我想前言本认为这个问题是相似的，但我的问题不涉及随机性，只是挑剔的决定，所以回答“使用已知的种子”并没有真正适用。同样，这个问题是相似的，但是我也不希望算法会失败-我只是不知道哪种方法正确。
这个问题是在测试图形算法时出现的。但绝不仅限于此。某些算法（例如A *）可以有多个正确答案。根据您的确切实现，您可能会得到几个答案中的任何一个，每个答案都是正确的。但是，这会使他们难以测试，因为您不知道它会提前吐出哪一个，并且手工计算答案非常耗时。
在我的特定情况下，我通过修改Floyd-Warshall使其吐出所有可能的最短路径来解决它，并花了一些时间进行测试。它具有本身就是一个好的功能的好处。然后，我可以根据FW已知的正确路径测试其他功能（如果返回的路径是FW为该开始/结束对返回的路径中的任何一条，那是正确的）。当然，由于FW的工作原理，这仅适用于密集图，但它仍然很好。
但是，这对于具有此特征的所有算法可能并不总是可行的。到目前为止，我想出的最佳答案是测试正确答案的特征，而不是正确答案本身。要返回最短路径算法，您可以对照已知的正确成本检查返回路径的成本，并确保路径有效。
此方法可行，但存在更多的正确性标准时，可能冒着无法正确验证所有内容的风险，尤其是在验证本身很复杂的情况下（例如，在存在正确算法的情况下，验证最小生成树是一个已知的难题；可能比构建MST本身），在这种情况下，您现在必须广泛测试测试代码。更糟：大概您必须构造一个MST来测试MST验证算法，因此您现在遇到了一个很好的方案，其中MST测试依赖于MST验证算法的工作，而MST验证算法测试依赖于MST生成代码的工作。
最后，有一种“便宜的方法”，它涉及观察输出，手工验证输出，然后对测试进行硬编码以测试刚刚验证的输出，但这并不是一个好主意，因为您可能每次都要修改测试稍微更改实现（这是自动化测试应该避免的）。
显然，答案取决于您在某种程度上要测试的确切算法，但是我想知道是否有“最佳实践”来验证具有几个确定的，确定性的“正确”输出的算法，但是这些精确的正确输出很难做到提前知道，可能事后甚至很难核实。