参数寻优过程中成功率与时间消耗规律曲线

消息传递接口（Message-Passing Interface, MPI）程序路径覆盖测试中，基于进化优化算法（evolutionary optimization algorithm, EOA）的测试数据生成已广为人知。然而，使用上述技术的过程中，需通过执行程序评估每一进化个体的目标值，这通常需要高昂的计算代价。

2020年11月，信控学院智能优化与控制课题组博士生孙百才在该领域取得研究进展，研究成果形成论文“Integrating an Ensemble Surrogate Model's Estimation into Test data Generation”，以第一作者在国际期刊 IEEE Transactions on Software Engineering （IF: 6.112）发表，中国矿业大学为第一单位，论文通讯作者为巩敦卫教授。

为降低测试MPI程序的计算代价，该论文首先使用EOA生成一定数量的测试输入，并与它们的真实目标值一起形成训练集；然后，基于形成的训练集，训练集成代理模型（Ensemble Surrogate Model），以用于估计每一进化个体的目标值；最后，基于估计的目标值，选择少部分具有代表性的个体执行程序，得到其真实目标值，以用于后续的测试数据进化生成。

该成果所提方法的应用价值为，基于EOA生成测试数据时，通过利用进化过程中获取的知识，估计进化个体的性能指标，并基于指标估计值，进一步选择少部分高性能进化个体，用以实际执行程序。鉴于此，将大大减少程序的实际执行次数，从而降低了评价进化个体所需的计算代价，最终实现测试数据生成效率的显著提高。