Resumo: Agentes inteligentes consistem em uma tecnologia da computação promissora para o desenvolvimento de sistemas distribuídos complexos. Apesar dos referenciais teóricos disponíveis para orientar o projetista desses agentes, existem poucas técnicas de testes propostas para validar esses sistemas. Sabe-se que essa validação depende dos casos de teste selecionados, os quais devem providenciar informações a respeito dos componentes na estrutura do agente que estão com desempenho insatisfatório. Este artigo apresenta a aplicação de sistemas imunológicos artificiais (SIA), por meio do algoritmo de seleção clonal (Clonalg), para o problema de otimização de seleção de casos de teste para o teste de sistemas computacionais baseados em agentes inteligentes. A fim de validar o uso do Clonalg, foram realizadas comparações entre as técnicas de algoritmos genéticos (AG) e algoritmos de otimização por colônia de formigas (ACO). Nos experimentos com a abordagem testando agentes inteligentes com diferentes tipos de arquitetura em ambientes parcialmente e totalmente observáveis, a abordagem selecionou um conjunto de casos de teste satisfatório em termos das informações geradas sobre o desempenho irregular do agente. Com base nesse resultado, a abordagem possibilita a identificação dos episódios problemáticos, permitindo ao projetista realizar mudanças objetivas na estrutura interna do agente de forma a melhorar seu desempenho.Palavras-chave: Agentes inteligentes. Seleção de casos de teste. Sistemas imunológicos artificiais. Abstract:Intelligent agents consist of a computing technology promising to develop complex distributed systems. Despite the theoretical frameworks available to guide the designer of these agents, there are few techniques proposed tests to validate these systems. It is known that this validation depends on the selected test cases, which should provide information on the components in the structure of the agent that are underperforming. This paper presents the application of artificial immune systems (AIS), through clonal selection algorithm (Clonalg) for the optimization problem of selecting test cases for testing computer systems based on intelligent agents. In order to validate the use of Clonalg comparisons between techniques of aenetic algorithms (GA) and algorithms for ant colony optimization (ACO) were performed. In the experiments with the approach testing intelligent agents with different architecture types in partially and fully observable environments, the approach selected a set of test cases satisfying in terms of information generated on the uneven performance of the agent. From this result, the approach enables the identification of problematic episodes, allowing the designer to make objective changes in the internal structure of the agent in order to improve its performance.

No abstract

No abstract