CN116680194A - 一种高效半自动人工智能软件的实现方法 - Google Patents
一种高效半自动人工智能软件的实现方法 Download PDFInfo
- Publication number
- CN116680194A CN116680194A CN202310782018.0A CN202310782018A CN116680194A CN 116680194 A CN116680194 A CN 116680194A CN 202310782018 A CN202310782018 A CN 202310782018A CN 116680194 A CN116680194 A CN 116680194A
- Authority
- CN
- China
- Prior art keywords
- error detection
- test
- task
- result
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 283
- 238000001514 detection method Methods 0.000 claims abstract description 243
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013515 script Methods 0.000 claims description 64
- 238000010586 diagram Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 11
- 238000013100 final test Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/31—Programming languages or programming paradigms
- G06F8/313—Logic programming, e.g. PROLOG programming language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种高效半自动人工智能软件的实现方法,包括:S1:基于用户输入的待执行任务获得对应的任务测试结果;S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合;S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型;S4:基于所述最优检错模型获得对应的最终执行结果;用以基于人工专家库对初步检测模型进行不断训练优化获得最优检错模型,基于最优检错模型和任务测试结果获得对应的最终执行结果,高效地改进了人工智能软件对随机任务的执行性能,实现了基于人工智能软件高效处理复杂任务。
Description
技术领域
本发明涉及软件实现融合技术领域,特别涉及一种高效半自动人工智能软件的实现方法。
背景技术
目前,人工智能的发展日渐迅速,且广泛应用于各个领域,人工智能在计算机软件领域也有所应用,现存的人工智能软件多采用机器学习算法、遗传算法和机器学习等算法实现,为了优化人工智能软件的执行性能,现存的研究多将上述多种算法中进行结合实现人工智能软件的执行,但是这种人工智能软件的实现方法存在以下问题:
第一,如何高效地改进人工智能软件对用户给定的随机任务的执行性能;
第二,如何将专家意见与固定算法进行结合,从而真正地实现基于人类学习过程进行计算机模拟决断,进而实现基于人工智能软件高效处理复杂任务。
因此,本发明提出了一种高效半自动人工智能软件的实现方法。
发明内容
本发明提供一种高效半自动人工智能软件的实现方法,用以基于人工专家库对初步检测模型进行不断训练优化获得最优检错模型,基于最优检错模型和任务测试结果获得对应的最终执行结果,高效地改进了人工智能软件对用户给定的随机任务的执行性能,也真正地实现了基于人类学习过程进行计算机模拟决断,进而实现了基于人工智能软件高效处理复杂任务。
本发明提供一种高效半自动人工智能软件的实现方法,包括:
S1:基于用户输入的待执行任务获得对应的任务测试结果;
S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合;
S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型;
S4:基于所述最优检错模型获得对应的最终执行结果。
优选的,所述的一种高效半自动人工智能软件的实现方法,S1:基于用户输入的待执行任务获得对应的任务测试结果,包括:
S101:分析用户输入的待执行任务,获得对应的任务逻辑;
S102:基于所述任务逻辑生成对应的待执行流程;
S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果;
S104:基于所述部署结果生成每个子执行模块对应的测试脚本;
S105:基于所述测试脚本完成任务测试,获得每个子执行模块对应的任务测试结果。
优选的,所述的一种高效半自动人工智能软件的实现方法,S102:基于所述任务逻辑生成对应的待执行流程,包括:
基于所述任务逻辑生成对应的任务逻辑结构图;
基于所述任务逻辑结构图确定所述待执行任务中每个步骤的执行顺序;
基于所述执行顺序和所述任务逻辑结构图生成对应的待执行流程。
优选的,所述的一种高效半自动人工智能软件的实现方法,S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果,包括:
基于每个子执行模块对应的模块属性计算出对应的模块权值;
基于所述模块权值对所有子执行模块进行排序,获得对应的模块排序列表;
基于所述模块排序列表和每个子执行模块对应的可承载容量以及所述待执行流程,将所述待执行任务对应的测试源代码依次部署至对应子执行模块,获得对应的部署结果。
优选的,所述的一种高效半自动人工智能软件的实现方法,S104:基于所述部署结果生成每个子执行模块对应的测试脚本,包括:
基于所述部署结果获取每个子执行模块对应的子执行任务和部署配置;
基于所述子执行任务和对应的部署配置从算法库中调取每个子执行模块对应的人工智能算法;
基于所述人工智能算法生成每个子执行模块对应的对应的测试脚本。
优选的,所述的一种高效半自动人工智能软件的实现方法,S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合,包括:
基于所述初步检错模型对每个子执行模块对应的任务测试结果进行检错,获得对应的第一检错结果集合;
基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合。
优选的,所述的一种高效半自动人工智能软件的实现方法,基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合,包括:
基于所述子执行模块对应的测试脚本在所述人工专家库中筛选出对应的第一测试用例;
基于用户输入的专家意见从所述人工专家库中筛选出所述测试脚本对应的第二测试用例;
判断所述第一测试用例和所述第二测试用例是否相同,若是,则将所述第一测试用例作为对应的最相似测试用例;
否则,将所述第二测试用例作为对应的最相似测试用例;
在所述测试脚本对应的第一测试对象布局中确定出与所述最相似测试用例对应的第二测试对象布局不同的差异对象布局;
在所述测试脚本中包含的每个第一测试步骤对应的测试语句中确定出与所述最相似测试用例中包含的每个第二测试步骤对应的测试语句中的字符不同的差异字符;
确定出所述测试脚本对应的第一测试逻辑以及所述第一测试逻辑中与所述最相似测试用例对应的第二测试逻辑不同的局部差异逻辑;
基于所述第一测试逻辑确定出所述差异字符和所述差异对象布局对应的源代码集合;
基于所述局部差异逻辑和所述源代码集合在所述人工专家库中调取出对应的第三测试用例,并基于所述局部差异逻辑和所述源代码集合在所述第三测试用例对应的第二测试用例结果中筛选出对应的子测试结果;
调取出所述最相似测试用例对应的第一测试用例结果;
基于所述子测试结果和所述第一测试用例结果生成对应的最终测试用例结果;
将所述任务测试结果中与所述最终测试用例结果中不同的结果作为对应的第二检错结果;
基于所有子执行模块对应的第二检错结果构成对应的第二检错结果集合。
优选的,所述的一种高效半自动人工智能软件的实现方法,S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型,包括:
基于所述第二检错结果集合对所述第一检错结果集合进行纠正,获得对应的检错纠正结果;
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型。
优选的,所述的一种高效半自动人工智能软件的实现方法,基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型,包括:
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的二次检错模型;
基于所述任务逻辑结构图确定出所述待执行任务对应的子执行模块总集群;
基于第一模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第一模块集群;
确定出所述第一模块集群中包含的子执行模块对应的第一子任务测试结果,获得对应的第一测试结果集合;
基于所述二次检错模型对所述第一测试结果集合进行检错,获得对应的第三检错结果集合;
基于所述人工专家库对所述第一测试结果结合进行检错,获得对应的第四检错结果集合;
判断所述第三检错结果集合和所述第四检错结果集合之间的差异值是否不超过差异阈值,若是,则将所述二次检错模块作为对应的最优检错模型;
否则,基于第二模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第二模块集群;
基于所述第二模块集群对应的第二子任务测试结果对所述二次检错模型继续进行训练,直至基于训练获得的最新检错模型生成的检错结果与基于所述人工专家库生成的检错结果之间的差异值不超过差异阈值时,则将训练获得的最新检错模型作为对应的最优检错模型。
优选的,所述的一种高效半自动人工智能软件的实现方法,S4:基于所述最优检错模型获得对应的最终执行结果,包括:
S401:基于所述最优检错模型对所述测试脚本进行最终检错,获得对应的最终检错结果;
S402:基于所述最终检错结果对所述测试脚本进行校正,获得对应的最终执行脚本;
S403:基于所述待执行流程执行所述最终执行脚本,获得所述待执行任务的最终执行结果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种高效半自动人工智能软件的实现方法流程图;
图2为本发明实施例中又一种高效半自动人工智能软件的实现方法流程图;
图3为本发明实施例中再一种高效半自动人工智能软件的实现方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种高效半自动人工智能软件的实现方法,参考图1,包括:
S1:基于用户输入的待执行任务获得对应的任务测试结果;
S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合;
S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型;
S4:基于所述最优检错模型获得对应的最终执行结果。
该实施例中,待执行任务即为用户输入的需要人工智能软件执行的任务。
该实施例中,任务测试结果即为初步测试人工智能软件执行待执行任务时获得的结果。
该实施例中,初步检错模型即为预先设置的用于对任务测试结果进行检错的模型。
该实施例中,第一检错结果集合即为基于初步检错模型对所有子执行模块对应的任务测试结果进行检错后获得的结果的集合。
该实施例中,人工专家库即为用于存储人工生成的测试用例的数据库。
该实施例中,第二检错结果集合即为基于人工专家库对所有子执行模块对饮的个人恩物测试结果进行检错后获得的结果的集合。
该实施例中,最优检错模型即为基于第一检错结果集合和第二检错结果集合对初步检错模型进行训练优化后获得的最优的检错模型。
该实施例中,最终执行结果即为基于最优检错模型生成对应的最终执行脚本,通过执行生成的最终执行脚本获得的结果。
以上技术的有益效果为:基于人工专家库生成的第二检错结果集合和基于初步检测模型生成的第一检错结果集合对初步检错模型进行不断训练优化,获得最优检错模型,基于最优检错模型和任务测试结果获得对应的最终执行结果,高效地改进了人工智能软件对用户给定的随机任务的执行性能,也真正地实现了基于人类学习过程进行计算机模拟决断,进而实现了基于人工智能软件高效处理复杂任务。
实施例2:
在实施例1的基础上,所述的一种高效半自动人工智能软件的实现方法,S1:基于用户输入的待执行任务获得对应的任务测试结果,参考图2,包括:
S101:分析用户输入的待执行任务,获得对应的任务逻辑;
S102:基于所述任务逻辑生成对应的待执行流程;
S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果;
S104:基于所述部署结果生成每个子执行模块对应的测试脚本;
S105:基于所述测试脚本完成任务测试,获得每个子执行模块对应的任务测试结果。
该实施例中,任务逻辑即为待执行任务之间的执行关系和逻辑。
该实施例中,待执行流程即为基于任务逻辑生成的执行待执行任务的流程。
该实施例中,部署结果即为基于任务逻辑对子执行模块进行任务部署后获得的结果。
该实施例中,测试脚本即为基于部署结果中为每个子执行模块部署的待执行子任务生成对应的用于测试对应待执行子任务的执行效果的脚本。
以上技术的有益效果为:通过分析出用户输入的待执行任务的任务逻辑,进而生成对应的待执行流程,基于待执行流程对子执行模块进行任务部署,保证了子执行模块被部署的效果,也保证了被部署后的子执行模块执行待执行任务的执行效果,进而获得每个子执行模块对应的任务测试结果,为后续生成最准确的最终执行脚本提供了初步基础。
实施例3:
在实施例2的基础上,所述的一种高效半自动人工智能软件的实现方法,S102:基于所述任务逻辑生成对应的待执行流程,包括:
基于所述任务逻辑生成对应的任务逻辑结构图;
基于所述任务逻辑结构图确定所述待执行任务中每个步骤的执行顺序;
基于所述执行顺序和所述任务逻辑结构图生成对应的待执行流程。
该实施例中,任务逻辑结构图即为用于表征待执行任务的任务逻辑的结构图。
该实施例中,执行顺序基于基于任务逻辑结构图确定的执行任务中包含的步骤的先后顺序。
以上技术的有益效果为:基于待执行任务的任务逻辑的结构图确定出待执行任务中包含的每个步骤的执行顺序,进而生成对应的待执行流程,使得生成的待执行流程充分考虑到了每个步骤之间的执行逻辑,使得生成的待执行流程更加合理。
实施例4:
在实施例3的基础上,所述的一种高效半自动人工智能软件的实现方法,S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果,包括:
基于每个子执行模块对应的模块属性计算出对应的模块权值;
基于所述模块权值对所有子执行模块进行排序,获得对应的模块排序列表;
基于所述模块排序列表和每个子执行模块对应的可承载容量以及所述待执行流程,将所述待执行任务对应的测试源代码依次部署至对应子执行模块,获得对应的部署结果。
该实施例中,模块属性包含子执行模块与主部署模块之间的传输距离、子执行模块的可承载量。
该实施例中,基于每个子执行模块对应的模块属性计算出对应的模块权值,包括:
式中,αi为第i个子执行模块对应的模块权值,e为自然常数且e的取值为2.72,ln为以e为底的对数函数,Li为第i个子执行模块与主部署模块之间的传输距离且Li的取值范围为(0,1000]m,n为子执行模块的总个数,Si为第i个子执行模块对应的可承载量且Si的取值范围为(0,10]GB/s;
例如:包含两个子执行模块,且两个子执行模块与主部署模块之间的传输距离都为2.72,的传输距离对应的可承载量也都为2.72,则两个子执行模块对应的模块权值都为2.72。
该实施例中,模块权值即为表征子执行模块可被部署的排序先后,模块权值越大越应在优先被部署。
该实施例中,模块排序列表即为基于模块权值对子执行模块进行排序后获得的列表。
该实施例中,测试源代码即为待执行任务的测试流程中包含的源代码。
以上技术的有益效果为:基于子执行模块对应的模块属性计算出每个子执行模块对应的模块权值,基于模块权值确定出子执行模块的被部署顺序,并结合每个子执行模块的可承载容量和待执行流程,将测试源代码依次部署至对应子执行模块,从而达到当前执行条件下的最佳部署效果。
实施例5:
在实施例4的基础上,所述的一种高效半自动人工智能软件的实现方法,S104:基于所述部署结果生成每个子执行模块对应的测试脚本,包括:
基于所述部署结果获取每个子执行模块对应的子执行任务和部署配置;
基于所述子执行任务和对应的部署配置从算法库中调取每个子执行模块对应的人工智能算法;
基于所述人工智能算法生成每个子执行模块对应的对应的测试脚本。
该实施例中,子执行任务即为基于部署结果确定出的每个子执行模块需要执行的待执行任务中包含的子任务。
该实施例中,部署配置即为将子执行任务部署至对应子执行模块过程中生成的配置文件。
该实施例中,人工智能算法即为基于基于自执行任务和对应的部署配置文件从算法库中调取出的对应的算法语句。
该实施例中,算法库即为预先设置的包含可执行任务的测试算法语句的数据库。
以上技术的有益效果为:基于基于部署结果从预先准备的算法库中调取出实现子执行模块测试任务的算法语句,进而基于算法语句生成对应的测试脚本,为后续完成每个子执行模块的测试任务提供了初步基础。
实施例6:
在实施例5的基础上,所述的一种高效半自动人工智能软件的实现方法,S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合,包括:
基于所述初步检错模型对每个子执行模块对应的任务测试结果进行检错,获得对应的第一检错结果集合;
基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合。
以上技术的有益效果为:基于初步检错模型对每个子执行模块对应的任务测试结果进行检错,获得对应的第一检错结果集合;基于人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合,为后续对初步检错模型进行不断训练优化提供重要的数据基础,进而为后续生成准确的最终执行脚本提供了基础。
实施例7:
在实施例6的基础上,所述的一种高效半自动人工智能软件的实现方法,基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合,包括:
基于所述子执行模块对应的测试脚本在所述人工专家库中筛选出对应的第一测试用例;
基于用户输入的专家意见从所述人工专家库中筛选出所述测试脚本对应的第二测试用例;
判断所述第一测试用例和所述第二测试用例是否相同,若是,则将所述第一测试用例作为对应的最相似测试用例;
否则,将所述第二测试用例作为对应的最相似测试用例;
在所述测试脚本对应的第一测试对象布局中确定出与所述最相似测试用例对应的第二测试对象布局不同的差异对象布局;
在所述测试脚本中包含的每个第一测试步骤对应的测试语句中确定出与所述最相似测试用例中包含的每个第二测试步骤对应的测试语句中的字符不同的差异字符;
确定出所述测试脚本对应的第一测试逻辑以及所述第一测试逻辑中与所述最相似测试用例对应的第二测试逻辑不同的局部差异逻辑;
基于所述第一测试逻辑确定出所述差异字符和所述差异对象布局对应的源代码集合;
基于所述局部差异逻辑和所述源代码集合在所述人工专家库中调取出对应的第三测试用例,并基于所述局部差异逻辑和所述源代码集合在所述第三测试用例对应的第二测试用例结果中筛选出对应的子测试结果;
调取出所述最相似测试用例对应的第一测试用例结果;
基于所述子测试结果和所述第一测试用例结果生成对应的最终测试用例结果;
将所述任务测试结果中与所述最终测试用例结果中不同的结果作为对应的第二检错结果;
基于所有子执行模块对应的第二检错结果构成对应的第二检错结果集合。
该实施例中,第一测试用例即为基于子执行模块对应的测试脚本在人工专家库中筛选出的与对应子执行模块最相似的测试用例。
该实施例中,第二测试用例即为基于用户输入的专家意见从人工专家库中筛选出的测试脚本对应的测试用例。
该实施例中,最相似测试用例即为人工专家库中存储的与子执行模块执行的测试对应子执行任务的测试过程最相似的测试用例。
该实施例中,第一测试对象布局即为测试脚本对应的测试对象布局(即为测试脚本包含的待测试任务中包含的待测试对象的测试逻辑布局)。
该实施例中,第二测试对象布局即为最相似测试用例对应的测试对象布局。
该实施例中,差异对象布局即为测试脚本对应的第一测试对象布局中与最相似测试用例对应的第二测试对象布局不同的对象布局。
该实施例中,第一测试步骤即为测试脚本中包含的测试步骤。
该实施例中,第二测试步骤即为最相似测试用例中包含的测试步骤。
该实施例中,差异字符即为测试脚本中包含的每个第一测试步骤对应的测试语句中包含的与最相似测试用例中包含的每个第二测试步骤对应的测试语句中的字符不同的字符。
该实施例中,测试语句即为测试步骤中包含的测试算法语句。
该实施例中,第一测试逻辑即为测试脚本对应的测试逻辑。
该实施例中,第二测试逻辑即为最相似测试用例对应的测试逻辑。
该实施例中,局部差异逻辑即为第一测试逻辑中与最相似测试用例对应的第二测试逻辑不同的局部逻辑。
该实施例中,源代码集合即为基于第一测试逻辑确定出的差异字符和差异对象布局对应的源代码构成的集合。
该实施例中,第三测试用例即为从人工专家库中调取出的包含与局部差异逻辑和源代码集合一致的测试用例。
该实施例中,第二测试用例结果即为第三测试用例对应的测试结果。
该实施例中,子测试结果即为基于局部差异逻辑和源代码集合在第二测试用例结果中筛选出对应的部分测试结果。
该实施例中,第一测试用例结果即为最相似测试用例对应的测试结果。
该实施例中,基于所述子测试结果和所述第一测试用例结果生成对应的最终测试用例结果即为:将第一测试用例结果中局部差异逻辑和源代码集合对应的部分测试结果替换成子测试结果,获得对应的最终测试用例结果。
该实施例中,第二检错结果即为任务测试结果中与最终测试用例结果中不同的结果。
以上技术的有益效果为:基于测试脚本自动筛选或者用户干预在人工专家库中检索出与测试脚本最相似的测试用例,再确定出所述测试脚本中与最相似测试用例差异的部分,基于该差异部分筛选出包含与差异部分一致的测试任务的测试用例,将两次筛选出测试用例对应的测试结果进行融合生成与当前子执行任务最准确的测试结果一致的测试用例结果,进而可以确定出最准确的第二检错结果集合,为后续训练出最准确的最优检错模型提供了重要基础。
实施例8:
在实施例7的基础上,所述的一种高效半自动人工智能软件的实现方法,S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型,包括:
基于所述第二检错结果集合对所述第一检错结果集合进行纠正,获得对应的检错纠正结果;
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型。
该实施例中,检错纠正结果即为基于第二检错结果集合对第一检错结果集合进行纠正后获得的结果。
以上技术的有益效果为:基于第二检错结果集合对第一检错结果结合进行纠错获得的结果对初步检错模型进行训练,为获得可最准确最高效完成用户随机分配的执行任务的人工智能软件算法提提供了基础。
实施例9:
在实施例8的基础上,所述的一种高效半自动人工智能软件的实现方法,基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型,包括:
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的二次检错模型;
基于所述任务逻辑结构图确定出所述待执行任务对应的子执行模块总集群;
基于第一模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第一模块集群;
确定出所述第一模块集群中包含的子执行模块对应的第一子任务测试结果,获得对应的第一测试结果集合;
基于所述二次检错模型对所述第一测试结果集合进行检错,获得对应的第三检错结果集合;
基于所述人工专家库对所述第一测试结果结合进行检错,获得对应的第四检错结果集合;
判断所述第三检错结果集合和所述第四检错结果集合之间的差异值是否不超过差异阈值,若是,则将所述二次检错模块作为对应的最优检错模型;
否则,基于第二模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第二模块集群;
基于所述第二模块集群对应的第二子任务测试结果对所述二次检错模型继续进行训练,直至基于训练获得的最新检错模型生成的检错结果与基于所述人工专家库生成的检错结果之间的差异值不超过差异阈值时,则将训练获得的最新检错模型作为对应的最优检错模型。
该实施例中,二次检错模型即为基于检错纠正结果对初步检错模型进行训练后获得的检错模型。
该实施例中,子执行模块总集群即为任务逻辑结构图中包含的所有子执行模块构成的模块集群。
该实施例中,第一模块集群即为基于第一模块容量和任务逻辑结构图将所述子执行模块总集群划分获得的多个模块集群。
该实施例中,第一模块容量即为预设设置的在划分模块集群时最小的模块容量。
该实施例中,第一子任务测试结果即为第一模块集群中包含的子执行模块对应的测试结果。
该实施例中,第一测试结果集合即为由第一子任务测试结果构成的集合。
该实施例中,第三检错结果集合即为基于二次检错模型对第一测试结果集合进行检错后获得的检错结果构成的集合。
该实施例中,第四检错结果集合即为基于人工专家库对所第一测试结果结合进行检错后获得的检错结果构成的集合。
该实施例中,所述第三检错结果集合和所述第四检错结果集合之间的差异值,即为:
确定出第三件错结果集合中与第四检错结果集合中的差异字符总个数;
基于差异字符总个数和第三检错结果集合中包含的第一字符总个数以及第四检错结果集合中包含的第二字符总个数,计算出第三检错结果集合和第四检错结果集合之间的差异值:
式中,β为第三检错结果集合和第四检错结果集合之间的差异值,m为差异字符总个数,p为第三检错结果集合中包含的第一字符总个数,q为第四检错结果集合中包含的第二字符总个数;
例如,m为5,p为100,q为100,则β为0.05。
该实施例中,差异阈值即为最新训练获得的检错模型可以作为最优检错模型时对应的检错结果集合与基于人工专家库进行检错获得的检错结果集合之间的最大差值。
该实施例中,第二模块集群即为基于第二模块容量和任务逻辑结构图将子执行模块总集群划分获得的多个模块集群。
该实施例中,第二模块容量即为预设设置的在划分模块集群时第二小的模块容量。
以上技术的有益效果为:通过对不同模块肉片马国良构成的模块集群进行对应的测试结果集合进行检错,基于检错获得的结果对初步检错模型进行不断迭代优化,保证了最优检错模型针对不同模块容量的测试结果的检错效果。
实施例10:
在实施例1的基础上,所述的一种高效半自动人工智能软件的实现方法,S4:基于所述最优检错模型获得对应的最终执行结果,参考图3,包括:
S401:基于所述最优检错模型对所述测试脚本进行最终检错,获得对应的最终检错结果;
S402:基于所述最终检错结果对所述测试脚本进行校正,获得对应的最终执行脚本;
S403:基于所述待执行流程执行所述最终执行脚本,获得所述待执行任务的最终执行结果。
该实施例中,最终检错结果即为最优检错模型对测试脚本进行最终检错后获得的检错结果。
该实施例中,最终执行脚本即为基于最终检错结果对测试脚本进行校正后后的脚本。
以上技术的有益效果为:基于最优检错模型对测试脚本进行最终检错并校正获得对应的最终执行脚本,基于最终执行脚本获得对应的最终执行结果,高效地改进了人工智能软件对用户给定的随机任务的执行性能,也真正地实现了基于人类学习过程进行计算机模拟决断,进而实现了基于人工智能软件高效处理复杂任务。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种高效半自动人工智能软件的实现方法,其特征在于,包括:
S1:基于用户输入的待执行任务获得对应的任务测试结果;
S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合;
S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型;
S4:基于所述最优检错模型获得对应的最终执行结果。
2.根据权利要求1所述的一种高效半自动人工智能软件的实现方法,其特征在于,S1:基于用户输入的待执行任务获得对应的任务测试结果,包括:
S101:分析用户输入的待执行任务,获得对应的任务逻辑;
S102:基于所述任务逻辑生成对应的待执行流程;
S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果;
S104:基于所述部署结果生成每个子执行模块对应的测试脚本;
S105:基于所述测试脚本完成任务测试,获得每个子执行模块对应的任务测试结果。
3.根据权利要求2所述的一种高效半自动人工智能软件的实现方法,其特征在于,S102:基于所述任务逻辑生成对应的待执行流程,包括:
基于所述任务逻辑生成对应的任务逻辑结构图;
基于所述任务逻辑结构图确定所述待执行任务中每个步骤的执行顺序;
基于所述执行顺序和所述任务逻辑结构图生成对应的待执行流程。
4.根据权利要求3所述的一种高效半自动人工智能软件的实现方法,其特征在于,S103:基于所述待执行流程对子执行模块进行任务部署,获得部署结果,包括:
基于每个子执行模块对应的模块属性计算出对应的模块权值;
基于所述模块权值对所有子执行模块进行排序,获得对应的模块排序列表;
基于所述模块排序列表和每个子执行模块对应的可承载容量以及所述待执行流程,将所述待执行任务对应的测试源代码依次部署至对应子执行模块,获得对应的部署结果。
5.根据权利要求4所述的一种高效半自动人工智能软件的实现方法,其特征在于,S104:基于所述部署结果生成每个子执行模块对应的测试脚本,包括:
基于所述部署结果获取每个子执行模块对应的子执行任务和部署配置;
基于所述子执行任务和对应的部署配置从算法库中调取每个子执行模块对应的人工智能算法;
基于所述人工智能算法生成每个子执行模块对应的对应的测试脚本。
6.根据权利要求5所述的一种高效半自动人工智能软件的实现方法,其特征在于,S2:基于初步检错模型和所述任务测试结果获得对应的第一检错结果集合,同时,基于人工专家库和所述任务测试结果获得对应的第二检错结果集合,包括:
基于所述初步检错模型对每个子执行模块对应的任务测试结果进行检错,获得对应的第一检错结果集合;
基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合。
7.根据权利要求6所述的一种高效半自动人工智能软件的实现方法,其特征在于,基于所述人工专家库对每个子执行模块对应的任务测试结果进行检错,获得对应的第二检错结果集合,包括:
基于所述子执行模块对应的测试脚本在所述人工专家库中筛选出对应的第一测试用例;
基于用户输入的专家意见从所述人工专家库中筛选出所述测试脚本对应的第二测试用例;
判断所述第一测试用例和所述第二测试用例是否相同,若是,则将所述第一测试用例作为对应的最相似测试用例;
否则,将所述第二测试用例作为对应的最相似测试用例;
在所述测试脚本对应的第一测试对象布局中确定出与所述最相似测试用例对应的第二测试对象布局不同的差异对象布局;
在所述测试脚本中包含的每个第一测试步骤对应的测试语句中确定出与所述最相似测试用例中包含的每个第二测试步骤对应的测试语句中的字符不同的差异字符;
确定出所述测试脚本对应的第一测试逻辑以及所述第一测试逻辑中与所述最相似测试用例对应的第二测试逻辑不同的局部差异逻辑;
基于所述第一测试逻辑确定出所述差异字符和所述差异对象布局对应的源代码集合;
基于所述局部差异逻辑和所述源代码集合在所述人工专家库中调取出对应的第三测试用例,并基于所述局部差异逻辑和所述源代码集合在所述第三测试用例对应的第二测试用例结果中筛选出对应的子测试结果;
调取出所述最相似测试用例对应的第一测试用例结果;
基于所述子测试结果和所述第一测试用例结果生成对应的最终测试用例结果;
将所述任务测试结果中与所述最终测试用例结果中不同的结果作为对应的第二检错结果;
基于所有子执行模块对应的第二检错结果构成对应的第二检错结果集合。
8.根据权利要求7所述的一种高效半自动人工智能软件的实现方法,其特征在于,S3:基于所述第一检错结果集合和所述第二检错结果集合,获得对应的最优检错模型,包括:
基于所述第二检错结果集合对所述第一检错结果集合进行纠正,获得对应的检错纠正结果;
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型。
9.根据权利要求8所述的一种高效半自动人工智能软件的实现方法,其特征在于,基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的最优检错模型,包括:
基于所述检错纠正结果对所述初步检错模型进行训练,获得对应的二次检错模型;
基于所述任务逻辑结构图确定出所述待执行任务对应的子执行模块总集群;
基于第一模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第一模块集群;
确定出所述第一模块集群中包含的子执行模块对应的第一子任务测试结果,获得对应的第一测试结果集合;
基于所述二次检错模型对所述第一测试结果集合进行检错,获得对应的第三检错结果集合;
基于所述人工专家库对所述第一测试结果结合进行检错,获得对应的第四检错结果集合;
判断所述第三检错结果集合和所述第四检错结果集合之间的差异值是否不超过差异阈值,若是,则将所述二次检错模块作为对应的最优检错模型;
否则,基于第二模块容量和所述任务逻辑结构图将所述子执行模块总集群划分成多个第二模块集群;
基于所述第二模块集群对应的第二子任务测试结果对所述二次检错模型继续进行训练,直至基于训练获得的最新检错模型生成的检错结果与基于所述人工专家库生成的检错结果之间的差异值不超过差异阈值时,则将训练获得的最新检错模型作为对应的最优检错模型。
10.根据权利要求1所述的一种高效半自动人工智能软件的实现方法,其特征在于,S4:基于所述最优检错模型获得对应的最终执行结果,包括:
S401:基于所述最优检错模型对所述测试脚本进行最终检错,获得对应的最终检错结果;
S402:基于所述最终检错结果对所述测试脚本进行校正,获得对应的最终执行脚本;
S403:基于所述待执行流程执行所述最终执行脚本,获得所述待执行任务的最终执行结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310782018.0A CN116680194B (zh) | 2023-06-29 | 2023-06-29 | 一种高效半自动人工智能软件的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310782018.0A CN116680194B (zh) | 2023-06-29 | 2023-06-29 | 一种高效半自动人工智能软件的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116680194A true CN116680194A (zh) | 2023-09-01 |
CN116680194B CN116680194B (zh) | 2024-05-28 |
Family
ID=87780947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310782018.0A Active CN116680194B (zh) | 2023-06-29 | 2023-06-29 | 一种高效半自动人工智能软件的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116680194B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279776A (zh) * | 2010-06-11 | 2011-12-14 | 无锡中星微电子有限公司 | 一种错误检查与纠正能力的测试方法及装置 |
CN107861864A (zh) * | 2017-08-25 | 2018-03-30 | 平安普惠企业管理有限公司 | 自动化测试方法、***及计算机可读存储介质 |
CN111427802A (zh) * | 2020-06-09 | 2020-07-17 | 南京大学 | 利用集成学习进行测试用例优先级排序的测试方法和*** |
CN112286806A (zh) * | 2020-10-28 | 2021-01-29 | 成都佰维存储科技有限公司 | 自动化测试方法、装置、存储介质及电子设备 |
US10949337B1 (en) * | 2019-10-29 | 2021-03-16 | Accenture Global Solutions Limited | Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform |
CN112597051A (zh) * | 2020-12-30 | 2021-04-02 | 北京华胜天成科技股份有限公司 | 获取测试结果的方法及装置、电子设备和存储介质 |
US20210109829A1 (en) * | 2019-10-09 | 2021-04-15 | Fujifilm Medical Systems U.S.A., Inc. | Systems and methods for detecting errors in artificial intelligence engines |
CN115509719A (zh) * | 2022-10-18 | 2022-12-23 | 中国农业银行股份有限公司 | 自动化流程执行方法和装置 |
CN115686850A (zh) * | 2022-11-02 | 2023-02-03 | 北京百度网讯科技有限公司 | 基于Spark的目标任务的处理方法、装置和电子设备 |
-
2023
- 2023-06-29 CN CN202310782018.0A patent/CN116680194B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279776A (zh) * | 2010-06-11 | 2011-12-14 | 无锡中星微电子有限公司 | 一种错误检查与纠正能力的测试方法及装置 |
CN107861864A (zh) * | 2017-08-25 | 2018-03-30 | 平安普惠企业管理有限公司 | 自动化测试方法、***及计算机可读存储介质 |
US20210109829A1 (en) * | 2019-10-09 | 2021-04-15 | Fujifilm Medical Systems U.S.A., Inc. | Systems and methods for detecting errors in artificial intelligence engines |
US10949337B1 (en) * | 2019-10-29 | 2021-03-16 | Accenture Global Solutions Limited | Utilizing neural network and artificial intelligence models to select and execute test cases in a software development platform |
CN111427802A (zh) * | 2020-06-09 | 2020-07-17 | 南京大学 | 利用集成学习进行测试用例优先级排序的测试方法和*** |
CN112286806A (zh) * | 2020-10-28 | 2021-01-29 | 成都佰维存储科技有限公司 | 自动化测试方法、装置、存储介质及电子设备 |
CN112597051A (zh) * | 2020-12-30 | 2021-04-02 | 北京华胜天成科技股份有限公司 | 获取测试结果的方法及装置、电子设备和存储介质 |
CN115509719A (zh) * | 2022-10-18 | 2022-12-23 | 中国农业银行股份有限公司 | 自动化流程执行方法和装置 |
CN115686850A (zh) * | 2022-11-02 | 2023-02-03 | 北京百度网讯科技有限公司 | 基于Spark的目标任务的处理方法、装置和电子设备 |
Non-Patent Citations (1)
Title |
---|
李娜, 慕晓冬, 吴浩: "一种基于VC~(++)代码测试匹配算法的软件故障诊断方法", 现代电子技术, no. 19, 1 July 2006 (2006-07-01) * |
Also Published As
Publication number | Publication date |
---|---|
CN116680194B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10402039B2 (en) | Adaptive user interface using machine learning model | |
CN111047563B (zh) | 一种应用于医学超声图像的神经网络构建方法 | |
US20140310051A1 (en) | Methods and Apparatus for Project Portfolio Management | |
KR20200014510A (ko) | 기계 학습 기반의 예측 서비스 제공 방법 및 그 장치 | |
CN109783349B (zh) | 一种基于动态反馈权重的测试用例优先级排序方法及*** | |
CN110909758A (zh) | 计算机可读记录介质、学习方法和学习装置 | |
CN110515843B (zh) | 基于缺陷集合与倒排索引的测试用例优先排序方法 | |
CN112580775A (zh) | 分布式计算设备的作业调度 | |
CN102081544B (zh) | 应用程序生成***和方法 | |
CN110298615A (zh) | 用于选择仓库中的货品的方法、装置、介质和计算设备 | |
CN110633078B (zh) | 一种实现自动生成特征计算代码的方法及装置 | |
CN113032367A (zh) | 面向动态负载场景的大数据***跨层配置参数协同调优方法和*** | |
US11461656B2 (en) | Genetic programming for partial layers of a deep learning model | |
CN117573307B (zh) | 云环境下多任务的统筹管理方法及*** | |
CN116680194B (zh) | 一种高效半自动人工智能软件的实现方法 | |
US11573885B1 (en) | System and method for test selection according to test impact analytics | |
CN113780365A (zh) | 样本生成方法和装置 | |
CN113705813B (zh) | 基于遗传算法的变异规则补充方法及装置 | |
CN110059813A (zh) | 利用gpu集群更新卷积神经网络的方法、装置及设备 | |
CN115878891A (zh) | 直播内容生成方法、装置、设备以及计算机存储介质 | |
CN112783775A (zh) | 特殊字符输入测试方法及装置 | |
CN114139627A (zh) | 数据确定方法、装置、存储介质及电子设备 | |
Georges et al. | Feature-based algorithm selection for mixed integer programming | |
CN113297080B (zh) | 一种物联网平台的简易测试方法 | |
CN117573236A (zh) | 一种js函数的调用方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |