Análisis de rendimiento de varios algoritmos inteligentes para la optimización del orden de prueba de integración de clases
Autores: Zhang, Wenning; Zhou, Qinglei; Guo, Li; Zhao, Dong; Gou, Ximei
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Análisis de rendimiento de varios algoritmos inteligentes para la optimización del orden de prueba de integración de clases
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Pruebas de integración
Pruebas de software
Algoritmos metaheurísticos
Orden de prueba de integración de clases
Complejidad de simulación de pruebas
Costo de pruebas de software
Rendimiento de optimización
Valores de aptitud
Acoplamiento de métodos
Aplicaciones prácticas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La prueba de integración es una actividad esencial en las pruebas de software, especialmente en el desarrollo de software orientado a objetos. Determinar la secuencia de clases a integrar, es decir, el problema del orden de prueba de integración de clases (CITO), es de gran importancia pero desafiante computacionalmente. Investigaciones previas han demostrado que los algoritmos metaheurísticos pueden idear órdenes de prueba de integración de clases con una menor complejidad de simulación, lo que resulta en una reducción del costo de las pruebas de software. Este estudio se centra en la evaluación comparativa del rendimiento de diez algoritmos metaheurísticos comúnmente utilizados: algoritmo genético (GA), optimización por enjambre de partículas (PSO), algoritmo de búsqueda de cuclillos (CS), algoritmo de luciérnagas (FA), algoritmo de murciélagos (BA), algoritmo de lobo gris (GWO), optimización de llamas de polilla (MFO), algoritmo seno-coseno (SCA), algoritmo de enjambre de salpas (SSA) y optimización de halcones de Harris (HHO). El objetivo de este estudio es identificar los algoritmos más adecuados, reduciendo las posibles vías para futuras investigaciones en el campo de la generación de órdenes de prueba de integración de clases basadas en la búsqueda. Las implementaciones estándar de estos algoritmos se utilizan para generar órdenes de prueba de integración. Además, estas órdenes de prueba se evalúan y comparan en términos de complejidad de simulación, velocidad de convergencia, tiempo de ejecución promedio y consumo de memoria. Los resultados experimentales sugieren que MFO, SSA, GWO y CS son los algoritmos más adecuados. MFO, SSA y GWO muestran un excelente rendimiento de optimización en sistemas donde los valores de aptitud se ven fuertemente afectados por el acoplamiento de atributos. Mientras tanto, MFO, GWO y CS se recomiendan para sistemas donde los valores de aptitud están fuertemente influenciados por el acoplamiento de métodos. BA y FA emergen como los algoritmos más lentos, mientras que los algoritmos restantes muestran un rendimiento intermedio. El análisis de rendimiento se puede utilizar para seleccionar y mejorar algoritmos apropiados para el problema de CITO, proporcionando un punto de partida para futuras investigaciones científicas y aplicaciones prácticas.
Descripción
La prueba de integración es una actividad esencial en las pruebas de software, especialmente en el desarrollo de software orientado a objetos. Determinar la secuencia de clases a integrar, es decir, el problema del orden de prueba de integración de clases (CITO), es de gran importancia pero desafiante computacionalmente. Investigaciones previas han demostrado que los algoritmos metaheurísticos pueden idear órdenes de prueba de integración de clases con una menor complejidad de simulación, lo que resulta en una reducción del costo de las pruebas de software. Este estudio se centra en la evaluación comparativa del rendimiento de diez algoritmos metaheurísticos comúnmente utilizados: algoritmo genético (GA), optimización por enjambre de partículas (PSO), algoritmo de búsqueda de cuclillos (CS), algoritmo de luciérnagas (FA), algoritmo de murciélagos (BA), algoritmo de lobo gris (GWO), optimización de llamas de polilla (MFO), algoritmo seno-coseno (SCA), algoritmo de enjambre de salpas (SSA) y optimización de halcones de Harris (HHO). El objetivo de este estudio es identificar los algoritmos más adecuados, reduciendo las posibles vías para futuras investigaciones en el campo de la generación de órdenes de prueba de integración de clases basadas en la búsqueda. Las implementaciones estándar de estos algoritmos se utilizan para generar órdenes de prueba de integración. Además, estas órdenes de prueba se evalúan y comparan en términos de complejidad de simulación, velocidad de convergencia, tiempo de ejecución promedio y consumo de memoria. Los resultados experimentales sugieren que MFO, SSA, GWO y CS son los algoritmos más adecuados. MFO, SSA y GWO muestran un excelente rendimiento de optimización en sistemas donde los valores de aptitud se ven fuertemente afectados por el acoplamiento de atributos. Mientras tanto, MFO, GWO y CS se recomiendan para sistemas donde los valores de aptitud están fuertemente influenciados por el acoplamiento de métodos. BA y FA emergen como los algoritmos más lentos, mientras que los algoritmos restantes muestran un rendimiento intermedio. El análisis de rendimiento se puede utilizar para seleccionar y mejorar algoritmos apropiados para el problema de CITO, proporcionando un punto de partida para futuras investigaciones científicas y aplicaciones prácticas.