The Future of Search-Based Testing

Initial work on Search-Based Software Testing (SBST) began in the 70s and witnessed an explosion of work beginning in the early 2000s, with a particular focus on generating inputs for structural coverage. There are now a plethora of techniques for successfully generating test cases for structural coverage, however, many of which do not require search-based techniques -- for example, Dynamic Symbolic Execution. So what now for SBST? This talk will look into future directions for SBST, including: how can SBST be used to drive testing of the complete applications, e.g. those involving databases? How can SBST be used to generate realistic tests? Can SBST be used to automate the testing of more modern concerns, such as energy testing?

Phil McMinn is a Reader (Associate Professor) in Software Engineering in the Department of Computer Science at the University of Sheffield. His interest in Search-Based Software Testing (SBST) began with his PhD in collaboration with DaimlerChrysler, where he used evolutionary search to solve problems in test data generation for embedded automotive controllers. He has since gone on to publish over 50 papers on the subject of search-based testing and/or the application of metaheuristic search-based algorithms to software engineering problems. His 2004 survey paper has received over 900 citations, and he has worked on several UK funded research projects to work further on SBST topics.

Epistatic Genetic Algorithm for Test Case Prioritization

Search based technologies have been widely used in regression test suite optimization, including test case prioritization, test case selection and test suite minimization, to improve the efficiency and reduce the cost of testing. Unlike test case selection and test suite minimization, the evaluation of test case prioritization is based on the test case execution sequence, in which genetic algorithm is one of the most popular algorithms employed. When permutation encoding is used to represent the execution sequence, the execution of previous test cases can affect the presence of the following test cases, namely epistatic effect. In this paper, the application of epistatic domains theory in genetic algorithms for test case prioritization is analyzed, where Epistatic Test Case Segment is defined. Two associated crossover operators are proposed based on epistasis. The empirical studies show that the proposed crossover operators, E-Ord, outperform the two-point crossover PMX, and can produce higher fitness with a faster convergence.

李征 博士，北京化工大学信息科学与技术学院教授、博士生导师、教育部新世纪优秀人才计划获得者。 中国计算机学会（CCF）高级会员，软件工程专委会和容错计算专委会委员，担任 STVR，JSS，JSEP 等国际期刊客座编辑， IEEE SCAM 2012 程序委员会主席，ICSM、WCRE、GECCO 和 RT 等多个国际会议的程序委员会委员， 是中国基于搜索的软件工程研讨会（CSBSE）发起人。多年从事基于程序理解与维护的源代码分析与执行、 基于搜索的软件工程和软件测试、程序依赖分析和基于状态模型的依赖分析等领域的研究， 主持多项国家自然科学基金和省部级基金，共发表了30余篇国际学术文章， 包括软件工程领域顶级国际会议 ICSE 和顶级国际期刊 TSE、TOPLAS 等。

Search-based Programming

Search-based programming is a new programming way to use those codes which have been collected, selected and recommended by a code search engine. By this way, we can reuse existing program codes asap, increase the efficiency of software development and improve the quality of final program. In this presentation, we first present an overview of search-based programming, and then we discuss our framework for searching and recommending codes, and give some initial work in both experimental and key techniques of search-based programming, such as Code Repository Infrastructure, Code Search Engine Infrastructure, Code crawler, Extractor, and Code parser etc.

基于搜索空间变换的软件工程

基于搜索的软件工程（SBSE）作为软件工程与搜索算法的交叉领域，近年来成为国际学术界的前沿热点。 在该领域中，软件工程任务被转化为组合优化问题，并采用各类搜索算法（如遗传算法、蚁群算法、模拟退火、粒子群算法等） 在其搜索空间求解。由于搜索空间规模庞大且地貌粗糙，如何获取高质量解是该领域的主要挑战之一。 在本报告中，我们提出了基于搜索空间变换的软件工程思想，并给出了两种搜索空间变换技术，即搜索空间归约和搜索空间平滑。 在典型的软件需求工程问题——软件下一版本问题上，进行了算法的实验。 本报告介绍的技术为基于搜索的软件工程提供了新的求解途径，有望更好推动软件工程与搜索算法的融合发展。

江贺 大连理工大学软件学院副院长，教授、博士生导师、教育部新世纪优秀人才计划获得者。 2014年中国计算机学会优秀博士学位论文奖（CCF优博）指导教师。Applied Intelligence Journal 客座编辑、 Frontiers of Computer Science 青年编委、中国计算机学会软件工程专委会、中国计算机学会计算机应用专委会委员。 主要研究领域：基于搜索的软件工程、软件仓库挖掘。先后在 IEEE Transaction 系列汇刊（TSE, TKDE, TSMCB, TCYB）, EC, 中国科学等期刊及 ICSE, GECCO 等国际会议发表论文 60 余篇。

进化变异测试

软件测试是保证软件质量的重要手段，提高软件测试的效率，一直是业界和学术界非常关注的问题。 采用进化优化方法解决软件测试问题，成为近年来软件测试领域的热点研究方向之一。 本报告首先简要介绍变异测试和进化测试的基本知识，然后重点讲述采用进化优化方法解决弱变异测试的研究成果， 最后对并行程序的进化变异测试进行了展望。

巩敦卫 中国矿业大学教授、博士生导师，教育部“新世纪优秀人才支持计划”、 江苏省“333高层次人才培养工程”和“六大人才高峰”高层次人才入选者、甘肃省“飞天学者”讲座教授。 研究方向为基于搜索的软件工程。主持国家“973”计划子课题1项、国家自然科学基金5项、省部级项目7项， 研究成果获省部级一等奖1项、二等奖5项、授权发明专利3项，出版专著6部，发表SCI检索期刊论文60余篇。

基于搜索的软件项目管理 -- 基于协同演化算法的人员分配与工作调度

在软件的需求、设计、开发及测试等过程中都包括着一系列影响项目是否成功的管理活 动，例如：人员配备、工作调度、花费估算、项目计划、质量管理。其中涉及到的问题很多 时候就是去寻找多个目标之间的平衡，例如在更短的时间内实现更多的功能，并且最大化制 品的质量。许多此类问题本质上就是一个在极大的解的空间中，按照指定目标和约束进行求 解的优化问题。基于搜索的软件工程（SBSE）技术使用启发式探索的办法，在极大的空间 内依靠适合度方程的指引寻求合适的解，而且提供对解空间的认知，从而为项目管理者提供 决策支持。本报告将介绍基于合作式协同演化算法的人员分配与工作调度的优化问题的研究工作。

任健 北京航空航天大学计算机学院软件工程研究所讲师。 本科毕业于北京邮电大学信息工程学院自动化专业；双硕士分别毕业于伦敦玛丽女皇学院（QMUL）和伦敦国王学院 （KCL）的通信专业和计算互联网系统专业；博士毕业于伦敦大学学院（UCL）。任健的研 究兴趣主要包括基于搜索的软件需求建模分析和软件项目管理，研究成果发表于 TOSEM， RE，MONET，ICSE，GECCO，SSBSE 等国际会议或期刊。曾参与多个国际会议的组织工 作、英国国家级课题 EPSRC 《动态自适应自动软件工程》和《基于自动搜索算法的软件工 程》、以及微软 Office 正版增值计划（OGA）的测试开发工作。

Learning to Identify Software Defects when Historical Sample Modules are Unavailable

随着软件系统的日趋变得庞大和复杂，软件质量保证变得尤为重要。软件缺陷检测技术可以对模块的缺陷情况进行自动判断， 从而大大降低了通过完全测试来发现缺陷的开销。机器学习是用于构建缺陷检测器的常用技术， 通过对历史数据的学习可获得较好的检测结果。然而，在很多真实问题中，历史数据未必存在也未必可靠， 因此，在该情况下应如何学习一个预测精度高的缺陷检测器变得至关重要。 针对这一问题，我们通过设计新型机器学习方法，使得不依赖历史数据进行软件缺陷检测成为可能。

黎铭 博士，副教授，博士生导师。主要从事软件挖掘、机器学习方面的研究工作。 在《IEEE Trans KDE》、IJCAI、ICML 等重要国际期刊和会议发表论文二十余篇。 应邀担任《Frontiers of Computer Science》青年 Associate Editor、 国际软件挖掘系列研讨会 SoftwareMining、PAKDD 首届博士研讨会 DSDM'11 的主席、KDD、ICDM、IJCAI、AAAI 等多种一流国际会议程序委员；现任 ACM 中国会议委员会委员（人工智能方向）、中国计算机学会人工智能与模式识别专委会委员、 中国人工智能学会机器学习专委会委员、江苏省计算机学会人工智能专委会秘书长等。 曾获得国家自然科学基金优秀青年科学基金、教育部新世纪人才等荣誉。

覆盖表生成蚁群算法：探索与挖掘

覆盖表生成问题是组合测试的核心研究内容之一，目前已经有许多数学方法、贪心算法、搜算法用于求解这一问题。 蚁群算法作为一种能够有效求解组合优化问题的演化搜索算法，已经被应用到求解覆盖表生成问题中。 已有的研究工作表明蚁群算法适于求解一般覆盖表生成、变力度覆盖表生成以及覆盖表排序问题， 但算法结果与其他覆盖表生成方法相比并不具有优势。为了进一步探索与挖掘覆盖表生成蚁群算法的潜力， 我们进行了如下四个层次的工作：1）算法变种集成；2）算法参数配置优化；3）演化对象结构调整及演化策略改进； 4）利用分布式计算优化算法时间开销。实验结果表明，通过以上四个层次的改进，覆盖表生成蚁群算法的性能有了显著提升。