.png){kind=icon}
返回
Reinforcement Learning for Test Case Prioritization
.png){kind=icon}
OA
AI
DOI：10.1109/TSE.2021.3070549.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续集成 (CI) 显著减少了集成问题，加快了开发时间，缩短了发布时间。但是，它也为质量保证活动带来了新的挑战，包括回归测试，这是这项工作的重点。尽管在回归测试的背景下，测试用例优先级排序的各种方法都非常有前途，但必须设计特定的技术来处理CI的动态性质和时序约束。最近，强化学习 (RL) 在需要持续适应的各种具有挑战性的场景中显示出巨大的潜力，例如玩游戏，实时广告竞价和推荐系统。受此工作的启发，并在使用RL技术支持测试用例优先级的初步努力的基础上，我们在此对CI上下文中的基于RL的测试用例优先级进行了全面调查。为此，将测试用例优先级划分作为一个排序问题，我们使用三种替代排序模型将CI环境与测试用例优先级划分代理之间的顺序交互建模为RL问题。然后，我们依靠精心挑选和量身定制的最先进的RL技术来自动和持续学习测试用例优先级策略，其目标是尽可能接近最佳策略。我们广泛的实验分析表明，与以前的基于RL的工作相比，最佳的RL解决方案提供了显着的准确性改进，优先级策略接近最佳，从而为使用RL在CI环境中对测试用例进行优先级排序铺平了道路。
Keyword:
Testing
History
Training
Reinforcement learning
Software systems
Adaptation models
Software algorithms
Continuous integration
CI
reinforcement learning
test prioritization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
Pteropods, eddies, carbon flux, and climate variability in the Alaska Gyre阿拉斯加环流中的翼类，涡流，碳通量和气候变化
PREAI
分享收藏Air Condition’s PID Controller Fine-Tuning Using Artificial Neural Networks and Genetic Algorithms.png)
ComputersOAAI
ComputersIF0
OAAI分享收藏Study of bi-directional buck-boost converter topologies for application in electrical vehicle motor drives应用于电动汽车电机驱动的双向buck-boost变换器拓扑研究
PREAI
分享收藏
查看更多内容