2024BUAA-OO-UNIT3总结

袁嘉22230606 学生 2024-05-21 21:27:55

本单元测试过程

黑盒测试:测试人员将软件视为一个黑盒子,只关注输入和输出之间的关系。由于并不需要了解内部结构和实现逻辑,所以测试数据在压力过小时可能无法验证正确性。

白盒测试:测试人员根据软件的内部实现原理,设计测试用例并验证软件的每个逻辑路径是否正确。这样的测试更有可能找到问题,但是过于针对软件逻辑,可能忽略不同功能间联系细节出现的问题,导致测试不完整。

不同具体测试方法

单元测试:单元测试又称为模块测试,是指针对系统最小单元进行测试。其目的是检验软件基本组成单位的正确性。我认为在软件重构过程中单元测试是执行最多的测试方式。

功能测试:通过模拟用户的操作执行测试。黑盒测试中可能调用软件留有的测试专用接口。而功能测试完全从用户接触层面出发,保证软件的正确、可靠、易用。

集成测试:是将程序模块采用适当的集成策略组装起来,对系统的接口及集成后的功能进行正确性检测的测试工作。集成主要目的是检查软件单位之间的接口是否正确。

压力测试:用于确定系统在高负载下的行为和性能极限。验证系统的稳定性和可靠性、识别系统的瓶颈问题、确保系统在极限情况下的数据完整性和错误处理机制。在压力测试中,需要让系统超负荷运作,通过观察其反应来了解其弹性和极限性能。

回归测试:回归测试是指修改了旧代码后,重新进行测试以确认修改没有引入新的错误或导致其他代码产生错误。

数据构造

由上述说过的原因,不管是随机生成数据(类似黑盒测试)还是手动构造数据(类似白盒测试)都可能存在缺漏。我的数据构造策略是在随机生成数据时手动涵盖极端情况。如:完全图,空图,以及数值的最大值,0,和中间的随机数值。
在随机数据构造中,参数的大小也影响测试效果。如:在100个点的图中,若只随机生成20条边,那么这一百个点永远无法连接起来。而若在100个点中随机生成一万条边,那么极大的可能这个图是完全图,哪一种都无法测试全面。而若点和边的数量都随机,那么在组数不多的测试中也很有可能无法完全测试到。

本单元架构设计:

使用邻接表存储图结构,经实测,qbs使用深搜实现可以满足性能要求,所以没有采用重建并查集。而对于qts、qcs,则使用维护的方式保证查询效率。在维护过程中,可能有多个不同方法会更改维护值,而这不能从jml中读出,需要自己进行判断。

出现的性能问题:

hw9中由于对作业理解不到位,出现了完全翻译jml,导致时间复杂度爆炸的错误。还有并没有翻译jml,但是由于实现出现问题,导致超时的错误。在这单元的作业中,方法的复杂度控制在n方以下基本就不会超时。
我认为规格只是一种表示程序逻辑的语言。虽然jml可以帮助我们编写单元测试,然而毕竟jml无法自动编写并完成测试,也就是jml的目的不是测试本身。jml相比于自然语言,可以更加准确的传达程序的逻辑。例如在 hw11 message 中的 tag 存储的是tag的引用。这表明在删除这个tag之后仍然可以通过原来的tag发送消息。如果用自然语言表述,就很容易出现疏漏了。

规格和实现分离,使得完全依照jml测试会存在困难。比如对于数组的查询,选用hashMap存储id和对象,可以大幅缩减通过id查找的复杂度。然而倘若需要在测试时比较前后变化,获取这个数组,那么在执行方法前后多次调用getvalues() 可能返回不同顺序的内容,导致assert失败。

根据jml编写junit,完全翻译jml就可以保证内容完全正确。如exist和forall表述中,使用循环遍历,并且设置flag位,可以完美表述jml的逻辑。对于需要在执行前后保持对象不变的判断,由于获取方法可能返回的是浅克隆,使得junit测试本身必须保存一份原来内容的拷贝。在junit内部实现对象本身不支持的深克隆可能有些复杂。在这一单元的作业中,我使用镜像network。对于每一个person,克隆创建一个新的person,使得其中的初始值完全相同。之后原始person在network对象内构造,而新克隆的person使用一个新的镜像network。这个network不参与junit的评测,而只是在数据准备阶段让克隆出来的person隐含的内容与原始person相同。例如:每一个person会记录自己的邻居。然而我们无法直接更改邻居这个数组。只能在镜像network中进行相同的操作,使得每一个对应person的邻居数组相同,而对象的引用都不同,这样得到一个深克隆的对象数组。

学习体会

jml这个工具可能不是我想象中的完美工具,不过学习jml也让我体会到不同测试的重要性。在几万行的随机数据测试都没有问题的程序中找出的bug,结果发现通过单元测试可以非常容易的定位并解决。这一单元也改变了我原来“都用java了就别考虑性能了”的不太成熟的认知。对于软件开发过程中的性能和效率有了更多的关注。

...全文
150 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
内容概要:本文针对传统三电平并网逆变器存在的谐波含量高、电网不平衡工况适应性差及动态响应滞后等问题,提出了一种基于有源中点箝位(ANPC)三电平逆变器的高性能并网控制策略。该策略融合了双极性倍频脉宽调制(DPWMA)、正负序分离锁相技术和电网电压前馈控制,构建了“精准同步-扰动补偿-优质调制”的一体化控制体系。通过Simulink搭建仿真模型,在稳态对称、电网不平衡及动态扰动等多种工况下进行验证,结果表明该复合控制策略能显著降低并网电流谐波,提升锁相精度,有效抑制功率波动,并大幅缩短系统动态调节时间,增强了逆变器在复杂电网环境下的稳定性与适应性。; 适合人群:从事电力电子、新能源并网、智能电网等相关领域的科研人员及工程技术人员,尤其适合具备一定MATLAB/Simulink仿真基础、专注于并网逆变器控制策略研究的研发人员; 使用场景及目标:①用于提升大功率并网逆变器在电网电压不平衡、骤升骤降等非理想工况下的运行性能;②为ANPC拓扑结构与先进控制算法(如DPWMA、前馈-反馈复合控制)的协同优化提供仿真依据和技术参考;③适用于新能源发电系统、工业变流装置等对电能质量和动态响应要求较高的应用场景; 阅读建议:建议读者结合文中提出的控制架构图与仿真模型逐步复现,重点关注DPWMA调制实现、正负序分离锁相环设计及前馈补偿环节的参数整定,同时通过多工况仿真对比分析各项性能指标,深入理解各模块间的协同作用机制。
内容概要:本文以ANPC三电平并网逆变器为研究对象,提出了一种融合双极性倍频脉宽调制(DPWMA)、正负序分离锁相与电网电压前馈控制的高性能并网控制策略。通过对ANPC拓扑结构的分析,阐明其在开关损耗均衡、中点电位稳定和低输出谐波方面的硬件优势,为高质量并网奠定基础。在此基础上,DPWMA调制策略有效提升输出波形的等效开关频率,显著降低谐波含量;正负序分离锁相技术可精准提取电网正序分量,克服电网不平衡导致的锁相失真与电流不对称问题;电网电压前馈控制则增强系统对动态扰动的响应能力,缩短调节时间。文章构建了“信号采集—核心控制—调制驱动”的三层协同控制架构,并通过多工况仿真验证了该策略在稳态、不平衡及动态扰动条件下的优越性能,结果表明系统具备优异的电能质量、运行稳定性与抗扰能力。; 适合人群:电力电子、新能源并网、自动控制等相关领域的科研人员、研究生及从事逆变器设计与控制的工程技术人员。; 使用场景及目标:① 提升大功率并网逆变器在复杂电网环境下的运行稳定性与电能质量;② 解决电网电压不平衡、谐波畸变、电压骤变等工况下的锁相失真与电流不对称问题;③ 优化动态响应性能,应用于新能源发电、工业变流器等高可靠性要求场景; 阅读建议:建议结合Matlab/Simulink仿真平台,复现文中控制策略与仿真模型,重点理解DPWMA调制实现方法、正负序分离锁相环设计及前馈-反馈复合控制结构的协同机制,并通过不同扰动工况测试系统鲁棒性。
内容概要:本文研究了基于Q-Learning自适应强化学习的PID控制器在自主水下航行器(AUV)运动控制中的应用,旨在提升水下机器人在复杂、非线性及动态变化海洋环境中的控制精度与自适应能力。通过将强化学习算法与传统PID控制深度融合,构建了一种能够在线自主调整PID参数的智能控制框架,有效克服了传统PID控制器在面对模型不确定性、外部干扰和时变系统特性时适应性不足的问题。研究详细阐述了AUV的动力学建模过程,并精心设计了Q-Learning算法的状态空间、动作空间与奖励函数,使其能在Matlab仿真环境中通过不断的交互试错进行学习与优化,最终实现对航向角、深度等关键运动姿态的高精度、强鲁棒性控制。仿真结果充分验证了该方法在响应速度、稳态精度和抗干扰性能方面相较于传统方法的显著优越性,为智能水下装备的自主决策与控制提供了重要的理论依据和技术路径。; 适合人群:具备自动控制理论基础、强化学习初步知识及MATLAB编程能力的研究生、科研人员及从事智能机器人、无人系统控制开发的工程师。; 使用场景及目标:①应用于水下机器人、无人潜航器等复杂动态系统的智能控制设计;②解决传统PID控制器参数整定困难、环境适应性差和鲁棒性不足的关键问题;③推动强化学习等人工智能技术在实际工程控制系统中的落地应用、性能优化与可靠性验证。; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,重点关注Q-Learning与PID的耦合机制、状态量与奖励函数的设计原则,深入理解智能控制策略的训练收敛过程、超参数敏感性及其在不同工况下的性能表现。

301

社区成员

发帖
与我相关
我的任务
社区描述
2023年北航面向对象设计与构造
学习 高校
社区管理员
  • YannaZhang
  • CajZella
  • C_ecelia
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧