ترغب بنشر مسار تعليمي؟ اضغط هنا

سيناريوهات دوال جافا لتوليد صفوف JUnit

Java Functions Scenarios To Generate JUnit Classes

1191   0   23   0 ( 0 )
 تاريخ النشر 2014
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

اختبار الوحدة هو نهج عملي لزيادة دقة وجودة البرمجيات، و لكن كتابة التعليمات البرمجية لاختبار الوحدة هو عمل مضن و ممل و يحتاج الكثير من الوقت و الجهد. و ذلك سيحتاج الأمر JUnit حتى مع استخدام أطر عمل لكتابة و تشغيل اختبار الوحدة مثل الكثير من الوقت و الجهد. و بالتالي فإن هناك دوماً صعوبة في كتابة التعليمات البرمجية الخاصة بالاختبار. لذلك نقدم في هذا البحث طريقة جديدة لتوليد اختبار الوحدة آلياً بهدف تسريع عملية الاختبار و تقليل الكلفة. قمنا بتنفيذ هذه الطريقة على لغة البرمجة جافا حيث نقوم بكتابة توصيف جديد يُسمى JFS يصف سلوك الدالة من حيث الدخل و الخرج. يتم كتابة هذا التوصيف داخل صف التعليمات البرمجية و يكون مستقل عن التعليمات البرمجية، و يمكن كتابته قبل البدء بكتابة النص البرمجي و بالتالي نحقق مبدأ TDD أي التطوير المقاد بالاختبار الذي يعتمد على كتابة الاختبار أولاً بهدف تحسين عملية التطوير. و بعد كتابة التوصيف نقوم بتوليد صفوف الاختبار الخاصة بتنفيذ اختبار الوحدة (قمنا باستخدام إطار العمل JUnit لتنفيذ اختبار الوحدة) بناءاً على التوصيف الجديد.

المراجع المستخدمة
John A. van der Poll," Formal methods in software development: A road less travelled", July 2010
Sami Vaaraniemi." The benefits of automated unit testing", 2003
Vincent Massol with Ted Husted,"JUnit IN ACTION",2004
قيم البحث

اقرأ أيضاً

تتضمن هذه المحاضرة مراجعة سريعة لبعض المفاهيم الأساسية في لغة البرمجة جافا أهمها: أنواع البيانات, المتحولات, العبارات الشرطية و الحلقات التكرارية و الصفوف و الوراثة
تهدف هذه الجلسة لمراجعة المزيد من المفاهيم الأساسية في لغة جافا و هي الصفوف التي تمثل الأنواع الأولية, الإستثنائات و المصفوفات و الحزم و الواجهات.
تهدف هذه المحاضرة إلى تعريف الطلاب بمفهوم النياسب في لغة جافا و كيفية إنشائها و مزامنتها مع بعضها البعض.
أصبحت الشبكات العصبية العميقة ونماذج اللغة الضخمة في كل شيء في تطبيقات اللغة الطبيعية. نظرا لأنهم معروفون بطلب كميات كبيرة من بيانات التدريب، فهناك مجموعة متنامية من العمل لتحسين الأداء في إعدادات الموارد المنخفضة. بدافع من التغييرات الأساسية الأخيرة نحو النماذج العصبية والطائرة المسبقة والتدريب الشائعة النغمات الجميلة، نقوم بمسح نهج واعدة لمعالجة اللغات الطبيعية المنخفضة الموارد. بعد مناقشة حول الأبعاد المختلفة لتوفر البيانات، نقدم نظرة عامة منظم على الطرق التي تمكن التعلم عند انتشار البيانات التدريبية. يشتمل ذلك على آليات لإنشاء بيانات إضافية مصممة مثل تكبير البيانات والإشراف البعيد بالإضافة إلى إعدادات التعلم التي تقلل من الحاجة إلى الإشراف المستهدف. الهدف من المسح لدينا هو شرح كيف تختلف هذه الطرق في متطلباتهم كضمين لهم ضروري لاختيار تقنية مناسبة لإعداد محدد من الموارد منخفضة. هناك جوانب رئيسية أخرى لهذا العمل هي تسليط الضوء على القضايا المفتوحة وإطلاع الإرشادات الواعدة للبحث في المستقبل.
حققت الترجمة الآلية العصبية غير الخاضعة للرقابة (UNMT) التي تعتمد فقط على Glassive Monolingual Corpora نتائج ملحوظة في العديد من مهام الترجمة.ومع ذلك، في سيناريوهات العالم الواقعي، لا توجد سورانيا أحادية الأبعاد الضخمة لبعض لغات الموارد المنخفضة للغا ية مثل أنظمة الإستونية، وعادة ما تؤدي أنظمة بعثة الأمم المتحدة في غرة الأبراج بشكل سيئ عندما لا يكون هناك كائنات تدريب كافية لغات واحدة.في هذه الورقة، نقوم أولا بتحديد وتحليل سيناريو البيانات التدريبية غير المتوازنة لإدارة بروتوكولية الكونغراف.استنادا إلى هذا السيناريو، نقترح آليات التدريب الذاتي لجهاز مكافآت لتدريب نظام INMT قوي وتحسين أدائها في هذه الحالة.تظهر النتائج التجريبية على العديد من أزواج اللغة أن الأساليب المقترحة تتفوق بشكل كبير على نظم التعطيب التقليدية.
التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا