CN110823226A - 一种基于蜕变测试技术的无人机智能航路规划测试方法 - Google Patents
一种基于蜕变测试技术的无人机智能航路规划测试方法 Download PDFInfo
- Publication number
- CN110823226A CN110823226A CN201911041300.3A CN201911041300A CN110823226A CN 110823226 A CN110823226 A CN 110823226A CN 201911041300 A CN201911041300 A CN 201911041300A CN 110823226 A CN110823226 A CN 110823226A
- Authority
- CN
- China
- Prior art keywords
- test
- metamorphic
- route planning
- aerial vehicle
- unmanned aerial
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明一种基于蜕变测试技术的无人机智能航路规划测试方法:步骤1、对无人机智能航路规划算法进行分析,定义蜕变关系,设计后续测试用例生成器和结果比较器;步骤2、利用随机值法在一定约束规则下,生成初始测试用例集,并输入算法中,得到测试用例的初始输出;步骤3、将初始测试用例集以及初始输出作为输入,通过后续测试用例生成器得到后续测试用例集以及相应后续输出;步骤4、将初始输出结果与后续输出结果输入到结果比较器。如果满足对应的蜕变关系,则测试通过,没有发现缺陷;否则,表明无人机智能航路规划算法中存在缺陷。本发明可缓解无人机智能航路算法测试中缺少Oracle问题;可指导生成测试用例;能提高测试用例的利用率。
Description
技术领域
本发明属于算法测试类的软件测试领域,尤其涉及一种基于蜕变测试技术的无人机智能航路规划测试方法。
背景技术
背景技术一:无人机航路规划技术
无人机航路规划的基本目标是自主的获得一条能够避开威胁安全到达目标的飞行路径。近些年来,航路规划问题的研究发展迅速,有很多文献对该问题从不同方面提出了建模与求解方法。这些研究可以分为两大类:一类是静态航路规划研究,即基于环境先验完全信息的航路规划。无人机根据全局完整环境威胁信息构造出一条起始点和目标点之间的安全、可行、满意的路径;另一类是实时航路规划研究,在这部分工作中假设威胁环境预先完全未知或部分未知。此时,无人机只能获取有限范围(通常是传感器探测范围)内的威胁信息,为了安全到达目标就需要在飞行过程中实时规划航路。
无人机静态路径规划的重点是如何在全部威胁环境已知的情况下计算得出一条全局优化路径。常用的规划方法包括:通过构造Voronoi图的方式搜索可行路径并优化;在学习阶段将威胁区域概率用图的形式描述,并在查询阶段构造两节点间的可行路径,或者采用概率路标法来构造路径;可视图法、Silhouettes法等。在已知全部威胁环境的情况下,这些方法可以针对全局威胁环境计算出安全可行或最优的飞行航路。目前已经有许多能够规划出全局最优的算法,例如在离散环境下基于图搜索的全局最优算法,比如A*算法及其各种变种算法(L*,D*,Jump Points等),在连续环境下基于概率的全局渐进最优算法比如PRM*,sPRM,和RRT*等。然而,在实现这些算法后,对于如何测试算法实现的正确性却面临着这样一个问题,即测试人员无法提前得到随机生成的测试场景的最优路径,也就无法判断程序的输出是否正确。
背景技术二:蜕变测试技术
软件测试有两个基本问题:Oracle问题和可靠的测试集问题。Oracle问题指的是验证给定测试用例的测试结果极其困难或不可能的情况;可靠的测试集问题是设计和选择有效的测试用例子集以测试程序正确性的挑战,因为通常不可能执行所有可能的测试用例。通常,如果被测程序存在Oracle问题,它也有可靠的测试集问题,因为没有选择有效测试用例的标准。因此,oracle问题一直是软件测试中最大的难题之一。缓解此问题的一种尝试是使用“伪Oracle”,其通过将来自算法的多个实现的结果与相同输入进行比较来检测程序,如果结果不相同,则可能在一个或两个实现中存在缺陷;但是,如果不存在多个实现或具有相同类型的缺陷,则此方法将不起作用。
与这种“伪oracle”方法不同,另一种有效的方法是蜕变测试(MT),它需要多个输入而不是实现。也就是说,如果成功(非故障)测试用例的输出的正确性未知,我们可以以某种方式修改该输入并根据原始输出预测相应的新输出。如果实际新输出与预期不符,则表示程序中可能存在缺陷。为了实现蜕变测试,第一步是找到一组属性,这些属性与目标程序的多对输入和输出相关,以修改原始输入并预测新输出。这些属性称为蜕变关系(MR),它是MT的核心元素。然后,在目标程序上执行基于这些蜕变关系构建的初始测试用例及其相应的后续测试用例,并检查它们的输出以查看它们是否满足其相应的MR。通过这种方式,这种方法可以生成测试用例并验证测试结果,从而解决这两个基本问题。
根据以上描述,蜕变测试具有许多优点。首先,通过使用蜕变关系比较初始测试用例和后续测试用例的结果,可以很容易地缓解Oracle问题。此外,与传统测试技术相比,它具有较低的成本,并且成本很高的唯一重要因素是蜕变关系的定义。为了使用MT,我们需要研究被测程序或算法的属性,以选择更为关键和有效的蜕变关系作为实现测试工作。因此,如果违反了蜕变关系,则算法的实现可能存在缺陷。
无人机智能航路规划算法中的最优路径规划算法可以确保找到给定输入场景中的最佳路径,因此确保路径规划算法的正确实现对其应用程序具有重要意义。然而,在为这些算法设计测试用例时,用户直接难以获得最佳路径。即使在许多情况下,在不正确的工具中的某些测试用例中也可以获得最佳路径。因此,由于传统的软件测试技术总是不适用于这些算法,给这类算法的测试带来了挑战。特别是,对于给定的最优路径规划算法,可能难以检测细微的错误,故障,缺陷或异常,因为可能难以或不可能确定计算输出的正确性,这被称为oracle问题。
路径规划领域的大部分研究工作都集中在路径规划算法的优化上,以提高算法的性能。然而,迄今为止,很少有人致力于对算法实现的正确性和可靠性进行形式分析。显然,这意味着即使算法优于其他路径规划算法,算法也无法在没有正确实现的情况下输出最优全局路径。因此,软件测试是必要的。
发明内容
本发明的目的在于针对背景技术提及的航路规划领域缺乏对算法实现的正确性和可靠性进行形式分析的问题,提出一种基于蜕变测试技术的无人机智能航路规划测试方法,测试方法的基本思想是:先对算法进行研究,提取算法特征和属性,定义好蜕变关系,并根据每个蜕变关系设计好后续测试用例生成器和输出结果比较器;然后设计初始测试用例生成策略,生成初始测试用例集和相应初始输出;再把初始测试用例和初始输出输入到后续测试用例生成器中,得到后续测试用例集,以及相应后续输出;最后用输出比较器比较初始输出和相应后续输出,如果满足相应蜕变关系,则表明没有发现缺陷,否则程序中存在缺陷。
蜕变测试技术在航路规划算法测试的应用过程如附图1所示,具体自动化测试流程图如附图2所示。
本发明方法整体实现步骤如下:
步骤一:定义蜕变关系
S1.1提取智能航路规划算法的特征,根据这些特征的属性设计蜕变关系定义结构框架,并从中提取有效的蜕变关系;
S1.2把蜕变关系结构划分为两部分,第一部分用来设计后续测试用例生成器,第二部分用来设计结果比较器;
步骤二:生成初始测试用例集
S2.1设计测试场景的输入内容,包括无人机起始点、任务目标点、以及包含威胁区域的飞行环境;
S2.2采用随机值方法在一个测试场景中随机生成测试场景内容,并在此基础上加入约束规则,使得测试场景具有一定的合理性,得到初始测试场景;
S2.3将初始测试场景输入到无人机智能航路规划算法中,得到初始输出;
步骤三:生成后续测试用例集
S3.1选择一个测试用例生成器,将初始测试用例及初始输出作为输入,改变初始测试场景的属性,得到相应后续测试用例;
S3.2将后续测试用例输入到无人机智能航路规划算法中,得到相应后续输出;
步骤四:将每一个初始测试用例的输出及相应后续测试用例的输出输入到结果比较器中,得到测试结果。其中,所述的测试结果中,如果两个结果的关系符合预期的关系,则表明当前的测试用例没有发现程序中有缺陷,否则,暗示程序中存在缺陷。
其中,在所述测试方法的整个测试过程中,将蜕变测试技术应用到无人机航路规划领域,设程序P实现路径规划算法f,其测试场景集合为<x1,x2,...,xn>,其中n≥2,它们相应的输出是<f(x1),f(x2),...,f(xn)>=<P(x1),P(x2),...,P(xn)>,若x1,x2,…,xn之间满足关系R时,f(x1),f(x2),…,f(xn)满足关系Rf,即,
称(R,Rf)是智能航路规划算法的一组蜕变关系,那么程序的输出也会满足同样的关系:
当得到的输出集合不满足我们定义的关系时,表明程序中存在缺陷。
其中,所述的步骤S1.1提取智能航路规划算法的特征,将输入分为三部分,即三个特征,输入集中的任何xi都可以表示为xi=(S,Env,T),其中i是输入的索引,S是起点的位置,T是目标的位置,Env是信息威胁环境,并将最优路径的长度作为比较结果,表示为|f(S,Env,T)|。
其中,所述的步骤S1.1根据这些特征的属性设计蜕变关系定义结构框架,具体设计了蜕变关系中定义转换输入测试场景关系R的双层架构,上层定义三个与S,Env和T相关的特征操作符,下层针对每个特征的属性定义子操作符,各特征操作符之间,以及各子操作符之间可以相互结果,生成更复杂的关系。
其中,所述步骤S1.2把蜕变关系结构划分为两部分,是以最优路径的长度|f(S,Env,T)|的比较为核心,将每个蜕变关系设计为两部分,第一部分是后续测试用例生成器,第二部分是输出结果比较器,用于输出测试结果,比较形式定义为两种形式:等式和不等式,并根据定义的关系R来选择相应的合适的比较关系。
其中,所述步骤S2.2,采用随机值法生成初始测试场景,无人机的起始坐标点S以及任务目标点T都是随机生成,飞行环境Env中威胁的大小和威胁的数量也随机生成。
其中,所述步骤S2.2,是在随机生成的初始测试场景中加入两条约束规则用来保证场景的合理性和一定的复杂性,即:
(1)对于生成的每个场景,起始点必须与目标点处于连通状态,以确保存在最优路径;
(2)起始点和任务目标点之间至少存在一个威胁,以防止无人机可以直接到达目标点。
相比现有技术,本发明具有以下优点:
1)将蜕变测试技术应用到航路规划算法的测试领域,并给出了测试流程,解决了最优航路规划算法测试存在Oracle的问题;
2)将蜕变关系划分为两部分,一部分用于生成后续测试用例,另一部分用于比较输出结果,并设计了自动化测试流程;
3)根据航路规划算法特征,将其输入场景进行了划分,并设计了针对航路规划算法的蜕变关系定义框架;
4)设计了随机生成加约束条件的测试场景生成策略,可以用于生成大量的复杂有效的初始测试用例。
综上,通过本发明中的测试方法,可以有效的测试出无人机智能航路规划算法的实现是否存在缺陷,并能够实现高度的自动化流程。
附图说明
图1蜕变测试在航路规划算法中的应用实现图
(图中:xi为初始测试场景,xi’为后续测试场景,|f(xi)|为初始测试场景输出的最短路径长度,|f(xi’)|为后续测试场景输出最短路径长度)
图2本发明方法流程图
图3测试场景示意图
图4测试场景特征划分及属性说明图
图5蜕变测试定义框图
具体实施方式
下面参照图2、图3、图4、和图5,对基于蜕变测试技术的无人机智能航路规划算法的测试方法进行详细说明:
步骤1:定义蜕变关系
S1.1将最优路径的长度(|f(S,Env,T)|)作为定义所有蜕变关系的中心,这意味着所有的蜕变关系应该与它相关;根据这个中心,将无人机航路规划测试场景划分为三部分,即起始坐标点S,任务目标点T和飞行环境Env,并且提取了每一部分的属性,如图4所示,S和T都具有坐标和数量两个属性,而Env除了坐标和数量属性外,还有一个半径属性。这样对于每个部分都可以定义一个蜕变的特征操作,即O-S,O-T和O-Env,同样,对于每一部分的属性都可以定义为子操作,根据提取的属性定义如下:
O-S:改变初始场景的无人机初始点的属性来改变场景;
Insert S:插入一个新的初始点,改变初始点的数量属性;
Move S:移动初始点坐标改变初始点的坐标属性;
O-T:改变初始场景的任务目标点的属性来改变场景;
Insert T:插入一个新的目标点,改变目标点的数量属性;
Move T:移动目标点坐标改变目标点的坐标属性;
O-Env:改变初始场景的任务目标点的属性来改变场景;
Add/Remove Env:增加或删除一个威胁,改变飞行环境的威胁数量属性;
Move Env:移动飞行环境威胁中心坐标改变飞行环境坐标属性;
Increse/Decrease Env:增大或减小一个威胁的半径,改变飞行环境的威胁半径属性;
在定义蜕变关系时,可以先确定特征操作,再确定属性子操作,这样就形成了双层定义法;同时,不同特征操作之间,不同子操作之间,甚至相同操作之间,都可以相互结合,形成更复杂的复合蜕变关系;定义的部分关系及复合关系如图5所示;
S1.2把蜕变关系结构划分为两部分,第一部分用来设计后续测试用例生成器,即是步骤S1.1中方法定义的关系;第二部分用来设计比较器,可以根据第一部分选取的关系,选择相应的比较关系,这里选择比较量为最优路径的长度,并提供了等式和不等式两种比较形式,设计的蜕变关系设计框架如图5所示;
步骤2:生成初始测试用例集
S2.1设计测试场景的输入内容,包括1个无人机起始点,1个任务目标点,以及包含威胁区域的飞行环境等,每个威胁在二维平面内建模为圆形,威胁大小生成范围为[r1,r2],个数范围为[n1,n2],典型测试场景如图3所示;
S2.2采用随机值方法在一个场景中随机生成测试场景内容,并在此基础上加入约束规则,使得测试场景具有一定的合理性,得到初始测试场景,即初始测试用例,生成过程如下:
(a)在范围[n1,n2]中生成一个数字p,作为此场景威胁数量;
(b)在范围[r1,r2]中,在二维直角坐标系规定范围内随机生成一个半径为r的威胁,威胁个数q=q+1;
(c)q是否等于p?是,转到(d);否,回到(b);
(d)在二维直角坐标系范围内随机生成一个点s作为起始点;
(e)s是否在威胁范围内?是,返回(d);否,转到(f);
(f)在二维直角坐标系范围内随机生成一个点t作为目标点;
(g)t是否在威胁范围内?是,返回(f);否,转到(h);
(h)s与t是否连通?是,转到(g);否,返回(f);
(i)s与t连线之间是否存在威胁?是,转到(j);否,返回(f);
(j)输出生成的测试场景;
S2.3将初始测试场景输入到无人机智能航路规划算法中,得到初始测试用例的输出;
步骤3:生成后续测试用例集
S3.1选择一个测试用例生成器,将S2.2得到的初始测试用例及其
S2.3得到的初始输出作为输入,改变初始测试场景的某个或几个属性,得到相应后续测试用例;
S3.2将后续测试用例输入到无人机智能航路规划算法中,得到相应后续输出,如图2所示;
步骤4将每一个由S2.3得到的初始测试用例的输出及相应由S3.2得到的后续测试用例的输出输入到结果比较器中,如果两个结果的关系符合预期的关系,则表明当前的测试用例没有发现程序中有缺陷,否则,暗示程序中存在缺陷。
Claims (7)
1.一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于,该方法主要包括以下步骤:
步骤一:定义蜕变关系
S1.1提取智能航路规划算法的特征,根据这些特征的属性设计蜕变关系定义结构框架,并从中提取有效的蜕变关系;
S1.2把蜕变关系结构划分为两部分,第一部分用来设计后续测试用例生成器,第二部分用来设计结果比较器;
步骤二:生成初始测试用例集
S2.1设计测试场景的输入内容,包括无人机起始点、任务目标点、以及包含威胁区域的飞行环境;
S2.2采用随机值方法在一个测试场景中随机生成测试场景内容,并在此基础上加入约束规则,使得测试场景具有一定的合理性,得到初始测试场景;
S2.3将初始测试场景输入到无人机智能航路规划算法中,得到初始输出;
步骤三:生成后续测试用例集
S3.1选择一个测试用例生成器,将初始测试用例及初始输出作为输入,改变初始测试场景的属性,得到相应后续测试用例;
S3.2将后续测试用例输入到无人机智能航路规划算法中,得到相应后续输出;
步骤四:将每一个初始测试用例的输出及相应后续测试用例的输出输入到结果比较器中,得到测试结果;其中,所述的测试结果中,如果两个结果的关系符合预期的关系,则表明当前的测试用例没有发现程序中有缺陷,否则,暗示程序中存在缺陷。
3.根据权利要求1所述的一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于:所述的步骤S1.1提取智能航路规划算法的特征,将输入分为三部分,即三个特征,输入集中的任何xi都可以表示为xi=(S,Env,T),其中i是输入的索引,S是起点的位置,T是目标的位置,Env是信息威胁环境,并将最优路径的长度作为比较结果,表示为|f(S,Env,T)|。
4.根据权利要求1所述的一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于:所述的步骤S1.1根据这些特征的属性设计蜕变关系定义结构框架,具体设计了蜕变关系中定义转换输入测试场景关系R的双层架构,上层定义三个与S,Env和T相关的特征操作符,下层针对每个特征的属性定义子操作符,各特征操作符之间,以及各子操作符之间可以相互结果,生成更复杂的关系。
5.根据权利要求1所述的一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于:所述步骤S1.2把蜕变关系结构划分为两部分,是以最优路径的长度|f(S,Env,T)|的比较为核心,将每个蜕变关系设计为两部分,第一部分是后续测试用例生成器,第二部分是输出结果比较器,用于输出测试结果,比较形式定义为两种形式:等式和不等式,并根据定义的关系R来选择相应的合适的比较关系。
6.根据权利要求1所述的一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于:所述步骤S2.2,采用随机值法生成初始测试场景,无人机的起始坐标点S以及任务目标点T都是随机生成,飞行环境Env中威胁的大小和威胁的数量也随机生成。
7.根据权利要求6所述的一种基于蜕变测试技术的无人机智能航路规划测试方法,其特征在于:所述步骤S2.2,是在随机生成的初始测试场景中加入两条约束规则用来保证场景的合理性和一定的复杂性,即:
(1)对于生成的每个场景,起始点必须与目标点处于连通状态,以确保存在最优路径;
(2)起始点和任务目标点之间至少存在一个威胁,以防止无人机可以直接到达目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041300.3A CN110823226B (zh) | 2019-10-30 | 2019-10-30 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911041300.3A CN110823226B (zh) | 2019-10-30 | 2019-10-30 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110823226A true CN110823226A (zh) | 2020-02-21 |
CN110823226B CN110823226B (zh) | 2021-04-30 |
Family
ID=69551208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911041300.3A Active CN110823226B (zh) | 2019-10-30 | 2019-10-30 | 一种基于蜕变测试技术的无人机智能航路规划测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110823226B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶系统的蜕变测试方法 |
CN111858347A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通模型正确性的蜕变测试方法 |
CN113094277A (zh) * | 2021-04-23 | 2021-07-09 | 广州粒子微电子有限公司 | 芯片测试用例管理方法及装置 |
CN113778865A (zh) * | 2021-08-27 | 2021-12-10 | 南华大学 | 一种蜕变测试的测试用例自适应随机生成方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620566A (zh) * | 2009-07-23 | 2010-01-06 | 北京航空航天大学 | 一种动态随机测试方法 |
CN102053910A (zh) * | 2010-11-18 | 2011-05-11 | 西北工业大学 | 一种基于aadl模态蜕变关系的嵌入式软件测试方法 |
CN102170378A (zh) * | 2011-04-22 | 2011-08-31 | 北京科技大学 | 一种无需预期的Web服务测试方法 |
CN103885876A (zh) * | 2012-12-21 | 2014-06-25 | 百度在线网络技术(北京)有限公司 | 测试方法及设备 |
CN104598381A (zh) * | 2015-01-26 | 2015-05-06 | 中国人民解放军理工大学 | 一种蜕变测试中失效测试用例的定位方法 |
US20150324646A1 (en) * | 2014-05-08 | 2015-11-12 | Brown University | Navigation methods and apparatus for the visually impaired |
CN109447968A (zh) * | 2018-10-29 | 2019-03-08 | 北京京航计算通讯研究所 | 图像区域生长算法的蜕变测试系统 |
-
2019
- 2019-10-30 CN CN201911041300.3A patent/CN110823226B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620566A (zh) * | 2009-07-23 | 2010-01-06 | 北京航空航天大学 | 一种动态随机测试方法 |
CN102053910A (zh) * | 2010-11-18 | 2011-05-11 | 西北工业大学 | 一种基于aadl模态蜕变关系的嵌入式软件测试方法 |
CN102170378A (zh) * | 2011-04-22 | 2011-08-31 | 北京科技大学 | 一种无需预期的Web服务测试方法 |
CN103885876A (zh) * | 2012-12-21 | 2014-06-25 | 百度在线网络技术(北京)有限公司 | 测试方法及设备 |
US20150324646A1 (en) * | 2014-05-08 | 2015-11-12 | Brown University | Navigation methods and apparatus for the visually impaired |
CN104598381A (zh) * | 2015-01-26 | 2015-05-06 | 中国人民解放军理工大学 | 一种蜕变测试中失效测试用例的定位方法 |
CN109447968A (zh) * | 2018-10-29 | 2019-03-08 | 北京京航计算通讯研究所 | 图像区域生长算法的蜕变测试系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111830935A (zh) * | 2020-07-23 | 2020-10-27 | 深圳慕智科技有限公司 | 一种面向自动驾驶系统的蜕变测试方法 |
CN111858347A (zh) * | 2020-07-23 | 2020-10-30 | 深圳慕智科技有限公司 | 一种基于智能交通模型正确性的蜕变测试方法 |
CN113094277A (zh) * | 2021-04-23 | 2021-07-09 | 广州粒子微电子有限公司 | 芯片测试用例管理方法及装置 |
CN113778865A (zh) * | 2021-08-27 | 2021-12-10 | 南华大学 | 一种蜕变测试的测试用例自适应随机生成方法 |
CN113778865B (zh) * | 2021-08-27 | 2023-07-18 | 南华大学 | 一种蜕变测试的测试用例自适应随机生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110823226B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110823226B (zh) | 一种基于蜕变测试技术的无人机智能航路规划测试方法 | |
Dreossi et al. | Efficient guiding strategies for testing of temporal properties of hybrid systems | |
Dang et al. | Coverage-guided test generation for continuous and hybrid systems | |
Luo et al. | An abstraction-free method for multirobot temporal logic optimal control synthesis | |
US20070244678A1 (en) | Design Optimization System and Method | |
Li et al. | Automatically and accurately matching objects in geospatial datasets | |
US20180095861A1 (en) | Automated Test Generation for Structural Coverage for Temporal Logic Falsification of Cyber-Physical Systems | |
Kapinski et al. | Simulation-guided approaches for verification of automotive powertrain control systems | |
CN105718628A (zh) | 面向公差技术的装配体几何要素误差传递关系图表示和构建方法 | |
Klarner et al. | Basins of attraction, commitment sets, and phenotypes of Boolean networks | |
Mo et al. | Network simplification and k-terminal reliability evaluation of sensor-cloud systems | |
CN104462662A (zh) | 水下生产设施虚拟装配方法 | |
CN104486222B (zh) | 基于蚁群优化算法的小时延缺陷测试关键路径选择方法 | |
Ubar et al. | Structural fault collapsing by superposition of BDDs for test generation in digital circuits | |
CN112989526B (zh) | 一种基于核极限学习机的航空网络关键节点识别方法 | |
US9606773B2 (en) | Simulation-guided incremental stability analysis | |
Dang | Model-Based Testing of Hybrid Systems. | |
CN113865589A (zh) | 一种基于地形坡度的长距离快速路径规划方法 | |
Balbo et al. | First passage time computation in tagged GSPNs with queue places | |
CN103888460A (zh) | 基于状态空间搜索的控制器局域网协议验证方法 | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
Wu et al. | Counterexample-guided distributed permissive supervisor synthesis for probabilistic multi-agent systems through learning | |
Fu et al. | Abstractions and sensor design in partial-information, reactive controller synthesis | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
Wu et al. | A high-throughput and arbitrary-distribution pattern generator for the constrained random verification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |