Multi-objective optimisation for re

Multi-objective optimisation for regression testing

Regression testing is the process of retesting a system after it or its environment has changed. Many techniques aim to find the cheapest subset of the regression test suite that achieves full coverage. More recently, it has been observed that the tester might want to have a range of solutions providing different trade-offs between cost and one or more forms of coverage, this being a multi-objective optimisation problem. This paper further develops the multi-objective agenda by adapting a decomposition-based multi-objective evolutionary algorithm (MOEA/D). Experiments evaluated four approaches: a classic greedy algorithm; non-dominated sorting genetic algorithm II (NSGA-II); MOEA/D with a fixed value for a parameter c; and MOEA/D in which tuning was used to choose the value of c. These used six programs from the SIR repository and one larger program, VoidAuth. In all of the experiments MOEA/D with tuning was the most effective technique. The relative performance of the other techniques varied, although MOEA/D with fixed c outperformed NSGA-II on the larger programs (Space and VoidAuth).

ผลลัพธ์ (ไทย) 1:

หลายวัตถุประสงค์การเพิ่มประสิทธิภาพสำหรับการทดสอบการถดถอยถดถอยการทดสอบเป็นกระบวนการ retesting ระบบตามมา หรือมีการเปลี่ยนแปลงสภาพแวดล้อม เทคนิคหลายจุดมุ่งหมายเพื่อค้นหาชุดย่อยของชุดการทดสอบถดถอยที่ได้รับความคุ้มครองเต็มที่ถูกที่สุด เมื่อเร็ว ๆ นี้ มันมีการสังเกตว่า เครื่องทดสอบที่อาจต้องการให้ช่วงของโซลูชั่นที่ให้ทางเลือกแตกต่างกันระหว่างต้นทุนและหนึ่ง หรือเพิ่มเติมรูปแบบครอบคลุม นี้มีปัญหาหลายวัตถุประสงค์การเพิ่มประสิทธิภาพการ กระดาษนี้เพิ่มเติมพัฒนาหลายวัตถุประสงค์วาระการประชุม โดยดร.การสลายตัวตามวัตถุประสงค์หลายวิวัฒนาการอัลกอริทึม (MOEA/D) ทดลองประเมินวิธีที่สี่: การคลาสสิกตะกละอัลกอริทึม ไม่ครอบงำเรียงพันธุอัลกอริทึม II (NSGA-II); MOEA/D มีค่าคงที่ c พารามิเตอร์ และ MOEA/D ในการปรับแต่งที่ใช้ในการเลือกค่าของ c เหล่านี้ใช้โปรแกรมหกจากเก็บรักและโปรแกรมขนาดใหญ่หนึ่ง VoidAuth ในการทดลองทั้งหมด MOEA/D กับปรับเป็นเทคนิคมีประสิทธิภาพสูงสุด ประสิทธิภาพสัมพัทธ์ของเทคนิคแตกต่างกัน แม้ว่า MOEA/D กับ c คงที่ outperformed NSGA II กับโปรแกรมขนาดใหญ่ (พื้นที่และ VoidAuth)

ผลลัพธ์ (ไทย) 2:

การเพิ่มประสิทธิภาพหลายวัตถุประสงค์สำหรับการทดสอบการถดถอยการทดสอบการถดถอยเป็นกระบวนการของการ retesting ระบบหลังจากที่มันหรือสภาพแวดล้อมที่มีการเปลี่ยนแปลง เทคนิคหลายคนมุ่งมั่นที่จะหาชุดย่อยที่ถูกที่สุดของการถดถอยชุดทดสอบที่ประสบความสำเร็จในความคุ้มครองเต็ม เมื่อเร็ว ๆ นี้จะได้รับการตั้งข้อสังเกตว่าการทดสอบอาจต้องการที่จะมีช่วงของการแก้ปัญหาให้ไม่ชอบการค้าที่แตกต่างกันระหว่างค่าใช้จ่ายและหนึ่งหรือรูปแบบอื่น ๆ ของความคุ้มครองนี้เป็นปัญหาการเพิ่มประสิทธิภาพหลายวัตถุประสงค์ กระดาษต่อไปนี้จะพัฒนาวาระการประชุมหลายวัตถุประสงค์โดยการปรับสลายตัวตามขั้นตอนวิธีวิวัฒนาการหลายวัตถุประสงค์ (MOEA / D) การทดลองประเมินสี่แนวทางขั้นตอนวิธีโลภคลาสสิก; ที่ไม่ได้ครอบงำการเรียงลำดับขั้นตอนวิธีพันธุกรรม ii (NSGA-II); MOEA / D ที่มีค่าคงที่สำหรับพารามิเตอร์ค; และ MOEA / D ในการปรับแต่งที่ถูกใช้ในการเลือกค่าของ c เหล่านี้หกใช้โปรแกรมจากพื้นที่เก็บข้อมูลเซอร์และโปรแกรมการขนาดใหญ่หนึ่ง VoidAuth ในทุกการทดลอง MOEA / D ที่มีการปรับแต่งเป็นเทคนิคที่มีประสิทธิภาพมากที่สุด ประสิทธิภาพการทำงานที่สัมพันธ์กันของเทคนิคอื่น ๆ ที่แตกต่างกันแม้ว่า MOEA / D กับคคงเฮง NSGA-II ในโปรแกรมขนาดใหญ่ (อวกาศและ VoidAuth)

ผลลัพธ์ (ไทย) 3:

หลายวัตถุประสงค์เพิ่มประสิทธิภาพสำหรับการทดสอบความถดถอยพหุคูณ การทดสอบ

คือ กระบวนการของ retesting ระบบหลัง หรือสภาพแวดล้อมที่เปลี่ยนไป หลายเทคนิค เล็งหาย่อยที่ถูกที่สุดของการใช้ชุดทดสอบที่ครอบคลุมเต็มรูปแบบ เมื่อเร็วๆ นี้มันได้รับการตรวจสอบว่า ผู้ทดสอบจะต้องมีช่วงของโซลูชั่นให้ค้าชอบความแตกต่างระหว่างต้นทุนและหนึ่งหรือมากกว่าหนึ่งรูปแบบของความคุ้มครองนี้มีปัญหาการเพิ่มประสิทธิภาพหลาย . กระดาษนี้ เพิ่มเติม พัฒนาวาระหลายโดยการปรับใช้หลายขั้นตอนวิธีเชิงวิวัฒนาการมีการสลายตัว ( moea / D ) การทดลองทดสอบสี่แนวทาง :คลาสสิกโลภขั้นตอนวิธี ขั้นตอนวิธีทางพันธุกรรมไม่ครอบงำ 2 การเรียงลำดับ ( nsga-ii ) ; moea / D กับการแก้ไขค่าพารามิเตอร์ c ; และ moea / D ที่ปรับใช้ให้เลือกค่าของ C . เหล่านี้ใช้ 6 โปรแกรมจากท่านเก็บและหนึ่งโปรแกรมขนาดใหญ่ voidauth . ในทั้งหมดของการทดลอง moea / D กับการปรับแต่งเป็นเทคนิคที่มีประสิทธิภาพมากที่สุดประสิทธิภาพสัมพัทธ์ของเทคนิคอื่น ๆที่หลากหลาย แม้ว่า moea / D กับ C คงที่ใน nsga-ii ในโปรแกรมขนาดใหญ่ ( พื้นที่และ voidauth )