128 |
|
RJ01 | Rejection of invention patent application after publication |