6. Open problems and Challenges in

6. Open problems and Challenges in Optimization for Software Engineering
This section describes open problems and current work
in search based software engineering. This list of topics
is not exhaustive, but it gives a flavour of the richness and
diversity of on-going work in this area.
6.1. Stopping Criteria
Many of the search algorithms require a stopping criterion. Typically this is taken to be some time or budget constraint on computation effort or it may be formulated as a
criterion that must be met (or surpassed) by the proposed
solution. Most previous work has adopted one of these two
possible approaches to determining when to terminate the
search.
However, the population based nature of the genetic algorithm raises a third possibility: terminate the search wh en
the population has become homogeneous. In such a situation, where all individuals have very similar chromosomes,
there is little realistic chance of further improvements in fitness. Any improvement that does occur will do so by mutation, and so it will not take advantage of the evolutionary
operators.
This raises the question of how to measure solution similarity. Clearly, this is application specific. Metrics are required that can determine the similarity of a set of candidate
solutions for software engineering problems. This is a chal lenge thrown up by SBSE to the software metrics research
community. Furthermore, such metrics will need to determine similarity cheaply, for they will be applied at regular
intervals during the search and to many individuals.
6.2. Landscape Visualisation
It is common in the search-based algorithm community
to attempt to visualize the fitness landscape [50, 71]. A natural approach is to use the fitness function values as a measure of height in a landscape where each individual in the
search space potentially occupies some location on the horizontal plane. However, most search problems involve individuals made up of more than two components (or genes
in the case of genetic algorithms). Mapping an individual
from the search space into a two dimensional plane is therefore non-trivial. Two approaches to visualising the search
space have been used in SBSE work.
If there are only two decision variables or a projection of
the search space onto only two variables is edifying, then
it is possible to take a literal view of the search space. For
example, consider the two search spaces depicted in Figure 4, taken from work on search based testing [61]. In this
case the goal is to minimize the fitness function (depicted by
height on the z axis). The left hand landscape represents a
search space for which it is hard to find the global optimum,
while the transformed version of this landscape in the right
hand figure denotes a search space far more amenable to
search. In this way visualisation can be used to explore the
properties of search spaces.
In many cases, it is not possible to find a nontrivial search
problem with only two decision variables. In this situation
it is possible to map all n decision variables from a search
space onto a flat plane in such a manner that near neighbours in the n dimensional search space lie close to one
another on the 2D plane. For example consider the plot of
peaks in a landscape depicted in Figure 5, taken from Kirsopp et al. [52]. This is a visualisation of the landscape
from a hill climbing approach to feature subset selection.
The features in this instance are software project attributes
used in a case–based software project cost estimation system [52, 82]. In this figure, peaks that occur in the best
quartile of the hills are denoted by ‘x’ symbols, those which
occur in the next best quartile are denoted by ‘o’ symbols,
those in the third quartile by ‘+’ symbols and those in the
worst quartile by ‘.’ symbols. The division of peaks in
7

Kết quả (Việt) 1:

6. mở vấn đề và thách thức trong tối ưu hóa cho công nghệ phần mềmPhần này mô tả các vấn đề mở và công việc hiện tạitrong tìm kiếm dựa trên công nghệ phần mềm. Danh sách các chủ đềkhông phải là đầy đủ, nhưng nó cung cấp cho một hương vị của sự phong phú vàsự đa dạng của ngày đi làm việc trong lĩnh vực này.6.1. dừng lại tiêu chíNhiều người trong số các thuật toán tìm kiếm yêu cầu một tiêu chí dừng. Thường này được thực hiện để là một thời gian hay ngân sách hạn chế về tính toán nỗ lực hoặc nó có thể được xây dựng như mộttiêu chí đó phải được đáp ứng (hoặc vượt qua) bằng cách đề xuấtgiải pháp. Hầu hết các công việc trước đó đã thông qua một trong haiphương pháp tiếp cận có thể để xác định khi nào để chấm dứt cácTìm kiếm.Tuy nhiên, bản chất dân dựa của các thuật toán di truyền làm tăng khả năng thứ ba: chấm dứt việc tìm kiếm wh endân số đã trở thành đồng nhất. Trong một tình huống như vậy, nơi tất cả cá nhân có nhiễm sắc thể rất tương tự như,có rất ít cơ hội thực tế tiếp tục cải tiến trong thể dục. Bất kỳ cải thiện xảy ra sẽ làm như vậy bởi đột biến, và như vậy nó sẽ không tận dụng lợi thế của sự tiến hóanhà điều hành.Điều này làm tăng các câu hỏi về làm thế nào để đo lường các giải pháp tương tự. Rõ ràng, đây là ứng dụng cụ thể. Số liệu được yêu cầu đó có thể xác định sự tương tự của một tập hợp các ứng cử viêngiải pháp cho các vấn đề công nghệ phần mềm. Đây là một lenge khóa ném bởi SBSE để nghiên cứu số liệu phần mềmcộng đồng. Hơn nữa, số liệu như vậy sẽ cần phải xác định tương tự với giá rẻ, cho họ sẽ được áp dụng tại thường xuyênkhoảng thời gian trong việc tìm kiếm và nhiều cá nhân.6.2. cảnh quan VisualisationNó là phổ biến trong cộng đồng dựa trên tìm kiếm thuật toánđể cố gắng để hình dung phong cảnh thể dục [50, 71]. Một phương pháp tự nhiên là để sử dụng các giá trị chức năng thể dục như là một thước đo chiều cao trong một cảnh quan mà mỗi cá nhân trong cáckhông gian tìm kiếm có khả năng chiếm một số địa điểm trên mặt phẳng ngang. Tuy nhiên, hầu hết tìm vấn đề liên quan đến cá nhân chiếm nhiều hơn hai thành phần (hoặc gentrong trường hợp của thuật toán di truyền). Lập bản đồ cá nhântừ không gian tìm kiếm vào một hai chiều máy bay là do đó không nhỏ. Hai phương pháp tiếp cận để visualising tìm kiếmkhông gian đã được sử dụng trong công việc SBSE.Nếu không có chỉ hai quyết định biến hoặc một chiếu củakhông gian tìm kiếm vào chỉ hai biến edifying, sau đónó có thể có một cái nhìn đen của không gian tìm kiếm. ChoVí dụ, xem xét các không gian hai tìm được mô tả trong hình 4, Lấy từ các công việc trên tìm kiếm dựa trên thử nghiệm [61]. Trong điều nàytrường hợp mục tiêu là để giảm thiểu các chức năng thể dục (thể hiện bởichiều cao trên trục z). Cảnh quan tay trái đại diện cho mộtkhông gian tìm kiếm mà nó là khó để tìm tối ưu toàn cầu,trong khi phiên bản chuyển này cảnh quan ở bên phảitay hình biểu thị một không gian tìm kiếm hơn amenable đểTìm kiếm. Bằng cách này trực quan có thể được sử dụng để khám phá cácthuộc tính không gian tìm kiếm.Trong nhiều trường hợp, nó không phải là có thể tìm thấy một tìm kiếm nontrivialvấn đề với chỉ hai quyết định biến. Trong tình huống nàynó có thể để ánh xạ tất cả n quyết định biến từ tìm kiếmSpace lên một chiếc máy bay bằng phẳng trong một cách mà gần hàng xóm trong không gian n chiều tìm nằm gần mộtkhác trên máy bay 2D. Ví dụ: xem xét cốt lõi củađỉnh núi trong một cảnh quan được mô tả trong hình 5, Lấy từ Kirsopp et al. [52]. Đây là một visualisation của cảnh quantừ một ngọn đồi leo núi cách tiếp cận để lựa chọn tập con tính năng.Các tính năng trong trường hợp này là phần mềm dự án thuộc tínhđược sử dụng trong một dự án trường hợp-dựa trên phần mềm chi phí dự toán hệ thống [52, 82]. Trong con số này, đỉnh núi xảy ra ở tốt nhấtquartile đồi được biểu hiện bằng 'x' biểu tượng, những người màxảy ra trong kế tiếp tốt nhất quartile được biểu hiện bằng ' o ' biểu tượng,những người trong quartile thứ ba bởi '+' biểu tượng và những người trong cácquartile tồi tệ nhất của '.' biểu tượng. Sự phân chia của các đỉnh núi trong7

Kết quả (Việt) 2:

6. vấn đề mở và thách thức trong Tối ưu hóa cho công nghệ phần mềm
Phần này mô tả các vấn đề mở và công việc hiện tại
để tìm kiếm dựa trên công nghệ phần mềm. Đây là danh sách các chủ đề
không phải là đầy đủ, nhưng nó mang lại một hương vị phong phú và
đa dạng của các công việc đang trong lĩnh vực này.
6.1. Dừng Tiêu chuẩn
Nhiều thuật toán tìm kiếm đòi hỏi một điều kiện dừng. Điển hình này được thực hiện để có một số thời gian hoặc hạn chế ngân sách trên nỗ lực tính toán hoặc nó có thể được xây dựng như một
tiêu chí đó phải được đáp ứng (hoặc vượt) bằng các đề xuất
giải pháp. Hầu hết các công việc trước đây đã áp dụng một trong hai
phương pháp có thể để xác định khi nào chấm dứt
tìm kiếm.
Tuy nhiên, dân số dựa trên tính chất của thuật toán di truyền làm tăng khả năng thứ ba: chấm dứt wh tìm kiếm en
dân số đã trở nên đồng nhất. Trong tình hình như vậy, nơi mà tất cả các cá nhân có nhiễm sắc rất giống nhau,
có rất ít cơ hội thực tế cải thiện hơn nữa trong tập thể dục. Bất kỳ sự cải tiến mà không xảy ra sẽ làm như vậy bằng cách đột biến, và như vậy nó sẽ không tận dụng lợi thế của tiến hóa
khai thác.
Điều này đặt ra câu hỏi làm thế nào để đo lường giải pháp tương tự. Rõ ràng, đây là ứng dụng cụ thể. Số liệu được yêu cầu mà có thể xác định sự giống nhau của một tập hợp các ứng cử viên
giải pháp cho các vấn đề kỹ thuật phần mềm. Đây là một thách chal ném ra bởi SBSE theo các số liệu phần mềm nghiên cứu
cộng đồng. Hơn nữa, số liệu như vậy sẽ cần phải xác định tương tự với giá rẻ, vì họ sẽ được áp dụng thường xuyên tại
các khoảng thời gian trong quá trình tìm kiếm và cho nhiều cá nhân.
6.2. Cảnh Visualization
Nó được phổ biến trong cộng đồng dựa trên thuật toán tìm kiếm
để cố gắng hình dung ra cảnh quan thể dục [50, 71]. Một cách tiếp cận tự nhiên là sử dụng các giá trị chức năng thể dục như một thước đo chiều cao trong một cảnh quan nơi mỗi cá nhân trong
không gian tìm kiếm khả năng chiếm một vị trí trên mặt phẳng nằm ngang. Tuy nhiên, hầu hết các vấn đề liên quan đến việc tìm kiếm các cá nhân tạo thành từ hơn hai thành phần (hay gen
trong trường hợp của thuật toán di truyền). Lập bản đồ một cá nhân
từ không gian tìm kiếm vào một máy bay hai chiều do đó là không tầm thường. Hai cách tiếp cận để hình dung tìm kiếm
không gian đã được sử dụng trong công việc SBSE.
Nếu chỉ có hai biến số quyết định hoặc một dự của
không gian tìm kiếm vào chỉ có hai biến là khai trí, sau đó
nó có thể có một cái nhìn đen của không gian tìm kiếm. Ví
dụ, hãy xem xét hai không gian tìm kiếm mô tả trong hình 4, lấy từ việc thử nghiệm tìm kiếm dựa trên [61]. Trong
trường hợp mục đích là để giảm thiểu các chức năng tập thể dục (được miêu tả bởi
chiều cao trên trục z). Phong cảnh tay trái đại diện cho một
không gian tìm kiếm mà nó là khó khăn để tìm thấy những tối ưu toàn cầu,
trong khi phiên bản chuyển đổi của cảnh quan này ở bên phải
con số tay biểu thị một không gian tìm kiếm nay thuận lợi hơn để
tìm kiếm. Bằng cách này hình dung có thể được sử dụng để khám phá những
tính chất của không gian tìm kiếm.
Trong nhiều trường hợp, nó không thể tìm thấy một tìm kiếm không tầm thường
vấn đề với hai biến quyết định. Trong tình huống này
, có thể bản đồ tất cả các biến n quyết định từ một tìm kiếm
không gian lên một mặt phẳng một cách như vậy mà gần hàng xóm trong không gian tìm kiếm n chiều nằm gần một
khác trên mặt phẳng 2D. Ví dụ xem xét các âm mưu của các
đỉnh trong một cảnh quan được mô tả trong hình 5, lấy từ Kirsopp et al. [52]. Đây là một hình dung về cảnh quan
từ một phương pháp leo đồi để tính năng lựa chọn tập hợp con.
Các tính năng trong trường hợp này là các thuộc tính dự án phần mềm
được sử dụng trong một dự án phần mềm hệ thống dự toán chi phí hợp dựa trên [52, 82]. Trong hình này, đỉnh núi xảy ra trong các tốt nhất
tứ phân vị của những ngọn đồi được biểu hiện bằng các ký hiệu 'x', những người mà
xảy ra trong các tứ phân vị tốt nhất tiếp theo được biểu hiện bằng các ký hiệu 'o',
những người trong tứ phân vị thứ ba của "+" biểu tượng và những trong
tứ phân tồi tệ nhất bởi '.' các biểu tượng. Việc phân chia các đỉnh trong
7