Les chercheurs recherchent actuellement des méthodes efficaces pour les tests logiciels automatisés afin de réduire le temps, d'éviter la redondance des cas de test et de créer des cas de test complets à couvrir (chemins, bancs, conditions et déclarations). Générer un nombre minimum de cas de test et couvrir tous les chemins de code est difficile dans la génération automatisée de cas de test. Par conséquent, l'utilisation d'algorithmes d'optimisation est devenue une tendance populaire pour générer des cas de test afin d'atteindre de nombreux objectifs. Dans cette étude, nous avons utilisé un algorithme d'optimisation basé sur l'enseignement-apprentissage pour générer le nombre minimum de cas de test. Nous avons comparé nos résultats avec ceux d'autres méthodes de pointe basées sur la couverture de chemin pour dix programmes Java. Le motif de l'utilisation de cet algorithme est d'optimiser le nombre de cas de test qui couvrent tous les chemins de code dans le test unitaire. Les résultats soulignent que l'algorithme proposé génère le nombre minimum de cas de test et couvre tous les chemins dans le code à un taux de couverture complet.

Los investigadores actualmente están buscando métodos efectivos para las pruebas automatizadas de software para reducir el tiempo, evitar la redundancia de casos de prueba y crear casos de prueba integrales para cubrir (rutas, bancos, condiciones y declaraciones). Generar un número mínimo de casos de prueba y cubrir todas las rutas de código es un desafío en la generación automatizada de casos de prueba. Por lo tanto, el uso de algoritmos de optimización se ha convertido en una tendencia popular para generar casos de prueba para lograr muchos objetivos. En este estudio, utilizamos un algoritmo de optimización basado en la enseñanza-aprendizaje para generar el número mínimo de casos de prueba. Comparamos nuestros resultados con los de otros métodos de vanguardia basados en la cobertura de ruta para diez programas Java. El motivo para usar este algoritmo es optimizar el número de casos de prueba que cubren todas las rutas de código en la prueba unitaria. Los resultados enfatizan que el algoritmo propuesto genera el número mínimo de casos de prueba y cubre todas las rutas en el código a una tasa de cobertura completa.

Researchers are currently seeking effective methods for automated software testing to reduce time, avoid test case redundancy, and create comprehensive test cases to cover (paths, benches, conditions, and statements). Generating a minimum number of test cases and covering all code paths is challenging in automated test case generation. Therefore, the use of optimization algorithms has become a popular trend for generating test cases to achieve many goals. In this study, we used a teaching-learning-based optimization algorithm to generate the minimum number of test cases. We compared our results with those of other state-of-the-art methods based on the path coverage for ten Java programs. The motive for using this algorithm is to optimize the number of test cases that cover all code paths in the unit test. The results emphasize that the proposed algorithm generates the minimum number of test cases and covers all paths in the code at a full-coverage rate.

يبحث الباحثون حاليًا عن طرق فعالة لاختبار البرامج الآلي لتقليل الوقت وتجنب تكرار حالة الاختبار وإنشاء حالات اختبار شاملة لتغطية (المسارات والمقاعد والظروف والبيانات). يعد إنشاء الحد الأدنى من حالات الاختبار وتغطية جميع مسارات التعليمات البرمجية أمرًا صعبًا في إنشاء حالة الاختبار الآلي. لذلك، أصبح استخدام خوارزميات التحسين اتجاهًا شائعًا لتوليد حالات الاختبار لتحقيق العديد من الأهداف. في هذه الدراسة، استخدمنا خوارزمية تحسين قائمة على التعليم والتعلم لتوليد الحد الأدنى من حالات الاختبار. قارنا نتائجنا مع نتائج الأساليب الحديثة الأخرى بناءً على تغطية المسار لعشرة برامج جافا. الدافع لاستخدام هذه الخوارزمية هو تحسين عدد حالات الاختبار التي تغطي جميع مسارات التعليمات البرمجية في اختبار الوحدة. تؤكد النتائج أن الخوارزمية المقترحة تولد الحد الأدنى لعدد حالات الاختبار وتغطي جميع المسارات في التعليمة البرمجية بمعدل تغطية كامل.