面向测试游戏的多目标神经进化

由于游戏内随机性高及难以到达的程序状态, 生成游戏测试用例具有挑战性。测试生成器 NEATEST 通过将基于搜索的软件测试原则与神经进化相结合, 以优化作为测试用例的神经网络。然而, 由于 NEATEST 设计为单目标算法, 它可能需要较长时间才能覆盖相对简单的程序状态, 或甚至陷入试图到达不可达程序状态的循环。为解决 NEATEST 的这些不足, 本文旨在将其转化为同时针对多个程序状态的多目标搜索算法。为此, 我们将神经进化算法 NEATEST 与两种既定的基于搜索的软件测试算法 MIO 和 MOSA 结合。此外, 我们改造现有的多目标神经进化算法 NEWS/D 以用作测试生成器。我们在包含 20 个 SCRATCH 程序的数据集上进行实验, 表明将 NEATEST 扩展以同时针对多个目标, 在平均分支覆盖率提升至 81.33% 的同时, 将所需搜索时间缩短 93.28%。