检索结果-内蒙古大学图书馆

软件学报 2019年第5期30卷 1438-1449页

作者：何柳柳杨羊李征赵瑞莲北京化工大学信息科学与技术学院北京100029

持续集成环境下的测试存在测试用例集变化大、测试时间有限和快速反馈等需求,传统的测试优化方法难以适用.强化学习是机器学习的一个重要分支,其本质是解决序贯决策问题,可以用于持续集成测试优化.但现有的基于强化学习的方法中,奖励函... 详细信息

持续集成环境下的测试存在测试用例集变化大、测试时间有限和快速反馈等需求,传统的测试优化方法难以适用.强化学习是机器学习的一个重要分支,其本质是解决序贯决策问题,可以用于持续集成测试优化.但现有的基于强化学习的方法中,奖励函数计算只包括测试用例在当前集成周期的执行信息.从奖励函数设计和奖励策略两个方面开展研究.在奖励函数设计方面,采用测试用例的完整历史执行信息替代当前执行信息,综合考虑测试用例历史失效总次数和历史失效分布信息,提出了两种奖励函数.在奖励策略方面,提出对当前执行序列的测试用例整体奖励和仅对失效测试用例的部分奖励两种策略.在3个工业级被测程序进行实验研究,结果表明:(1)与现有方法相比,所提出的基于完整历史执行信息奖励函数的强化学习方法可以大幅度提高持续集成测试序列的检错能力;(2)测试用例历史失效分布有助于发现潜在失效的测试用例,对强化学习奖励函数的设计更加重要;(3)整体奖励与部分奖励两种奖励策略受到被测程序的多种因素影响,需要根据实际情况具体选择;(4)包含历史信息的奖励函数会增加时间消耗,但并不影响测试效率.

关键词：持续集成测试测试用例优先排序测试用例历史执行信息强化学习奖励函数

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的持续集成测试用例优先排序奖励机制研究

基于强化学习的持续集成测试用例优先排序奖励机制研究

引用

作者：杨羊北京化工大学

学位级别：博士

持续集成测试用例优先排序技术(CITCP,Continuous Integration Test Case Prioritization)根据每次集成代码的不同连续地调整测试用例执行顺序,是一个连续决策的过程。强化学习是一种基于奖励机制的机器学习方法,核心是通过奖励函数对... 详细信息

持续集成测试用例优先排序技术(CITCP,Continuous Integration Test Case Prioritization)根据每次集成代码的不同连续地调整测试用例执行顺序,是一个连续决策的过程。强化学习是一种基于奖励机制的机器学习方法,核心是通过奖励函数对当前行为进行有效的评估,并反馈给智能体选择合适的后续行为,以实现期望的最大化。强化学习方法可以有效解决CITCP的序贯决策问题,以实现持续集成测试的快速反馈。奖励和智能体是决定强化学习质量的两个重要组成部分。奖励中的奖励函数设计和智能体中的奖励对象选择策略共同构成强化学习的奖励机制。在现有强化学习和持续集成测试用例优先排序结合方法中,奖励函数是基于当前执行失效测试用例的执行结果设计的,奖励对象选择策略就是对失效测试用例实施奖励,总体上是一种简单的奖励机制,既缺少理论层面奖励函数设计方法和奖励对象选择策略的基础研究,也缺少面向工业程序持续集成测试的实际应用方案。奖励机制是应用强化学习解决具体问题的关键,系统化地研究面向CITCP的强化学习奖励机制具有十分重要的理论意义和实际应用价值。本文针对基于强化学习的CITCP奖励机制进行研究,提出基于测试用例历史执行信息的奖励机制,即将测试用例历史执行信息作为奖励函数计算和奖励对象选择的基准。测试用例执行信息随着持续集成过程而更新,全部的历史执行信息可以构建为一个时序序列,相比当前执行结果可以更加有效地度量测试用例的潜在检错能力。基于时序序列模型研究了测试用例历史执行信息的特征提取方法,并进一步提出了三个奖励函数。在实证研究中发现工业程序的持续集成测试具有集成高频繁但测试低失效的特点,对CITCP提出新的挑战。一方面,高频繁的软件集成,会累积大量的测试用例历史执行信息,不但加剧了奖励计算资源的需求,而且会影响持续集成测试的快速反馈。基于失效测试与测试失效的相关性,本文进一步提出了基于时序滑动窗的奖励函数设计方法,分别从静态滑动窗和动态滑动窗开展研究。另一方面,低失效的测试用例数量,会导致强化学习中奖励对象稀少,引发强化学习的稀疏奖励问题。本文研究一种基于失效影响的奖励对象选择策略,在奖励失效测试用例的基础上,进一步增加失效影响高的通过测试用例作为奖励对象,有效解决了强化学习的奖励稀疏问题。本文的主要研究工作及贡献点如下:1.提出了基于测试用例历史执行信息的CITCP奖励函数设计方法。基于时序的测试用例历史信息可以展示测试用例完整的历史执行过程,进而更准确地度量其检错能力。本文基于时序模型研究了三种测试用例历史信息序列的特征提取方法,进一步设计了基于历史失效统计的奖励函数、基于历史失效密度的奖励函数和基于平均历史失效分布的奖励函数。相比较于基于测试用例当前执行结果的奖励函数,在增加有限计算开销的情况下,提出的奖励函数有效地提升了持续集成测试用例优先排序的效果。2.提出了基于时序滑动窗的CITCP奖励函数设计方法。在持续集成环境下,特别是实际工业程序的软件开发,高频繁率集成会累积庞大的测试用例历史信息,增加了奖励计算资源的需求。为了提高强化学习的奖励计算效率,基于失效测试与测试失效的相关性,分别提出基于静态滑动窗和自适应动态滑动窗的奖励函数,在有效提高奖励计算效率的基础上,进一步提升了持续集成测试用例优先排序效果。3.提出了基于失效影响的CITCP奖励对象选择策略。针对现有方法只对失效测试用例实施奖励,由于失效测试用例数量稀少引发强化学习的奖励稀疏问题,研究了一种基于失效影响分析的奖励对象选择策略,在奖励执行失效测试用例的基础上,进一步选择失效影响高的通过测试用例作为奖励对象,并分别提出基于测试的整体奖励对象选择策略、基于失效率的模糊奖励对象选择策略和基于测试频率的额外奖励对象选择策略,实现了强化学习的有效收敛。4.基于强化学习的CITCP开展了面向工业程序的实证研究。本文共收集了 14个工业数据集,包括4个前序研究中所使用的公共数据集和10个从实际持续集成测试日志采集的数据集。一方面实际工业数据集的特性为实证研究提出了挑战,另一方面基于实际工业数据集的实证研究为奖励机制提供了实际应用案例,为基于测试用例历史执行信息的奖励机制的有效性提供了支撑。

关键词：测试用例优先排序持续集成测试强化学习奖励机制滑动窗稀疏奖励

来源：评论

学校读者我要写书评

暂无评论

基于持续集成测试历史信息的强化学习智能体研究

基于持续集成测试历史信息的强化学习智能体研究

引用

作者：刘邦富北京化工大学

学位级别：硕士

持续集成下的测试用例优先级排序问题可以转化为序贯决策问题,进而可以通过强化学习来解决。基于强化学习的测试用例优先级排序是实现持续集成测试的一种重要方法。强化学习主要由环境、状态、智能体、动作和奖励组成。在基于强化学习... 详细信息

持续集成下的测试用例优先级排序问题可以转化为序贯决策问题,进而可以通过强化学习来解决。基于强化学习的测试用例优先级排序是实现持续集成测试的一种重要方法。强化学习主要由环境、状态、智能体、动作和奖励组成。在基于强化学习的测试用例优先级排序过程中,智能体根据集成测试(环境)中的测试用例特征(状态),决定下一次集成测试的测试用例执行顺序(动作),使测试能够尽早发现错误(获得最大奖励)。在现有的研究RETECS方法中,智能体使用了测试用例运行时间特征、测试用例上一次执行顺序特征和测试用例历史执行结果特征作为环境状态特征,智能体网络结构设计为12个隐藏层节点的全连接网络。在强化学习中,更多的环境状态特征可以帮助智能体更全面的感知环境状态信息,从而做出更好的决策。同时,为了更有效地处理更多的环境状态特征,需要设计新的智能体网络结构。本课题针对持续集成测试用例优先级排序的环境状态特征和智能体结构开展研究,提出了增强环境信息的强化学习模型。在环境状态特征方面,基于持续集成测试历史信息的测试用例历史分布进一步扩充了测试用例历史执行结果特征,提出了点乘特征、失败数特征和降序加权特征。在智能体结构方面,提出了一种由强化处理层和决策层组成的双层智能体网络结构,通过强化处理层分析和处理环境状态信息,帮助决策层做出更好的决策。本课题进一步引入了自注意力机制和外部注意力机制,分别采用自注意力机制和外部注意力机制实现强化处理层,构建了基于自注意力机制的智能体网络结构和基于外部注意力机制的智能体网络结构。基于自注意力机制的智能体网络结构可通过捕获多个特征内部之间的依赖关系,提取与排序有关的重要信息并进行感知。基于外部注意力机制的智能体网络结构考虑了测试用例特征中所有数据样本的相关性,以解决测试用例失效率极低情况下排序不好的问题。本课题选取了15个奖励函数对14个工业数据集进行了实验和分析研究。结果表明:(1)本课题提出的新特征可以帮助智能体获取更全面的环境状态信息从而得到更好的排序结果,与RETECS方法相比平均NAPFD提高了2.66%,平均TTF前移9.97个位置;(2)本课题提出的基于自注意力机制的智能体能够更好地处理环境状态信息,与(1)中的方法相比,虽然平均NAPFD只提高了0.83%,但是平均TTF前移50.68个位置;(3)本课题提出的基于外部注意力机制的智能体能更好的处理测试用例失效率极低情况下的测试用例优先级排序问题,与(1)中的方法相比,平均NAPFD提高了5.5%,平均TTF前移80.46个位置;(4)本课题提出的增强环境信息的强化学习模型适用于持续集成背景下的测试用例优先级排序,与RETECS方法相比平均NAPFD最高提高了8.16%,平均TTF前移90.43个位置。

关键词：持续集成测试测试用例优先级排序强化学习自注意力机制外部注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的持续集成测试奖励函数研究

基于强化学习的持续集成测试奖励函数研究

引用

作者：李郭炜北京化工大学

学位级别：硕士

持续集成(Continuous Integration,CI)要求频繁地完成软件集成构建和测试,并及时响应业务交付,其快速反馈机制对测试提出了新的挑战。基于强化学习的测试用例排序技术(Test Case Prioritization,TCP)已经在CI测试中有了实践应用,其中奖... 详细信息

持续集成(Continuous Integration,CI)要求频繁地完成软件集成构建和测试,并及时响应业务交付,其快速反馈机制对测试提出了新的挑战。基于强化学习的测试用例排序技术(Test Case Prioritization,TCP)已经在CI测试中有了实践应用,其中奖励是强化学习的一个重要组成部分,一个好的奖励函数对强化学习的效果具有至关重要的作用。在面向CI测试的TCP强化学习奖励研究中,基于测试用例历史执行信息的奖励函数被广泛研究,重点考虑了测试用例历史失效数量和失效分布两方面因素。历史失效数量越多,失效结果越临近,表明测试用例有更大的潜在缺陷检测能力。现有奖励函数的研究通常只考虑了单一因素的影响,或者以失效数量为基准,或者重点考虑失效分布但忽略了失效数量对缺陷检测能力的影响。本文同时考虑两个因素,在失效分布信息的基础上,结合考虑失效数量对测试优化的影响,进一步研究了奖励函数。本文主要研究CI测试中的强化学习奖励函数,以融合测试用例失效数量和失效分布信息为基础,针对不同权重的加权方法,提出了基于失效位置的指数加权融合方法和平方加权融合方法。基于上述两个方法,结合测试用例历史执行失效信息分别设计了基于失效位置的指数加权平均奖励函数(APEW)和基于失效位置的平方加权平均奖励函数(APQW)。另外,本文进一步考虑了测试用例的通过信息,结合历史通过信息与失效信息分别设计了结合测试用例通过信息的指数加权平均奖励函数(APEWP)和平方加权平均奖励函数(APQWP)。为了验证本课题提出的四个奖励函数测试优化效果,本文在10个工业数据集上开展了实验研究。结果表明:(1)基于测试用例历史失效信息的APEW和APQW奖励函数,相较于现有的APHF奖励在NAPFD上分别提高了 2.22%和1.01%,在RECALL上分别提高了 3.58%和3.48%,有效提高了测试序列的缺陷检测能力和覆盖度。(2)结合测试用例历史通过信息的APEWP和APQWP奖励函数相较于APHF奖励在NAPFD上分别提高了 3.10%和8.41%,在RECALL上分别提高了 4.14%和8.72%,进一步提高了缺陷检测能力和覆盖度。(3)对四个新提出的奖励函数的时间开销进行了比较,相比较APHF奖励缩短了测试时间,提高了测试效率。

关键词：持续集成测试测试用例优先排序强化学习奖励函数

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的软件持续集成测试优化技术研究

基于强化学习的软件持续集成测试优化技术研究

引用

作者：曹天歌北京化工大学

学位级别：硕士

在软件开发持续集成测试环境中,当程序员提交集成代码时,测试用例的优先级排序技术可以通过优先执行潜在发现错误的测试用例,尽早发现错误,减少测试执行时间,进而有效缓解频繁提交集成带来的计算资源密集问题。持续集成环境下的测试用... 详细信息

在软件开发持续集成测试环境中,当程序员提交集成代码时,测试用例的优先级排序技术可以通过优先执行潜在发现错误的测试用例,尽早发现错误,减少测试执行时间,进而有效缓解频繁提交集成带来的计算资源密集问题。持续集成环境下的测试用例优先排序问题属于序贯决策问题,强化学习算法能够有效适应变化的环境,并通过与环境的交互学习最优排序策略。由于持续集成测试具有频繁提交集成代码但测试失败率低的特点,应用强化学习会面临稀疏奖励问题,降低对测试用例排序策略的学习效果。通过对强化学习的测试用例奖励机制优化,可以缓解稀疏奖励问题。现有研究基于测试用例个体的历史信息进行奖励机制优化,通过测试用例历史信息与测试用例检错能力的关联,构建促进智能体学习的奖励机制。但在真实工业程序上,由于测试用例的历史执行失效率同样较低,导致稀疏奖励问题依旧存在。本课题在使用测试用例个体历史信息进行奖励的基础上,进一步预测测试用例未来执行情况,提出了基于测试用例个体外部激励机制和基于测试环境的内部激励机制,改进强化学习中奖励机制。在基于测试用例个体历史信息的外部激励机制中,分析测试用例历史信息的有效性,评估测试用例检错能力,增加具有失效潜力的通过测试用例作为奖励对象,提高奖励的密度;在基于测试环境的内部激励机制中,从提升智能体探索环境能力进一步增加额外奖励,设计了基于测试环境可达性的内部激励函数和奖励策略。为了验证两种奖励机制的有效性,本课题在6个工业数据集上开展了实验研究,结果表明:基于测试用例历史信息平稳性的外部奖励机制相较于现有的部分奖励机制和全体奖励机制标准化检错率最高分别提高了28.72%和9.96%,首次发现错误的位置分别前移了183.29和2.41位;基于测试环境可达性的内部激励机制促进强化学习中奖励机制的总体收敛,并在测试优化的表现上相较于仅含外部奖励的奖励机制标准化检错率提高了最高5.37%,首次发现错误位置前移了21.71位;同时,本文方法的时间消耗显示,对于强化学习激励机制的优化,并没有影响持续集成的整体效率。

关键词：持续集成测试强化学习内部激励机制测试环境可达性测试用例优先排序

来源：评论

学校读者我要写书评

暂无评论

面向持续集成测试优化的强化学习奖励机制

面向持续集成测试优化的强化学习奖励机制

引用

作者：何柳柳北京化工大学

学位级别：硕士

持续集成环境下,回归测试对时间、资源等有较高的要求,由于测试用例集变化频繁,同时存在测试时间有限和快速反馈等难点,使传统测试优化方法难以适用。强化学习的本质是解决序贯决策问题,可以用于持续集成测试优化。基于强化学习的测试... 详细信息

持续集成环境下,回归测试对时间、资源等有较高的要求,由于测试用例集变化频繁,同时存在测试时间有限和快速反馈等难点,使传统测试优化方法难以适用。强化学习的本质是解决序贯决策问题,可以用于持续集成测试优化。基于强化学习的测试优化方法利用强化学习算法的自动决策及自适应特性,结合测试用例优先排序和选择,适用于持续集成环境。但现有基于强化学习的方法中,只利用测试用例最近一次执行的相关信息进行学习,而测试用例历史执行信息能有效反映其检错能力,对测试优化是至关重要的。同时,强化学习本身也是一种基于历史的行为,因此本文针对强化学习中的奖励机制,主要围绕测试用例历史执行信息进行研究。本课题从奖励函数设计和奖励策略两个方面开展系统性研究。在奖励函数设计方面,采用测试用例的完整历史执行信息替代当前执行信息,结合测试用例历史失效总次数和历史失效分布信息,提出了两种新的奖励函数。在奖励策略方面,提出对当前执行序列的测试用例整体奖励和仅对失效测试用例的部分奖励两种策略,并进一步提出基于历史失效率的奖励。为了对提出的奖励机制的测试优化效果进行验证,在四个工业级被测程序,针对四个研究问题,进行了实验研究。结果表明:(1)相比现有方法,本文提出的基于完整历史执行信息奖励函数的强化学习方法有助于发现潜在失效的测试用例;(2)测试用例历史失效分布能有效提高测试序列的检错能力;(3)整体奖励与部分奖励两种奖励策略受到被测程序的失效率等多种因素影响,需要根据实际情况具体选择,基于历史失效率的奖励可以在不同失效情况的数据集上有最佳的测试优化效果;(4)包含历史信息的奖励函数会增加时间消耗,但对于工业级程序,秒级内的时间开销增长并不影响测试效率。

关键词：持续集成测试测试用例优先排序测试用例历史执行信息强化学习奖励机制

来源：评论

学校读者我要写书评

暂无评论

证券交易系统持续集成测试优化技术的研究

引用

长江信息通信 2023年第10期36卷 153-156页

作者：尹菜荣阿尔法联合(上海)软件技术有限公司上海200120

在持续集成的背景下,持续测试是必不可缺的环节。随着证券交易系统持续的迭代,新测试用例的不断添加,导致测试用例集规模持续增长。同时,各功能模块间互相依赖,这就致使测试用例集间存在冗余和缺失,测试用例集的执行和维护开销也在持续... 详细信息

在持续集成的背景下,持续测试是必不可缺的环节。随着证券交易系统持续的迭代,新测试用例的不断添加,导致测试用例集规模持续增长。同时,各功能模块间互相依赖,这就致使测试用例集间存在冗余和缺失,测试用例集的执行和维护开销也在持续增长。测试用例集的规模越来越庞大,在进行测试时,不可能对所有测试用例进行测试,需要以用户核心价值为导向,结合需求、业务属性、资源、时间等因素选择性执行测试用例。因此,本文从测试用例简约、排序、选择对测试用例集优化进行研究。

关键词：持续集成测试测试用例优化软件测试软件质量证券交易系统

来源：评论

学校读者我要写书评

暂无评论

基于Jenkins的持续集成测试环境插件开发探讨

引用

大科技 2020年第31期 200-201页

作者：张娜国电南瑞科技股份有限公司配电分公司江苏南京 210061

Jenkins具有连续集成与连续交付、易于配置、可扩展、分布式等优良特点,已成为测试环境插件开发的主要用工具.因此,本文以Jenkins的概念为入手点,阐述了基于Jenkins的持续集成测试环境搭建方法,并对基于Jenkins的持续集成测试环境插件... 详细信息

Jenkins具有连续集成与连续交付、易于配置、可扩展、分布式等优良特点,已成为测试环境插件开发的主要用工具.因此,本文以Jenkins的概念为入手点,阐述了基于Jenkins的持续集成测试环境搭建方法,并对基于Jenkins的持续集成测试环境插件开发过程进行了进一步探讨,以期为基于Jenkins的持续集成测试环境插件开发提供一定借鉴.

关键词： Jenkins 持续集成测试插件

来源：评论

学校读者我要写书评

暂无评论

面向持续集成的TCP强化学习方法优化

面向持续集成的TCP强化学习方法优化

引用

作者：潘超月北京化工大学

学位级别：硕士

持续集成（Continuous Integration,CI）需要快速完成软件构建和测试。当测试套件随着软件的更新迭代越变越大时,测试执行过程会变得越来越缓慢和低效。CI的核心是实现快速构建和反馈,相应要求回归测试在有限时间内完成,采用测试用例优... 详细信息

持续集成（Continuous Integration,CI）需要快速完成软件构建和测试。当测试套件随着软件的更新迭代越变越大时,测试执行过程会变得越来越缓慢和低效。CI的核心是实现快速构建和反馈,相应要求回归测试在有限时间内完成,采用测试用例优先排序（Test Case Prioritization,TCP）等测试优化技术可以有效地减少CI开发中的测试时间。现有研究表明,面向CI的TCP问题,本质是序贯决策问题,可以使用强化学习来解决,而奖励机制是构建强化学习系统的重要组成部分,同时也是决定持续集成测试中强化学习智能体学习效率的重要因素。本文针对面向持续集成测试的强化学习奖励机制开展研究,包括奖励函数的设计和奖励对象的选择,以优化持续集成测试过程。在奖励函数的设计上,针对历史信息过多的问题,通过分析测试用例的历史失效信息,研究了测试用例历史失效信息的失效间隔,提出了一种基于动态时间窗的奖励函数APHFDTW。在奖励对象的选择上,针对只奖励失效测试用例的单一策略,定义了基于测试用例历史信息序列和测试时间的测试用例相似性度量方法,并进一步提出了一种基于测试用例相似性的强化学习奖励策略。本文在6个工业数据集上针对4个研究问题进行了实证研究,以验证本文提出的奖励机制的有效性。实验结果表明,（1）基于动态时间窗的奖励函数可以有效提升强化学习智能体的学习效率,进而提升测试序列的优先排序效果。（2）在基于测试用例相似性的奖励策略的指导下,基于动态时间窗的奖励函数性能在面向CI的TCP上得到了进一步改进。（3）本文提出的奖励机制会因动态时间窗和测试用例之间的相似性值的计算增加整体集成测试的时间,但是时间增长都在秒级范围,对于实际工业级程序的测试而言,秒级范围内的时间增长是可以接受的。

关键词：持续集成测试奖励机制动态时间窗测试用例相似性测试用例优先排序强化学习

来源：评论

学校读者我要写书评

暂无评论

基于相似性的CITCP强化学习奖励策略

引用

计算机系统应用 2022年第2期31卷 325-334页

作者：杨羊潘超月曹天歌李征北京化工大学信息科学与技术学院北京100029

在面向持续集成测试用例优先排序(continuous integration test case prioritization,CITCP)的强化学习方法中,智能体通过对测试用例实施奖励从而调整测试用例优先排序策略以适应后续集成测试,可以满足持续集成测试频繁迭代和快速反馈... 详细信息

在面向持续集成测试用例优先排序(continuous integration test case prioritization,CITCP)的强化学习方法中,智能体通过对测试用例实施奖励从而调整测试用例优先排序策略以适应后续集成测试,可以满足持续集成测试频繁迭代和快速反馈的需求.智能体通常只奖励执行失效测试用例,但实际工业程序持续集成测试具有集成高频繁但测试低失效的特点,对CITCP的实际应用提出新的挑战.测试低失效,即稀少的执行失效测试用例数量,会导致强化学习中奖励对象稀少,引发强化学习的稀疏奖励问题.本文研究一种强化学习奖励对象选择策略,在奖励执行失效测试用例的基础上,通过选择与执行失效测试用例相似的执行通过测试用例实施奖励,从而增加奖励对象,以解决奖励稀疏问题.研究具体包括,设计了一种测试用例历史执行信息序列和执行时间特征向量表示的相似性度量方法,并基于相似性度量选择与执行失效测试用例集相似的执行通过测试用例集实施奖励.在6个工业数据集上开展了实验研究,结果表明基于相似性的奖励对象选择策略通过增加有效奖励对象解决了稀疏奖励问题,并进一步提高了基于强化学习的持续集成测试用例优先排序质量.

关键词：持续集成测试强化学习测试用例优先排序相似性奖励对象选择策略稀疏奖励

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：