الگوریتم ژنتیک چندهدفه آگاه از انرژی برای بهینه سازی آزمون نرم افزار در سیستم های ابری

آزمون نرم افزار یکی از پرمصرف ترین فعالیت ها در توسعه نرم افزار مدرن است، به ویژه در محیط های ابری که هزینه اجرا و مصرف انرژی از نگرانی های حیاتی محسوب می شوند. اگرچه مهندسی نرم افزار مبتنی بر جستجو (SBSE) از طریق الگوریتم های تکاملی موفقیت چشمگیری در بهینه سازی وظایف مهندسی نرم افزار نشان داده است، اما تحقیقات موجود عمدتا بر بهینه سازی معماری نرم افزار و تخصیص منابع متمرکز بوده و عمدتا مصرف انرژی در آزمون نرم افزار را نادیده گرفته اند. این مقاله یک الگوریتم ژنتیک چندهدفه آگاه از انرژی برای بهینه سازی آزمون نرم افزار پیشنهاد می کند که همزمان پوشش آزمون را حداکثر می کند و زمان اجرا و مصرف انرژی را به حداقل می رساند. رویکرد پیشنهادی، آزمون نرم افزار را به عنوان یک مساله بهینه سازی سه هدفه فرموله می کند و یک الگوریتم تکاملی چندهدفه سفارشی شده بر مبنای الگوریتم ژنتیک مرتب سازی غیرمسلط دوم (NSGA-II) را برای کشف مصالحه های بین این اهداف متضاد به کار می گیرد. نتایج آزمایشی روی سه سیستم متن باز مبتنی بر ابر نشان می دهد که گنجاندن آگاهی از انرژی در فرآیند آزمون می تواند مصرف انرژی را تا ۲۸.۵٪ در مقایسه با رویکرد سنتی دوهدفه (پوشش و زمان) کاهش دهد، در حالی که پوشش آزمون بالای ۹۷٪ حفظ می شود. این مطالعه به سوی روش های آزمون نرم افزار پایدارتر و مقرون به صرفه تر در محیط های ابری کمک می کند.

کلیدواژه ها:

مهندسی نرم افزار مبتنی بر جستجو ، آزمون نرم افزار ، بهینه سازی چندهدفه ، الگوریتم های ژنتیک ، رایانش آگاه از انرژی ، سیستم های ابری ، کارایی پارتو