• شماره ركورد
    33518
  • پديد آورنده

    عليرضا علي زاده حاجي

  • عنوان
    ارتقاي پوشش دامنه و دقت تشخيص خطا در آزمون نرم‌افزار با استفاده از الگوريتم بهينه‌سازي گرگ خاكستري و الگوريتم هاي مكمل
  • مقطع تحصيلي
    كارشناسي ارشد
  • رشته تحصيلي
    مهندسي كامپيوتر - نرم افزار
  • سال تحصيل
    1402
  • تاريخ دفاع
    1404/02/28
  • استاد راهنما
    دكتر محمدهادي علائيان
  • استاد مشاور
    دكتر جواد وحيدي
  • دانشكده
    واحد نور
  • چكيده
    اين پايان‌نامه به طراحي، پياده‌سازي و ارزيابي روشي نوين به نام GwoFaultAnalyzer براي توليد داده‌هاي آزمون و مكان‌يابي خطا در نرم‌افزار مي‌پردازد. اين روش بر پايه‌ي الگوريتم بهينه‌سازي گرگ خاكستري توسعه يافته و با تركيب رويكردهاي هوشمند و هيبريدي، به صورت خودكار داده‌هاي آزمون مؤثري را توليد مي‌كند. هدف اصلي اين پژوهش، بهبود دقت و كارايي فرآيند آزمون با تحريك مسيرهاي بحراني، توليد داده‌هاي مرزي و كشف خطاهاي پيچيده در سيستم‌هاي نرم‌افزاري است. رويكرد پيشنهادي با استفاده از ساختار تطبيقي GWO و تركيب آن با مكانيزم‌هاي جهش و جستجوي چندجمعيتي، قادر است مسيرهاي بحراني و نواحي حساس را به‌طور دقيق پوشش داده و خطاهاي سطح بالا را كشف نمايد. اين سيستم بدون نياز به تنظيمات دستي، به‌طور خودكار تعادل ميان اكتشاف و بهره‌برداري را حفظ كرده و داده‌هايي را توليد مي‌كند كه به‌طور هدفمند نواحي بحراني فضاي ورودي را تحريك مي‌كنند. براي ارزيابي عملكرد، الگوريتم بر روي مجموعه‌اي از سيستم‌هاي واقعي از جمله توابع رياضي و سيستم‌هاي كنترلي آزمايش شد و با هفت الگوريتم آماري شناخته‌شده (مانند Ochiai، Tarantula، Jaccard و ...) و همچنين EvoDomain و GPT-4.x مقايسه گرديد. نتايج نشان دادند كه GwoFaultAnalyzer به طور ميانگين حدود 9٪ تا 25٪ پوشش بهتر مسيرهاي بحراني و 12٪ تا 22٪ افزايش در نرخ كشف خطا نسبت به الگوريتم‌هاي پايه داشته است. همچنين در مقايسه با EvoDomain، بهبود 4 تا 6 درصدي در هر دو شاخص و نسبت به GPT-4.x، تا 40٪ دقت بالاتر در تحريك مسيرهاي پيچيده حاصل شد. اين نتايج، اثربخشي الگوريتم پيشنهادي را در پوشش دقيق مسيرهاي prime و شناسايي خطاهاي منطقي در سيستم‌هاي پيچيده تأييد مي‌كنند.
  • تاريخ ورود اطلاعات
    1404/04/28
  • عنوان به انگليسي
    Enhancing Domain Coverage an‎d Fault Detection Accuracy in Software Testing Using a Hybrid Grey Wolf Optimization Algorithm
  • تاريخ بهره برداري
    5/18/2026 12:00:00 AM
  • دانشجوي وارد كننده اطلاعات

    عليرضا علي زاده حاجي

  • چكيده به لاتين
    This thesis presents the design, implementation, an‎d eva‎luation of a novel method called GwoFaultAnalyzer for test data generation an‎d fault localization in software. The proposed approach is based on the Grey Wolf Optimizer (GWO) algorithm an‎d leverages a hybrid intelligent methodology to automatically generate effective test data. The primary objective of this research is to enhance the accuracy an‎d efficiency of the testing process by stimulating critical paths, generating boundary test data, an‎d detecting complex faults in software systems. GwoFaultAnalyzer, with its adaptive structure, combines GWO with hybrid mechanisms such as mutation an‎d multi-swarm search, enabling precise coverage of prime paths an‎d the discovery of high-level faults. This system, without the need for manual parameter tuning, maintains a dynamic balance between exploration an‎d exploitation, producing test data that purposefully target critical regions of the input space. Experimental results demonstrate that GwoFaultAnalyzer not only improves the accuracy of fault localization but also significantly reduces test execution time. These findings confirm that the proposed method can serve as an efficient, fast, an‎d generalizable solution for improving the quality of the software testing process an‎d accurately identifying faults in complex systems.
  • كليدواژه هاي فارسي
    بهينه‌سازي گرگ خاكستري , توليد داده آزمون , مكان‌يابي خطا , مسيرهاي بحراني , آزمون نرم‌افزار
  • كليدواژه هاي لاتين
    Grey Wolf Optimizer , fault localization , critical paths , software testing , test data generation
  • Author
    Alireza Alizadeh Haji
  • SuperVisor
    Dr. ‪Mohammadhadi Alaeiyan‬‬‬‬‬‬‬‬‬‬
    • لينک به اين مدرک
    https://dl.iust.ac.ir/dl/search/default.aspx?Term=33518&Field=0&DTC=6