MOFs衍生的CoZnSe@NC电催化剂的制备及析氧性能研究

硒化锌因具有与铂类似的电子结构及低成本而受到广泛关注,但目前硒化锌主要应用于电催化析氢反应(HER)中,其析氧反应(OER)活性仍有待提高,并且传统方法合成的硒化锌粒子尺寸较大且分散性较差.基于此,以双金属CoZn-ZIF为前驱体(Co作为OER活性成分,可有效提高材料的OER性能),通过一步高温硒化得到双金属CoZnSe和氮掺杂碳复合材料(记为CoZnSe@NC).利用X射线粉末衍射(XRD)和扫描电子显微镜(SEM)对复合材料的结构和形貌进行表征,并对其电催化析氧性能进行了测试.结果表明:双金属CoZnSe@NC较单金属ZnSe@NC具有更好的OER性能(10和50 mA/cm²电流密度下CoZnSe@NC的过电位分别为268和354 mV);此外,CoZnSe@NC经长时间多电流步骤(Multi-Current Steps)测试后性能基本保持不变,展现了较好的电化学稳定性.     

面向测试生成的ASM模型约简研究

基于模型的Web应用程序测试是软件测试的一个重要方法。ASM模型从源码解析的角度,基于Web应用程序表示层建立模型,描述了Web应用程序的交互性、动态性和低耦合性。基于ASM模型的测试用例生成,考虑用户的非预期行为,在主要路径的基础上,通过添加无效访问状态和无效迁移路径,扩充测试用例。然而,随着Web应用程序规模的扩大,无效访问状态和无效迁移路径的增加导致测试用例空间爆炸。在研究ASM模型的基础上,通过定义基于ASM模型测试生成的等价迁移和等价状态,合并迁移和状态,从而有效地对ASM模型进行约简,减少了无效访问状态和无效迁移路径的数量,实现测试用例空间约减。 对一个实际Web应用程序系统的评估结果表明,基于模型约简的测试用例优化,有效约减了74.38%的测试用例空间,并且对原子段的覆盖率和错误检测数目没有产生影响。     

面向持续集成测试优化的强化学习奖励机制

持续集成环境下的测试存在测试用例集变化大、测试时间有限和快速反馈等需求,传统的测试优化方法难以适用.强化学习是机器学习的一个重要分支,其本质是解决序贯决策问题,可以用于持续集成测试优化.但现有的基于强化学习的方法中,奖励函数计算只包括测试用例在当前集成周期的执行信息.从奖励函数设计和奖励策略两个方面开展研究.在奖励函数设计方面,采用测试用例的完整历史执行信息替代当前执行信息,综合考虑测试用例历史失效总次数和历史失效分布信息,提出了两种奖励函数.在奖励策略方面,提出对当前执行序列的测试用例整体奖励和仅对失效测试用例的部分奖励两种策略.在3个工业级被测程序进行实验研究,结果表明：（1）与现有方法相比,所提出的基于完整历史执行信息奖励函数的强化学习方法可以大幅度提高持续集成测试序列的检错能力;（2）测试用例历史失效分布有助于发现潜在失效的测试用例,对强化学习奖励函数的设计更加重要;（3）整体奖励与部分奖励两种奖励策略受到被测程序的多种因素影响,需要根据实际情况具体选择;（4）包含历史信息的奖励函数会增加时间消耗,但并不影响测试效率.