
handle: 10669/102198
Las pruebas de software constituyen una actividad en ingeniería de software destinada a verificar que un sistema funcione según lo previsto. Estas pruebas representan un proceso costoso y complejo, absorbiendo hasta la mitad de los recursos del proceso de desarrollo. No obstante, la automatización en la generación y ejecución de pruebas, junto con una eficaz detección de errores y la gestión de recursos, sigue requiriendo mayor indagación. Las pruebas basadas en modelos surgen como una técnica que permite generar y ejecutar casos de pruebas mediante modelos que, a cierto grado de abstracción, representan el sistema a evaluar. Estas pruebas garantizan la trazabilidad de los requerimientos del sistema en el comportamiento del modelo, la generación automática de casos y la cobertura de distintas métricas de calidad. Sin embargo, este enfoque enfrenta retos como la elección de un criterio de adecuación efectivo, la exploración de modelos para la generación de casos, la gestión de recursos y el monitoreo del proceso. Esta investigación diseñó y evaluó un marco de trabajo de aprendizaje reforzado (RL) basado en agentes que asiste en las etapas de generación y ejecución de pruebas basadas en modelos. En este marco, un sistema multi-agente, se encarga del monitoreo, la planificación y la gestión de recursos con el fin de satisfacer los objetivos del proceso. Este enfoque sugiere un diseño tanto genérico como extensible para apoyar las técnicas basadas en modelos. La implementación y validación del marco de trabajo demostraron una mayor efectividad y eficiencia en diversas tareas de generación y ejecución de pruebas basadas en modelos, con respecto a técnicas tradicionales. Además, el enfoque basado en RL permitió una gestión más optimizada de los recursos en comparación con las técnicas tradicionales utilizadas en la evaluación. Estos resultados abren la puerta a futuras investigaciones sobre soluciones con agentes para la automatización y mejora de pruebas en software.
Vicerrectoría de Investigación::Sistema de Estudios de Posgrado::Ingeniería::Maestría Académica en Computación e Informática
Vicerrectoría de Docencia::Ingeniería::Facultad de Ingeniería::Escuela de Ciencias de la Computación e Informática
reinforcement learning, aprendizaje reforzado, pruebas de software, model-based software testing, software testing, agent-based software testing, aprendizaje reforzado basado en agentes, pruebas basadas en modelos, automatización de pruebas
reinforcement learning, aprendizaje reforzado, pruebas de software, model-based software testing, software testing, agent-based software testing, aprendizaje reforzado basado en agentes, pruebas basadas en modelos, automatización de pruebas
| selected citations These citations are derived from selected sources. This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | 0 | |
| popularity This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network. | Average | |
| influence This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically). | Average | |
| impulse This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network. | Average |
