The simplest form of an optimizatio

The simplest form of an optimization algorithm, and the easiest to implement, is random search. In test data generation, inputs are generated at random until the goal of the test (for example, the coverage of a particular program statement or branch) is fulfilled. Random search is very poor at finding solutions when those solutions occupy a very small part of the overall search space. Such a situation is depicted in Figure 2, where the number of inputs covering a particular structural target are very few in number compared to the size of the input domain. Test data may be found faster and more reliably if the search is given some guidance. For meta-heurstic searches, this guidance can be provided in the form of a problem-specific fitness function, which scores different points in the search space with respect to their ‘goodness’ or their suitability for solving the problem at hand. An example fitness function is plotted in Figure 3, showing how - in general - inputs closer to the required test data that execute the structure of interest are rewarded with higher fitness values than those that are further away. A plot of a fitness function such as this is referred to as the fitness landscape. Such fitness information can be utilized by optimization algorithms, such as a simple algorithm called Hill Climbing. Hill Climbing starts at a random point in the search space. Points in the search space neighbouring the current point are evaluated for fitness. If a better candidate solution is found, Hill Climbing moves to that new point, and evaluates the neighbourhood of that candidate solution. This step is repeated, until the neighbourhood of the current point in the search space offers no better candidate solutions; a so-called ‘local optima’. If the local optimum is not the global optimum (as in Figure 3a), the search may benefit from being ‘restarted’ and performing a climb from a new initial position in the landscape (Figure 3b).

Kết quả (Việt) 1:

Các hình thức đơn giản nhất của một thuật toán tối ưu hóa, và đơn giản nhất để thực hiện, là tìm kiếm ngẫu nhiên. Trong bài kiểm tra dữ liệu thế hệ, đầu vào được tạo ra ngẫu nhiên cho đến khi mục đích của thử nghiệm (ví dụ, là vùng phủ sóng của một tuyên bố chương trình cụ thể hoặc chi nhánh) được hoàn thành. Ngẫu nhiên tìm kiếm là rất nghèo lúc tìm giải pháp khi những giải pháp chiếm một phần rất nhỏ của không gian tìm kiếm tổng thể. Một tình huống như vậy được mô tả ở hình 2, nơi số lượng đầu vào bao gồm một mục tiêu cụ thể cấu trúc rất ít về số lượng so với kích thước của tên miền đầu vào. Kiểm tra dữ liệu có thể được tìm thấy nhanh hơn và đáng tin cậy hơn nếu tìm kiếm được cho một số hướng dẫn. Để tìm kiếm meta-heurstic, hướng dẫn này có thể được cung cấp trong các hình thức của một chức năng thể dục vấn đề cụ thể, có điểm số điểm khác nhau trong không gian tìm kiếm đối với lòng tốt của họ' hoặc sự phù hợp của họ để giải quyết vấn đề ở bàn tay. Một chức năng thể dục ví dụ âm mưu trong hình 3, Hiển thị như thế nào - nói chung - đầu vào địa điểm gần nhất để các dữ liệu thử nghiệm yêu cầu thực hiện cấu trúc quan tâm được thưởng bằng giá trị thể dục cao hơn so với những người đang tiếp tục đi. Một âm mưu của một chức năng thể dục như thế này được gọi là cảnh quan thể dục. Những thông tin thể dục có thể được sử dụng bởi các thuật toán tối ưu hóa, chẳng hạn như một thuật toán đơn giản gọi là Hill leo núi. Hill leo núi bắt đầu tại một thời điểm ngẫu nhiên trong không gian tìm kiếm. Điểm trong không gian tìm lân cận điểm hiện tại được đánh giá cho thể dục. Nếu một giải pháp ứng cử viên tốt hơn được tìm thấy, Hill leo di chuyển đến thời điểm mới, và đánh giá khu vực lân cận của giải pháp ứng cử viên đó. Bước này được lặp lại, cho đến khi khu vực lân cận của điểm hiện tại trong không gian tìm kiếm cung cấp không có ứng cử viên tốt hơn giải pháp; một cái gọi là 'địa phương optima'. Nếu tối ưu địa phương không phải là tối ưu toàn cầu (như trong hình 3a), Tìm kiếm có thể hưởng lợi từ đang được 'khởi động lại' và thực hiện một leo lên từ một vị trí ban đầu mới trong cảnh quan (con số 3b).

Kết quả (Việt) 2:

Hình thức đơn giản của một thuật toán tối ưu hóa, và dễ nhất để thực hiện, là tìm kiếm ngẫu nhiên. Trong thử nghiệm thế hệ dữ liệu, đầu vào được tạo ra một cách ngẫu nhiên cho đến khi mục tiêu của thử nghiệm (ví dụ, vùng phủ sóng của một tuyên bố chương trình hoặc ngành cụ thể) được hoàn thành. Tìm kiếm ngẫu nhiên là rất kém trong việc tìm ra giải pháp khi những giải pháp chiếm một phần rất nhỏ trong tổng thể không gian tìm kiếm. Tình hình như vậy được mô tả trong hình 2, trong đó số lượng các yếu tố đầu vào bao gồm một mục tiêu cấu trúc đặc biệt rất ít về số lượng so với kích thước của miền đầu vào. Kiểm tra dữ liệu có thể được tìm thấy nhanh hơn và đáng tin cậy nếu tìm kiếm được đưa ra một số hướng dẫn. Đối với tìm kiếm siêu heurstic, hướng dẫn này có thể được cung cấp dưới dạng một chức năng tập thể dục vấn đề cụ thể, mà điểm số điểm khác nhau trong không gian tìm kiếm liên quan đến 'tốt đẹp' hoặc phù hợp của họ để giải quyết các vấn đề trong tầm tay với. Một chức năng ví dụ tập thể dục được vẽ trong hình 3, hiển thị như thế nào - nói chung - đầu vào gần hơn với các dữ liệu thử nghiệm cần thiết mà thực hiện cơ cấu lãi suất được thưởng bằng giá trị tập thể dục cao hơn so với những người đang xa. Một âm mưu của một chức năng tập thể dục như thế này được gọi là cảnh quan tập thể dục. Thông tin thể dục này có thể được sử dụng bởi các thuật toán tối ưu hóa, chẳng hạn như một thuật toán đơn giản được gọi là Hill Leo. Hill Leo bắt đầu tại một điểm ngẫu nhiên trong không gian tìm kiếm. Điểm trong không gian tìm kiếm lân cận điểm hiện tại được đánh giá cho tập thể dục. Nếu một giải pháp tốt hơn ứng cử viên được tìm thấy, Hill Leo di chuyển đến điểm mới, và đánh giá các khu vực lân cận trong đó giải pháp ứng cử viên. Bước này được lặp đi lặp lại, cho đến khi khu phố của điểm hiện tại trong không gian tìm kiếm các giải pháp ứng cử viên không tốt; một cái gọi là "Optima địa phương. Nếu tối ưu địa phương không phải là tối ưu toàn cầu (như trong hình 3a), việc tìm kiếm có thể hưởng lợi từ việc "khởi động lại và thực hiện một leo từ vị trí ban đầu mới trong cảnh quan (hình 3b).