استفاده از الگوريتم توده ذرات بهينه در توليد دنباله آزمون كمينه در آرايه پوشش با قوه ثابت

Using the Particle Swarm Optimization Algorithm to Generate the Minimum Test Suite in Covering Array with Uniform Strength

تاكنون، تعداد زيادي الگوريتم مفيد براي توليد آرايه پوشش كه يكي از شاخه هاي آزمون تركيبي ست، ارايه شده است. اصلي ترين چالشدر توليد چنين آرايه هايي، توليد آرايه با تعداد نمونه آزمون كمينه (بهره وري) در زمان مناسب (كارايي)، براي سيستم هاي بزرگ است. استراتژي هاي توليد آرايه پوشش قالبا به دو دسته كلي محاسباتي و فرامكاشفه اي تقسيم مي شوند. استراتژي هاي محاسباتي معمولا كارايي بالايي دارند اما از نظر بهره وري نتايج ضعيفي را توليد مي كند و استراتژي هاي فرامكاشفه اي از بهره وري مناسب و كارايي ضعيفي برخوردار هستند. در بين استراتژي هاي در دسترس استراتژي DPSO از نظر بهره وري بهترين نتايج را دارد، اما كارايي مناسبي ندارد و استراتژي GS كارايي مناسبي را دارد اما بهره وري مناسبي ندارد. در حالت كلي استراتژي كه كارايي و بهره وري را توامان داشته باشد، به چشم نمي خورد. در اين مقاله ما سعي كرديم با استفاده از توده ذرات دنباله آزمون مناسب را از نظر بهره وري و كارايي، توليد كنيم. همچنين براي افزايش بهره وري از يك تابع كمينه ساز ساده و تاثيرگذار استفاده شده است. نتايج ارزيابي نشان مي دهد كه راهكار پيشنهادي از نظر كارايي و بهره وري نتايج مطلوب دارد.

Up to now, several useful algorithms have been proposed to generate covering array, which is one of the branches of combinatorial testing. The main challenge in generating such arrays is generation of the arrays with a minimum number of test cases (for efficiency) at a proper time (for performance), for large systems. Covering array generation strategies are often divided into two general categories: computational and meta-heuristic. Computational strategies usually benefit high performance but have poor results in terms of efficiency. On the other hand, meta-heuristic strategies enjoy good efficiency but suffer low performance. Among the available strategies, the DPSO strategy generates the best results in terms of efficiency, but it does not benefit high performance; in contrast the GS strategy benefits good performance but has not good efficiency. Generally, there is no strategy that is good in terms of both efficiency and performance. In this paper, we try to produce an appropriate test suite of high efficiency and performance using PSO. A simple and effective minimizer function has also been used to increase the efficiency. The evaluation results show that the proposed solution has desirable outcomes in terms of efficiency and performance.