Метод формування тестових сценаріїв для C++ бібліотек на основі агента з Q-навчанням

Abstract

Дисертація на здобуття наукового ступеня доктора філософії (PhD) за спеціальністю 123 – Комп’ютерна інженерія. – Національний технічний університет «Харківський політехнічний інститут», Харків, 2026. Дисертаційна робота присвячена вирішенню актуальної наукової задачі щодо розробки методу формування тестових сценаріїв для С++ бібліотек на основі агента з Q-навчанням. Об’єкт дослідження – процес формування тестових сценаріїв для C++ бібліотек на основі агента з Q-навчанням. Предмет дослідження – методи, моделі та алгоритми формування тестових сценаріїв для С++ бібліотек із збереженням (зростанням) гілкового покриття коду бібліотеки, яка тестується, відносно оригінальних тестових сценаріїв та мінімізацією тестового набору. Метою дисертаційної роботи є підвищення ефективності тестування програмного забезпечення шляхом формування тестових сценаріїв для С++ бібліотек на основі агента з Q-навчанням. Для розв’язання поставлених задач використано: низку математичних моделей, алгоритмів та методів формування ТС; методи оптимізації ТС для удосконалення математичної моделі жадібного алгоритму формування ТС для С++ бібліотек та алгоритму дельта-дебаггінг їх мінімізації; методи на основі навчання з підкріпленням для розробки математичної моделі та методу формування ТС для C++ бібліотек на основі агента з Q-навчанням; оцінка ефективності удосконаленої і розроблених математичних моделей та методу проведено на основі методу Монте-Карло.

The thesis is submitted to obtain a scientific degree of Doctor of Philosophy, specialty 123 – Computer Engineering. – National Technical University “Kharkiv Polytechnic Institute”, Kharkiv, 2026. The dissertation is devoted to solving the relevant scientific problem of developing a method of test case formation for C++ libraries based on a Q-learning agent. The object of research is the process of forming test cases for C++ libraries based on a Q-learning agent. The subject of research is methods, models and algorithms oftest case formation for C++ libraries while preserving (or increasing) the branch coverage of the tested library code with respect to the original test cases and the test suite minimization. The purpose of the dissertation is to improve the efficiency of software testing using test case formation for C++ libraries based on a Q-learning agent. To solve the research tasks, a set of mathematical models, algorithms, and methods for test case formation was employed; test suite optimization methods were used to improve the mathematical model of the greedy algorithm for test case formation for C++ libraries and the delta debugging algorithm for their minimization; reinforcement learning-based methods were applied to develop a mathematical model and a method for test case formation for C++ libraries based on a Q-learning agent; the effectiveness of the improved and developed mathematical models and the proposed method was evaluated using the Monte Carlo method.