Ensuring software quality during development requires effective regression testing. However, test suites in open-source libraries often grow large, redundant, and difficult to maintain. Most traditional test suite optimization methods treat test cases as atomic units, without analyzing the utility of individual instructions. This paper presents an intelligent method for test case synthesis using a Q-learning agent. The agent learns to construct compact test cases by interacting with an execution environment and receives rewards based on branch coverage improvements and simultaneous reductions in test case length. The training process includes a pretraining phase that transfers knowledge from the original test suite, followed by adaptive learning episodes on individual test cases. As a result, the method requires no formal documentation or API specifications and uses only execution traces of the original test cases. An explicit synthesis algorithm constructs new test cases by selecting API calls from a learned policy encoded in a Q-table. Experiments were conducted on two open-source C++ libraries of differing API complexity and original test suite size. The results show that the proposed method can reach up to 67% test suite reduction while preserving branch coverage, confirming its effectiveness for regression test suite minimization in resource-constrained or specification-limited environments.

В статті запропоновано метод формування тестових сценаріїв для бібліотек програмного забезпечення, яке написано на мові програмування C++ на основі Q-learning агента. Метод показує високу адаптивність та ефективність у формуванні релевантних сценаріїв, а також потенціал до масштабування на нові програмні бібліотеки. Використання Q-learning у поєднанні з динамічним дослідженням API дозволяє уникнути залежності від формальних специфікацій. Метод реалізовано у складі інструмента CIDER та апробовано на двох open-source C++ бібліотеках з різними типами API. Сформовані агентом сценарії мають кращі характеристики порівняно з початковими – меншу довжину та вищу щільність покриття.

В статті розкрито особливості застосування методів автоматизованої генерації тестів для програмного забезпечення C++. Досліджено та систематично порівняно різні методи автоматизованої генерації тестів, зокрема, конколічне та символічне виконання, еволюційні алгоритми, навчання з підкріпленням, тестування на основі моделей та пошукове тестування. Розглянуто інструмент CIDER, який пропонує перспективне автоматизоване рішення шляхом генерації тестових сценаріїв на основі записаних виконань програм із використанням гармонічного пошуку для оптимізації вхідних даних. Він має такі обмеження: неповне охоплення складної логіки розгалужень, неефективне дослідження великих просторів вхідних даних та складність у роботі з семантично насиченими або контекстно складними вхідними даними. Визначені методи та найкращі практики, які є найбільш ефективними для подолання виявлених обмежень інструмента CIDER. Представлено огляд основних технік автоматизації тестування, а також їх класифікацію відповідно до релевантності для удосконалення CIDER.

В статті розкрито особливості застосування методів автоматизованої генерації тестів для програмного забезпечення C++. Досліджено та порівняно основні методи автоматизованої генерації тестів: конколічне та символічне виконання, еволюційні алгоритми, навчання з підкріпленням, тестування на основі моделей та пошукове тестування. Запропоновано інструмент CIDER, який здійснює автоматизоване рішення шляхом генерації тестових сценаріїв на основі записаних виконань програм із використанням гармонічного пошуку для оптимізації вхідних даних. Визначені методи та найкращі практики, які є найбільш ефективними для подолання виявлених обмежень інструмента CIDER. Представлено огляд основних технік автоматизації тестування, а також їх класифікацію відповідно до релевантності для удосконалення інструменту CIDER.

В статті розкрито особливості підходів щодо автоматизованої генерації тестових сценаріїв. Узагальнено сучасні підходи до оптимізації тестових наборів (TSO) і чітко розмежовано підзадачі мінімізації (TSM) та пріоритизації (TSP), включно з грубогранулярними та тонкогранульними стратегіями. Показано зростання ролі ML/RL у TSO та відсутність уніфікованих протоколів оцінювання в оглядах, що ускладнює прямі порівняння методів. Систематизовано базові еталонні техніки вирішення задачі TSO: жадібні методи TSM, delta-debugging, слайсинг (HSFal і динамічний), еволюційні алгоритми (GA), ILP/MOIP-формулювання, кластеризаційні підходи, а також RL-орієнтовані схеми для TSP/генерації. Виявлено методологічний розрив: більшість підходів основаних на навчанні з підкріпленням у тестуванні фокусуються на фаззингу, грубогранулярній пріоритизації або селекції тестових сценаріїв, тоді як тонкогранулярне формування тестових сценаріїв для компільованих мов без формальних специфікацій досліджені недостатньо.

В статті представлено удосконалений жадібний алгоритм, у якому вибір дій тестового сценарію здійснюється з урахуванням їх майбутньої користі, яка визначена за очікуваним приростом гілкового покриття коду. За таким підходом усувається детермінованість класичного жадібного алгоритму, підвищується інформативність тестового сценарію та забезпечується збалансованість між збереженням гілкового покриття та стисненням тестового сценарію. Також, удосконалений алгоритм дельта-дебаггінг, який виконує групове видалення неунікальних дій тестового сценарію за внеском у гілкове покриття, що дозволяє суттєво знизити довжину тестового сценарію без втрати характеристик ефективності тестування. Розкрито сутність удосконалення обраних алгоритмів. Проведено оцінку ефективності удосконалених алгоритмів. Наведено графічний матеріал.