通过观察学习：通过整合人类游戏行为轨迹在神经进化中生成游戏测试输入

《ACM Transactions on Evolutionary Learning and Optimization》：Learning by Viewing: Generating Test Inputs for Games by Integrating Human Gameplay Traces in Neuroevolution

神经演化与人类游戏轨迹结合提升游戏测试效率。通过系统记录人类游戏行为并融入神经网络进化搜索，采用梯度下降作为变异算子，显著降低搜索时间并提高程序覆盖率和胜利状态可达性。

　　

摘要

尽管自动化测试生成在许多编程领域都很常见，但由于游戏的随机性较高以及某些程序状态难以达到，游戏领域对测试生成工具仍然是一个挑战。将神经进化算法与基于搜索的软件测试原理相结合已被证明是一种有前景的游戏测试方法。然而，为了寻找最优的网络拓扑结构和权重，这种协同进化搜索过程需要过长的时间。相比之下，人类能够较快地掌握基本的游戏玩法。因此，在本文中，我们旨在通过整合关于人类游戏行为的知识来改进用于生成游戏输入的进化搜索算法。为此，我们提出了一种系统记录人类游戏行为轨迹的新方法，并将这些轨迹作为变异操作纳入使用传统梯度下降算法的进化搜索过程中。通过对十款不同的Scratch游戏进行的实验表明，所提出的方法将平均搜索时间从五小时缩短到了仅97分钟，并且有助于测试生成工具更频繁地达到游戏的胜利状态，从而提高程序覆盖率。