تولید بهینه مجموعه آزمون به روش آزمون ترکیبی با اعمال تغییر در الگوریتم جستجوی گرانشی برای آرایه پوشش با قوه ثابت

لزوم افزایش استفاده از آزمون ترکیبی در نرم‌افزارهای امروزی به امری ضروری در توسعه نرم‌افزار تبدیل شده است. آزمون ترکیبی یا آزمون t-way راهکاری کارآمد در کاهش حجم مجموعه آزمون است به نحوی که می‌توان نرم‌افزار را با نمونه آزمون‌های کمتری مورد آزمون قرار داد. پوشش آرایه یکی از شاخه‌های مهم در آزمون ترکیبی است که انواع مختلفی دارد . راهکار‌های فراوانی برای تولید آن ارائه شده است که کارایی (سرعت) و بهره‌وری (اندازه آرایه) مناسبی را دارند. اما خلاء راهکار‌ای که هر دو خصوصیت کارایی و بهره‌وری را توامان داشته باشد به چشم می‌خورد. در این پژوهش سعی شده است با استفاده از الگوریتم جستجوی گرانشی و تغییر در نحوه انتخاب همسایه‌ها، موفق به تولید مجموعه آزمون بهینه شده‌ایم و هچنین با تغییر در ساختمان داده‌ها و وزن دهی به پارامترهای پوشش داده نشده سرعت تولید مجموعه آزمون را افزایش داده‌ایم. وزن دهی به پارامترهای پوشش داده نشده و تغییر در رفتار الگورتیم گرانشی سبب جستجوی هوشمندانه جهت یافتن نمونه آزمون‌های پوشش داده نشده، شده است. افزایش سرعت باعث شده است که راهکار پیشنهادی توان تولید مجموعه آزمون برای پیکربندی‌های بزرگ را داشته باشد و همچنین نتایج آزمون نشان می‌دهد که راهکار پیشنهادی از الگوریتم‌های مطرح مانند الگوریتم ژنتیک، الگوریتم جستجوی توده ذرات و حتی خود الگوریتم جستجوی گرانشی نتایج بسیار بهتری را دارد.

optimal production of the test suite by the combinatorial testing method by applying changes in the gravitational search algorithm for the uniform strength cover array.

the need to increase the use of combinatorial testing (ct) in software testing has become a necessity in software development. ct is an efficient approach to reduce the size of the test suite so that the software can be tested with fewer test cases. covering array (ca) is one of the important branches in ct, which has different types. many solutions have been provided for its production, which have appropriate efficiency (array size) and performance (speed). but there is a lack of a solution that has both efficiency and performance. in this research, we have tried to produce an optimized test suite(with the minimum number of test cases) by using the gravitational search algorithm(gsa) and changing the neighbor selection method. also, by changing the structure of the data and giving weight to the parameters not covered, we have increased the speed of producing the test suite. the weighting of non-covered parameters and the change in the behavior of the gravity algorithm have caused a smart search to find non-covered test cases. this increase in speed has made the proposed solution capable of producing test suites for high-power configurations. also, the evaluation results show that the proposed solution outperforms other popular algorithms such as the genetic algorithm, the particle mass search algorithm, and even the gravity search algorithm itself.