CN113051148B - 一种基于双基因链遗传算法的组合测试用例生成方法 - Google Patents

一种基于双基因链遗传算法的组合测试用例生成方法 Download PDF

Info

Publication number
CN113051148B
CN113051148B CN201911370929.2A CN201911370929A CN113051148B CN 113051148 B CN113051148 B CN 113051148B CN 201911370929 A CN201911370929 A CN 201911370929A CN 113051148 B CN113051148 B CN 113051148B
Authority
CN
China
Prior art keywords
gene
population
test case
double
individuals
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.)
Active
Application number
CN201911370929.2A
Other languages
English (en)
Other versions
CN113051148A (zh
Inventor
王子元
蔡艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201911370929.2A priority Critical patent/CN113051148B/zh
Publication of CN113051148A publication Critical patent/CN113051148A/zh
Application granted granted Critical
Publication of CN113051148B publication Critical patent/CN113051148B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/36Preventing errors by testing or debugging software
    • G06F11/3668Software testing
    • G06F11/3672Test management
    • G06F11/3684Test management for test design, e.g. generating new test cases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16BBIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Biotechnology (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明为一种基于双基因链遗传算法的组合测试用例生成方法:首先,随机生成每个个体的两条基因链,形成初始种群,初始化种群信息。以两条基因链所覆盖的t元组合个数为适应值进行排序,挑选M个个体作为父母体来繁衍后代,父母体以交叉概率确定是否基因分离交叉组合产生子体。对于新生成的子体以变异概率决定是否变异,评价新种群的适应值。如果新种群中存在最优子体,则跳出,否则繁殖到最大进化代数。若到最大进化代数后,新种群中仍不存在最优子体,则在当前种群中挑选出适应值最高的子体作为最优子体。最后将最优子体解码得到的测试用例加入到组合覆盖表中,更新未覆盖表。如果未覆盖表为空,算法结束,否则仍需进行搜索。

Description

一种基于双基因链遗传算法的组合测试用例生成方法
技术领域
本发明提出了一种基于双基因链遗传算法的组合测试用例生成方法,属于软件测试中组合测试的领域。
背景技术
软件测试是软件开发生命周期中不可或缺的一个重要环节。如果要保证一个软件系统的质量,需要对它进行详尽的测试。然而,在现实生活中,一个软件系统的参数可能有很多,这会导致完全测试的测试用例数量达到成千上万个,因此组合测试应运而生。组合测试,旨在用较少的测试用例来高效的定位引发故障的参数组合。
遗传算法是计算数学中用于解决最优化问题的搜索算法,也是最为经典的智能算法之一。目前已有利用传统遗传算法生成组合测试用例的方法,但是传统遗传算法采用实数编码,直接用一条测试用例表示基因,导致算法过早收敛,从而陷入局部最优。另外传统遗传算法将测试用例作为一个单基因个体,单基因染色体的遗传操作只有交叉变异却没有基因的分离重组,会造成模式丢失,不利于保持种群多样性。利用输入域缺陷定位技术进行故障定位时,在测试用例生成阶段,组合覆盖表中的测试用例差别较大检测出故障的概率才比较大,因此组合测试用例的多样性对之后的故障定位阶段有一定的影响。
由于传统遗传算法的这些不足,本发明提出了一种基于双基因链遗传算法的组合测试用例生成方法。双基因链符合生物遗传学大部分生物的细胞构成,即具有两个染色体,一条来自父体,一条来自母体。同时采用二进制编码生成个体的两条基因链,通过两条基因链“与”操作得到的结果码解码得到测试用例。通过二进制编码且采用双基因链结构的遗传算法来生成组合测试用例集,稳定性高,种群多样性大,避免了陷入局部最优的局面。
发明内容
为解决传统遗传算法存在的问题,本发明提出了一种基于双基因链遗传算法的组合测试用例生成方法。
本发明采用如下技术方案:
基于双基因链遗传算法的组合测试用例生成方法,包括以下步骤:
1)初始化种群信息,包含不限于个体的两条基因链,组合覆盖表CA,未被覆盖的t元组集合Uncover,控制参数;
2)对每个个体的两条基因链进行“与”操作,将结果码按照每个参数对应的编码规则解码得到测试用例tc;计算tc覆盖Uncover中t元组的个数作为适应值,更新种群的适应值数组F;
3)父代染色体分离重组,产生子代并评价新种群的适应值;若新种群存在最优双基因链个体s,则转5),否则,重复该步骤直至进化代数达到最大进化代数;
4)在当前种群中挑选适应值最高的一条双基因链个体s;
5)将s解码得到的测试用例tcs加入到CA,更新Uncover;若Uncover为空,算法结束;否则,转3);
进一步的,所述步骤1的具体步骤如下:
步骤1.1)初始化控制参数,包括初始化种群规模M,初始化进化代数T,初始化交叉概率P1,初始化变异概率P2,初始化种群个体的适应值数组F;
步骤1.2)根据步骤1.1)的初始种群规模M,同时根据待测系统的每个参数的取值范围制定编码规则,随机生成每个个体的两条基因链,形成初始种群;
步骤1.3)初始化组合覆盖表CA为空集,初始化未被覆盖的t元组集Uncover为待测系统的所有t个参数组合的可能取值;
进一步的,所述步骤2中的解码公式如下:
f(x),x∈[lower_bound,upper_bound];
x=lower_bound+decimal(chromosome)×(upper_bound-lower_bound)/(2^chromosome_size-1);
其中,decimal()表示将二进制转化为十进制的函数,lower_bound表示函数定义域的下限,upper_bound表示函数定义域的上限,chromosome_size表示染色体的长度;
进一步的,所述步骤3的具体步骤如下:
步骤3.1)选择父、母体繁殖后代;将上一代的个体按照适应度值进行排序,挑选出规模为M的个体;
步骤3.2)根据步骤3.1)中挑选的M个个体,随机选择两个个体作为父体和母体,以P1的交叉概率进行交叉配对;
步骤3.3)若父体和母体确定交叉,父母体两条基因链分离组合,交配产生新的子代个体;
步骤3.4)根据步骤3.3)得到的子代个体,以P2的变异概率对子代的两条基因链进行变异;若确定变异,则随机挑选基因位进行取反操作;
步骤3.5)根据步骤3.4)得到的新种群,分别评价每个个体的适应值;若种群出存在最优双基因链个体,则进入步骤5;
步骤3.6)重复步骤3.1至3.5,直到达到最大进化代数T;
进一步的,所述步骤3.3)的具体步骤如下:
步骤3.3.1)父母体基因分离重组,分别分离父体和母体的两条基因链,然后将两条基因链的相同参数位置取值重新组合生成新的基因链;设父体的两条基因链分别为c1(01,10,11,00),c2(10,00,10,11),将c1的第二位参数的取值与c2交换,将c1第四位参数的取值与c2交换,得到新的基因链c1’(01,00,11,11)和c2’(10,10,10,00);同理,得到母体的两条新基因链;
步骤3.3.2)根据步骤3.3.1)得到的父母体的两条新基因链,从父体和母体中随机选择一条组合成一个个体,剩下的两条组合另一个个体;
进一步的,所述步骤4中,若进化代数到最大进化代数T仍未出现最优子体,则在当前种群中挑选出适应度最大的个体进行后续操作。
进一步的,所述步骤5的具体步骤如下:
步骤5.1)将得到的双基因链个体的每个基因位根据对应的解码公式解码,得到测试用例,加入到组合测试用例集CA中作为组合覆盖表的一条测试用例tcs;
步骤5.2)将步骤5.1)得到的tcs所包含的所有t元组合从Uncover中删除,更新Uncover;若Uncover为空集,代表组合覆盖表CA已经包含了待测系统参数组合的所有可能取值,即为所求的组合测试用例集,否则,进入步骤3;
发明所达到的有益效果:本发明是一种基于双基因链遗传算法的组合测试用例生成方法。通过二进制编码且采用双基因链结构的遗传算法来生成组合测试用例集,稳定性高,种群多样性大,避免了陷入局部最优的局面。
附图说明
图1是采用双基因链遗传算法生成组合覆盖表的流程图。
图2是的双基因链遗传算法基因分离重组生成子代的流程图。
图3是采用双基因链遗传算法搜索一条最优测试用例的流程图。
具体实施方式
本发明具体包括以下步骤:
步骤1)初始化种群信息,包含不限于个体的两条基因链,组合覆盖表CA,未被覆盖的t元组集合Uncover,控制参数;
步骤1.1)初始化控制参数,包括初始化种群规模M,初始化进化代数T,初始化交叉概率P1,初始化变异概率P2,初始化种群个体的适应值数组F;
步骤1.2)根据步骤1.1)的初始种群规模M,同时根据待测系统的每个参数的取值范围制定编码规则,随机生成每个个体的两条基因链,形成初始种群;
步骤1.3)初始化组合覆盖表CA为空集,初始化未被覆盖的t元组集Uncover为待测系统的所有t个参数组合的可能取值;
步骤2)根据双基因链的“与”操作解码得到测试用例tc,并计算适应度函数值;
步骤2.1)对每个个体的两条基因链进行“与”操作,将结果码按照每个参数对应的编码规则解码得到测试用例tc;
步骤2.2)根据步骤2.1)得到的tc,计算其覆盖Uncover中t元组合的个数作为适应值,更新种群的适应值数组F;
步骤3)父代染色体分离重组,产生子代并评价新种群的适应值;若新种群存在最优双基因链个体s,则转5),否则,重复该步骤直至进化代数达到最大进化代数;
步骤3.1)选择父、母体繁殖后代;将上一代的个体按照适应度值进行排序,挑选出规模为M的个体;
步骤3.2)根据步骤3.1)中挑选的M个个体,随机选择两个个体作为父体和母体,以P1的交叉概率进行交叉配对;
步骤3.3)若父体和母体确定交叉,父母体两条基因链分离组合,交配产生新的子代个体;
步骤3.3.1)父母体基因分离重组,分别分离父体和母体的两条基因链,然后将两条基因链的相同参数位置取值重新组合生成新的基因链;设父体的两条基因链分别为c1(01,10,11,00),c2(10,00,10,11),将c1的第二位参数的取值与c2交换,将c1第四位参数的取值与c2交换,得到新的基因链c1’(01,00,11,11)和c2’(10,10,10,00);同理,得到母体的两条新基因链;
步骤3.3.2)根据步骤3.3.1)得到的父母体的两条新基因链,从父体和母体中随机选择一条组合成一个个体,剩下的两条组合另一个个体;
步骤3.4)根据步骤3.3)得到的子代个体,以P2的变异概率对子代的两条基因链进行变异;若确定变异,则随机挑选基因位进行取反操作;
步骤3.5)根据步骤3.4)得到的新种群,分别评价每个个体的适应值;若种群出存在最优双基因链个体,则进入步骤5;
步骤3.6)重复步骤3.1至3.5,直到达到最大进化代数T;
步骤4)在当前种群中挑选适应值最高的一条双基因链个体s;
步骤5)将s解码得到的测试用例tcs加入到CA,更新Uncover;若Uncover为空,算法结束;否则,转3);
步骤5.1)将得到的双基因链个体的每个基因位根据对应的解码公式解码,得到测试用例,加入到组合测试用例集CA中作为组合覆盖表的一条测试用例tcs;
步骤5.2)将步骤5.1)得到的tcs所包含的所有t元组合从Uncover中删除,更新Uncover;若Uncover为空集,代表组合覆盖表CA已经包含了待测系统参数组合的所有可能取值,即为所求的组合测试用例集,否则,进入步骤3。

Claims (7)

1.一种基于双基因链遗传算法的组合测试用例生成方法,其特征在于,该方法分为以下步骤:
1)初始化种群信息,包含但不限于个体的两条基因链,组合覆盖表CA,未被覆盖的t元组集合Uncover,控制参数;
2)对每个个体的两条基因链进行“与”操作,将结果码按照每个参数对应的编码规则解码得到测试用例tc;计算tc覆盖Uncover中t元组的个数作为适应值,更新种群的适应值数组F;
3)父代染色体分离重组,产生子代并评价新种群的适应值;若新种群存在最优双基因链个体s,则转5),否则,重复该步骤直至进化代数达到最大进化代数;
4)在当前种群中挑选适应值最高的一条双基因链个体s;
5)将s解码得到的测试用例tcs加入到CA,更新Uncover;若Uncover为空,算法结束;否则,转3)。
2.根据权利要求1所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤1的具体步骤如下:
步骤1.1)初始化控制参数,包括初始化种群规模M,初始化进化代数T,初始化交叉概率P1,初始化变异概率P2,初始化种群个体的适应值数组F;
步骤1.2)根据步骤1.1)的初始种群规模M,同时根据待测系统的每个参数的取值范围制定编码规则,随机生成每个个体的两条基因链,形成初始种群;
步骤1.3)初始化组合覆盖表CA为空集,初始化未被覆盖的t元组集Uncover为待测系统的所有t个参数组合的可能取值。
3.根据权利要求1所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤2中的解码公式如下:
f(x),x∈[lower_bound,upper_bound]
x=lower_bound+decimal(chromosome)×(upper_bound-lower_bound)/(2^chromosome_size-1)
其中,decimal()表示将二进制转化为十进制的函数,lower_bound表示函数定义域的下限,upper_bound表示函数定义域的上限,chromosome_size表示染色体的长度。
4.根据权利要求1所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤3的具体步骤如下:
步骤3.1)选择父、母体繁殖后代;将上一代的个体按照适应度值进行排序,挑选出规模为M的个体;
步骤3.2)根据步骤3.1)中挑选的M个个体,随机选择两个个体作为父体和母体,以P1的交叉概率进行交叉配对;
步骤3.3)若父体和母体确定交叉,父母体两条基因链分离组合,交配产生新的子代个体;
步骤3.4)根据步骤3.3)得到的子代个体,以P2的变异概率对子代的两条基因链进行变异;若确定变异,则随机挑选基因位进行取反操作;
步骤3.5)根据步骤3.4)得到的新种群,分别评价每个个体的适应值;若种群出存在最优双基因链个体,则进入步骤5;
步骤3.6)重复步骤3.1至3.5,直到达到最大进化代数T。
5.根据权利要求4所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤3.3)的具体步骤如下:
步骤3.3.1)父母体基因分离重组,分别分离父体和母体的两条基因链,然后将两条基因链的相同参数位置取值重新组合生成新的基因链;设父体的两条基因链分别为c1(01,10,11,00),c2(10,00,10,11),将c1的第二位参数的取值与c2交换,将c1第四位参数的取值与c2交换,得到新的基因链c1’(01,00,11,11)和c2’(10,10,10,00);同理,得到母体的两条新基因链;
步骤3.3.2)根据步骤3.3.1)得到的父母体的两条新基因链,从父体和母体中随机选择一条组合成一个个体,剩下的两条组合另一个个体。
6.根据权利要求1所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤4中,若进化代数到最大进化代数T仍未出现最优子体,则在当前种群中挑选出适应度最大的个体进行后续操作。
7.根据权利要求1所述的基于双基因链遗传算法的组合测试用例生成方法,其特征在于,所述步骤5的具体步骤如下:
步骤5.1)将得到的双基因链个体的每个基因位根据对应的解码公式解码,得到测试用例,加入到组合测试用例集CA中作为组合覆盖表的一条测试用例tcs;
步骤5.2)将步骤5.1)得到的tcs所包含的所有t元组合从Uncover中删除,更新Uncover;若Uncover为空集,代表组合覆盖表CA已经包含了待测系统参数组合的所有可能取值,即为所求的组合测试用例集,否则,进入步骤3。
CN201911370929.2A 2019-12-26 2019-12-26 一种基于双基因链遗传算法的组合测试用例生成方法 Active CN113051148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911370929.2A CN113051148B (zh) 2019-12-26 2019-12-26 一种基于双基因链遗传算法的组合测试用例生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911370929.2A CN113051148B (zh) 2019-12-26 2019-12-26 一种基于双基因链遗传算法的组合测试用例生成方法

Publications (2)

Publication Number Publication Date
CN113051148A CN113051148A (zh) 2021-06-29
CN113051148B true CN113051148B (zh) 2023-09-26

Family

ID=76505725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911370929.2A Active CN113051148B (zh) 2019-12-26 2019-12-26 一种基于双基因链遗传算法的组合测试用例生成方法

Country Status (1)

Country Link
CN (1) CN113051148B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550822A (zh) * 2022-01-26 2022-05-27 深圳先进技术研究院 一种基于智能优化算法的繁殖指导方法及装置
CN115248781B (zh) * 2022-09-22 2022-12-27 西南科技大学 一种组合测试用例生成方法、装置、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667014A (zh) * 2009-09-30 2010-03-10 中国人民解放军防化指挥工程学院 一种针对保护目标的移动化学风险源的运输路线优化方法
CN105069760A (zh) * 2015-08-28 2015-11-18 哈尔滨工程大学 一种基于f型双链量子遗传算法的小波阈值图像去噪方法
CN106777521A (zh) * 2016-11-11 2017-05-31 国网江苏省电力公司 基于双链量子遗传算法的发电机组涉网参数优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667014A (zh) * 2009-09-30 2010-03-10 中国人民解放军防化指挥工程学院 一种针对保护目标的移动化学风险源的运输路线优化方法
CN105069760A (zh) * 2015-08-28 2015-11-18 哈尔滨工程大学 一种基于f型双链量子遗传算法的小波阈值图像去噪方法
CN106777521A (zh) * 2016-11-11 2017-05-31 国网江苏省电力公司 基于双链量子遗传算法的发电机组涉网参数优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Automated Testing of Web Applications Using Combinatorial Strategies;Xiao-Fang Qi 等;《COMPUTER SCIENCE AND TECHNOLOGY》;20170131;全文 *
双链式智能体遗传算法用于数值优化的研究;伍文平等;《科学技术与工程》;20080515(第10期);全文 *
基于Spark的并行化组合测试用例集生成方法;戚荣志等;《计算机学报》;20170224(第06期);全文 *
基于双链染色体结构的遗传算法研究;钱菲等;《信息技术与网络安全》;20190510(第05期);全文 *
基于混合量子遗传算法的过程神经元网络训练;刘志刚等;《计算机应用研究》;20090815(第08期);全文 *
改进的双链量子遗传算法在图像去噪中的应用;国强等;《哈尔滨工业大学学报》;20160530(第05期);全文 *
覆盖表生成的遗传算法配置参数优化;梁亚澜等;《计算机学报》;20120715(第07期);全文 *

Also Published As

Publication number Publication date
CN113051148A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
Lee Genetic algorithms
CN113051148B (zh) 一种基于双基因链遗传算法的组合测试用例生成方法
CN111832101B (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
US8825573B2 (en) Controlling quarantining and biasing in cataclysms for optimization simulations
Bajpai et al. Genetic algorithm–an approach to solve global optimization problems
CN110059015B (zh) 种群进化多目标测试用例优先级排序方法
CN112232511B (zh) 面向多任务的预训练语言模型自动压缩方法及平台
CN107229972A (zh) 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法
Hutt et al. Synapsing variable-length crossover: Meaningful crossover for variable-length genomes
Rajappa et al. Efficient software test case generation using genetic algorithm based graph theory
CN114420211A (zh) 一种基于注意力机制的rna-蛋白质结合位点预测方法
JP7381814B2 (ja) マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム
CN113033786B (zh) 基于时间卷积网络的故障诊断模型构建方法及装置
Gao Comparison study of genetic algorithm and evolutionary programming
CN116010291A (zh) 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法
Gan et al. Automatic modeling of complex functions with clonal selection-based gene expression programming
CN113111446A (zh) 选配方法
CN112270952B (zh) 一种识别癌症驱动通路的方法
Nascimento et al. Ensembling heterogeneous learning models with boosting
Grabusts Evolutionary alorithms at choice: from GA to GP
Knabe et al. Genetic Algorithms
Rozhoňová et al. Protein evolvability under rewired genetic codes
Rajanikanth et al. Understanding molecular evolution using Drosophila genes
Javadzadeh et al. Improved Artificial Immune System Algorithm with Local Search
CN111008700A (zh) 一种基于三联体编码的神经网络进化方法与系统

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