排序方式: 共有15条查询结果,搜索用时 15 毫秒
1.
循环优化测试对保证现代编译器质量有着重要作用.传统手工构造测试用例方法面临着效率低的问题,而目前的自动构造方法对循环优化的针对性不足.提出并实现了一种基于参数化分支时序逻辑(pCTL)的循环优化测试用例自动生成方法.并用生成的测试用例对GCC-4.1.1进行覆盖率测试,结果表明该方法可以生成具有很高针对性的循环优化测试用例,并且很少的测试用例即可达到较高的覆盖程度. 相似文献
2.
事件处理函数响应用户GUI(graphic user interface)操作并完成软件预定义功能,事件处理函数以及事件处理函数之间的关系实现是否与规约一致,是GUI 测试的重点.针对现有的基于模型GUI 测试用例自动生成过程中面临的测试用例规模庞大以及生成的测试用例无效问题,从分析事件处理函数的角度出发,提出了一种GUI 测试模型EHG.针对此模型,结合事件处理函数及其代码结构,提出了两个测试覆盖准则:完整最短路径覆盖准则和完整最短路径定义-引用对覆盖准则;利用基于反馈的测试用例生成技术生成测试用例.实验结果表明,针对较为复杂的应用,该方法不仅能够有效控制测试用例规模,消除无效测试用例,而且生成的测试用例能有效提高事件处理函数的代码结构覆盖率. 相似文献
3.
4.
查找程序中缺陷代码所在的位置是一项值得深入开展的研究,同时也是实际软件调试过程中所面临的一个难题,这一过程往往需要耗费大量的时间和人力资源.研究软件缺陷定位的一类重要方法是基于谓词的统计学缺陷定位方法(简称PBSFL).PBSFL通过比较程序运行成功与失败时谓词的执行信息差异来获得谓词与缺陷的关联程度.然而实验研究发现,固定算法中信息利用的强度会造成信息利用不足或过分利用现象的发生,导致现有PBSFL方法对某些缺陷定位不够准确.针对这一问题,文中设计了一种基于谓词执行信息分析的自适应缺陷定位算法,该算法通过分析测试用例运行时谓词的执行情况来动态地为每个谓词选择合适的信息利用强度.实验结果表明,该方法在Siemens和space两个程序包上表现出很好的定位效果以及定位稳定性. 相似文献
5.
随着移动应用软件复杂性不断提高,高效的测试技术和工具逐渐成为高质量移动应用的必要保证。基于录制-回放技术提出一种Google Android平台上移动应用的自动化测试解决方案,并实现了一个黑盒测试工具。通过举例描述系统录制测试用例、生成脚本并回放的过程,详细分析了GUI自动化测试工具录制-回放模块关键技术的设计与实现。该GUI测试工具主要应用于回归测试阶段,能够提高测试效率。 相似文献
6.
随着智能终端设备以及移动互联网的发展,智能手机等设备越来越普遍,其上的应用也越来越丰富. 如何能够更快、更高效的开发智能终端上的应用成为开发者面临的巨大问题之一. 在分析了当前存在的跨平台混合应用开发的基础上,设计并实现了一种Android平台混合应用运行环境,利用该运行环境可以实现只用HTML、CSS和JavaScript开发Android应用,为开发者带来极大的便利. 同时该运行环境兼容桌面系统上的混合应用运行环境,利用该运行环境开发的应用经过不同屏幕适配同时可以运行在桌面系统上. 相似文献
7.
运用元启发式搜索进行结构性测试数据生成已经被证实是一种有效的方法.在讨论基于搜索的测试数据生成基本框架的基础上,以分支覆盖作为测试覆盖准则,给出了基于粒子群优化(particle swarm optimization, PSO)的测试数据生成算法,并通过分析分支谓词的结构特征提出了一种新的适应函数构造形式.在此基础上,针对一些公开的程序集开展对比性实验分析,证实粒子群优化算法在平均覆盖率、全覆盖成功率、平均收敛代数和搜索时间4项指标上均要优于遗传算法和模拟退火算法.同时,编程实现了4种典型的PSO变体算法并进行测试数据生成效果的实证分析,结果表明:基本PSO是解决测试数据生成问题的首选算法,而综合学习式PSO算法的表现则相对较差. 相似文献
8.
9.
一种基于Messy GA的结构测试数据自动生成方法 总被引:10,自引:0,他引:10
结构性测试是标识测试用例的基本方法之一.由于程序语言的复杂性以及被测程序的多样性,自动生成结构测试数据的一种有效方法是根据程序运行结果指导生成过程,通过不断迭代,生成符合要求的测试数据集.提出一种基于Messy GA的结构测试数据自动生成方法,将测试覆盖率表示为测试输入集X的函数F(X),并利用Messy GA不需要染色体模式排列的先验知识即可进行优化求解的性质对F(X)进行迭代寻优,进一步提高了搜索的并行性,并最终提高测试覆盖率.对一组标准测试程序和若干实际应用程序的实验结果表明,较之现有基于遗传算法的生成方法,该方法能够以更高的效率生成更高质量的测试数据,并适用于较大规模的程序. 相似文献
10.
自动驾驶评估数据集的构建在很大程度上取决于能否覆盖复杂多样的交通场景。但是通过人工获取数据工作量巨大,且难以覆盖所有场景,在这种情况下,虚拟引擎可以提供极大的便利。利用UE4(Unreal Engine 4)虚拟引擎构建常见驾驶场景,并结合设计的后处理系统和自动标注算法高效获取、标注复杂场景图像。针对虚拟引擎生成图像逼真度不足这一问题,搭建ObjectGAN域适应模型,基于虚拟数据重建逼真图像,该模型针对目标数据,引入特征一致性监督,无须另外标注信息便可有效缩小与真实数据间域差异。创建了一个新颖的复杂场景虚拟自动驾驶数据集,其中包含多种天候、光照、驾驶场景数据。通过该数据集验证ObjectGAN模型可以有效缩小虚拟数据与真实数据间域差异,经过域适应处理后的数据可以在复杂场景中对主流检测器进行有效的性能评估。 相似文献