Análise de algoritmos genéticos e aprendizado por reforço para geração de casos de teste de software

Albuquerque, João Heitor Paes da Silva

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/23607

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Moreira, Anamaria Martins	-
dc.contributor.author	Albuquerque, João Heitor Paes da Silva	-
dc.date.accessioned	2024-09-05T17:14:56Z	-
dc.date.available	2024-09-07T03:00:17Z	-
dc.date.issued	2024-07-12	-
dc.identifier.uri	http://hdl.handle.net/11422/23607	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Testes automatizados	pt_BR
dc.subject	Algoritmo genético	pt_BR
dc.subject	Aprendizado por reforço	pt_BR
dc.subject	Automated tests	pt_BR
dc.subject	Genetic algorithm	pt_BR
dc.subject	Reinforcement learning	pt_BR
dc.title	Análise de algoritmos genéticos e aprendizado por reforço para geração de casos de teste de software	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Marcelino, Carolina Gil	-
dc.contributor.referee2	Teixeira, Eldânae Nogueira	-
dc.description.resumo	No artigo “Automation of software test data generation using genetic algorithm and reinforcement learning”, os autores Mehdi Esnaashari e Amir Hossein Damia desenvolvem o Memetic Algorithm for Automatic Test case generation (MAAT), um algoritmo genético com aprendizado por reforço que gera casos de teste de software de forma automatizada. Este trabalho tem como objetivo analisar a eficiência da implementação do aprendizado por reforço e das outras modificações aplicadas no MAAT em comparação a um algo ritmo genético comum no contexto de códigos de pouca complexidade. Dessa forma, é possível concluir se vale a pena utilizá-lo para automatizar a geração de casos de teste de ferramentas de ensino de introdução à programação. Como o código do MAAT não foi disponibilizado, houve a necessidade de implementar o algoritmo seguindo as instruções relatadas no artigo. Assim, foi possível conduzir experimentos utilizando diferentes códigos de introdução à programação como software a ser testado pelo MAAT e por um algoritmo genético comum para comparar os resultados das suas performances. Analisando os dados desses experimentos, foi possível notar que o MAAT implementado teve eficiência superior em número de iterações necessárias para atingir a cobertura total, tempo de execução do algoritmo e satisfação do critério de cobertura, provando ser um algoritmo adequado para a automatização da geração de casos de teste em ferramentas de ensino de programação.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
JHPSAlbuquerque.pdf		635.14 kB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository