Optimized Test Data Generation for Path Testing Using Improved Combined Fitness Function with Modified Particle Swarm Optimization Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Software testing is essential for assuring the reliability and excellence of software systems. Nevertheless, already used optimization techniques, such Particle Swarm Optimization (PSO), sometimes get stuck in local optima during testing. This study suggests innovative improvements to the PSO algorithm to address and overcome this constraint. Initially, we propose a method in which every particle keeps track of a collection of superior particles and chooses a global best (gbest) at random. This approach helps to explore a wider range of solutions and reduces the likelihood of being stuck in local minima. Furthermore, we use an enhanced crowding method to specifically tackle the discrepancy between the exploration and exploitation stages. This approach prioritizes extensive exploration and exploitation during the early phases of the search, progressively shifting towards a strategy that focuses more on exploitation as the algorithm advances. We present a thorough explanation of these changes, specifically highlighting the modifications made to the pbest section and the use of a novel fitness function that enhances the search process in the given space. The method that we offer has the potential to improve software testing methods by optimizing PSO-based techniques, leading to better performance and efficiency. The experimental findings have shown that our method outperforms numerous existing evolutionary or meta-heuristic algorithms in terms of test data generation speed and achieves superior coverage with fewer evaluations. The algorithms being compared are the Adaptive Genetic Algorithm (AGA), Dandelion Optimizer (DO), Chaotic Flower-Fruit Fly Optimization Algorithm (CFFFOA), Imperialist Competitive Algorithm (ICA), Chaos Adaptive Particle Swarm Optimization Algorithm (CAPSO), Particle Swarm Optimization Algorithm with Empirical Balance Strategy (PSOEBS), and Teaching Learning-Based Optimization (TLBO).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle