In the context of object-oriented software, a common problem is the determination of test orders for the integration test of classes, known as the class integration and test order (CITO) problem. The existing approaches, based on graphs, usually generate solutions that are sub-optimal, and do not consider the different factors and measures that can affect the construction of stubs. To overcome this limitation, solutions based on genetic algorithms (GA) have presented promising results. However, the determination of a cost function, which is able to generate the best solution, is not always a trivial task, mainly for complex systems. Therefore, to better represent the CITO problem, we introduce, in this paper, a multi-objective optimization approach, to generate a set of good solutions that achieve a balanced compromise between the different measures (objectives). Three different multi-objective optimization algorithms (MOA) were implemented: Pareto ant colony, multi-objective Tabu search and non-dominated sorting GA. The approach is applied to real programs and the obtained results allow comparison with the simple GA approach and evaluation of the different MOA.

No abstract

No abstract

Direitos para esta edição cedidos à Atena Editora pelos autores.Todo o conteúdo deste livro está licenciado sob uma Licença de Atribuição Creative Commons. Atribuição 4.0 Internacional (CC BY 4.0). O conteúdo dos artigos e seus dados em sua forma, correção e confiabilidade são de responsabilidade exclusiva dos autores, inclusive não representam necessariamente a posição oficial da Atena Editora. Permitido o download da obra e o compartilhamento desde que sejam atribuídos créditos aos autores, mas sem a possibilidade de alterá-la de nenhuma forma ou utilizá-la para fins comerciais.A Atena Editora não se responsabiliza por eventuais mudanças ocorridas nos endereços convencionais ou eletrônicos citados nesta obra.Todos os manuscritos foram previamente submetidos à avaliação cega pelos pares, membros do Conselho Editorial desta Editora, tendo sido aprovados para a publicação.

O teste baseado em mutação tem sido aplicado em diferentes contextos nos quais tem se mostrado um dos mais eficazes em revelar defeitos. Entretanto, uma disvantagem desse critério é o alto custo computacional. Por isso diferentes estratégias têm sido propostas na literatura com o objetivo de reduzir esse custo. A utilização de tais estratégias é fundamental para permitir a aplicação do teste de mutação em aplicações reais, entretanto, elas têm sido avaliadas somente para um conjunto de programas pequenos e com poucas estruturas de dados. Para fornecer indícios sobre o efeito dessas estratégias em programas mais complexos, este trabalho apresenta resultados de um experimento conduzido com a ferramenta Proteum e com quatro estratégias: Mutação Aleatória, Mutação Seletiva, Mutação Restrita e a Estratégia Essencial. As estratégias são avaliadas segundo o escore de mutação e custo, dado pela redução no número de mutantes gerados.