بررسی روشهای مبتنی بر هوش مصنوعی برای انتخاب موارد آزمون جهت اجرای آزمون رگرسیون

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 756

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

DCEAEM01_183

تاریخ نمایه سازی: 18 دی 1393

چکیده مقاله:

امروزه سازمانهای نرمافزاری زمان و منابع زیادی را در تحلیل و آزمون نرمافزار صرف میکنند. ازنظر مهندسان نرمافزار آزمون محصول به خودی خود، مثل تولید خود محصول وقتگیر و گران است . آزمون نرمافزار فرایند امتحان یک برنامه کاربردی برایکشف خطاها و تضمین اینکه نیازمندیهای موجود را برآورده میکند و با سختافزار مشتری سازگار است، هست یک نرمافزار زمانهای زیادی در چرخه حیاتش تغییر میکند آزمون رگرسیون موقعی که تغییرات در نرمافزار آزمون شد ه ایجاد میشود اجرا میگردد و اجرای دوباره همه موارد آزمون اجراشده قبلی غیرممکن است با توجه به افزایش تصاعدی هزینهها که بعد از هر تغییرتحمیل میشود کاهش مجموعه موارد آزمون ضروری است. انتخاب موارد آزمونهایی که قابلیت تشخیص ماکزیمم خطا را با توجه به محدودیت زمانی دارند از اهمیت زیادی برخورداراست. در این تحقیق روشهای ارائهشده جهت انتخاب موارد آزمون از مجموعهبزرگ آزمون برای انجام آزمون رگرسیون که بر پایه هوش مصنوعی هستند بررسی میشوند. در آزمون نرمافزار برای کاهش هزینههااز روشهای هوش مصنوعی استفاده میشود. این کاهش هزینهها میتواند شامل هزینههای زمانی، منابع و مالی در پروژه توسعه نرمافزار باشد.

نویسندگان

معصومه انصاری فر

دانشجوی کارشناسی ارشد مهندسی کامپیوتر گرایش نرمافزار دانشگاه آزاد اسلامی واحد کرمان

عباس رضایی

عضو هیئت علمی گروه کامپیوتر دانشگاه آزاد اسلامی واحد کرمان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Suri, B., Mangal, I., & Srivastava, V. 2011. Regression Test ...
  • Suri, B., & Mangal, I. 2012. Analyzing Test Case Selection ...
  • Bhasin . H , Deepkiran. M , " A Novel ...
  • Selhrawat, R., Srivastaa, V., & Mangal, I. A Neuro-Genetc Algorithm ...
  • Kaur, J. , Kaur, T .2013. Crossbreed Algorithm for Regression ...
  • Holland.J, "Adaption in Natural and Artificial Systems ", AnnArbor, MI: ...
  • De Jong .K.A, " Analysis of Behaviour of a class ...
  • Goldberg.D, "Genetic Algorithms in Search Optimization and Machine Learning ", ...
  • Vahadati. G, Yaghoubi.M, Poostchi.M, Naghibi.S, _ New Approach to Solve ...
  • Chu. P.C and Beasley. J.E, "A Genetic Algorithm for the ...
  • Optimization: Artificial Bee Colony (ABC)A lgorithm ", Journal of Global ...
  • 3]Karaboga.D, Basturk.B, "Artificial Bee Colony (ABC) Optimization Algorithm for Solving ...
  • Karaboga.D, Basturk Akay.B, "Artificial Bee ColonyA lgorithm on Training Artificial ...
  • th. 11-13June 2007, Page(s):1 - 4, 2007. ...
  • Technical , و [1 5]Karaboga.D, "An Idea Based on Honey ...
  • Dorigo.M, "Ant Colony Optimization: Artificial Ants as Computational Intelligence Technique ...
  • نمایش کامل مراجع