SHIFT：基于 Sigmoid 的仰射适应型适度可逆适应度景观转换以加速 SBST

基于搜索的软件测试（SBST）自动化测试输入生成，但常受到挑战性适度景观的阻碍，这些景观特征为大量欺骗性局部最优值以及稀疏信息适度信号的延长平原。为解决这一瓶颈，我们提出了 SHIFT（Sigmoid-Based Heuristic Invertible Fitness-Landscape Transformation for Accelerating SBST），一种旨在压缩局部景观、在不改变全局语义的情况下帮助逃离停滞区域的方法。通过系统性收缩搜索点聚集的密集区域，该方法保持映射的可逆性，使优化算法能够以相同步长更有效地向全局覆盖前进。当在规范化的实验协议下对其进行评估时，所提出的技术相对于纯爬坡和遗传算法等 established baseline 均表现出一致的收敛速度和搜索效率改进。这些结果表明，Sigmoid 压缩构成一种轻量级且有效的机制，用于在复杂测试环境中实现更可靠的覆盖发现。