Guess What Quantum Computing Can Do for Test Case Optimization

在短期内，量子近似优化算法（QAOAs）具有解决组合优化问题的巨大潜力。这些是混合算法，即量子和经典算法的组合。已经展示了QAOAs在解决组合问题方面的几个概念证明应用，比如投资组合优化、电力系统中的能量优化和作业调度等。然而，QAOAs是否能够高效地解决来自经典软件工程的优化问题，比如测试优化，尚未得到研究。为此，我们首次尝试将软件测试用例优化问题作为QAOA问题进行表述，并在量子计算机模拟器上进行求解。为了解决需要许多目前不可用的量子比特的更大的测试优化问题，我们将问题分解策略与QAOA相结合。我们对五个测试用例优化问题和来自ABB、Google和Orona的四个工业数据集进行了实证评估，比较了我们方法的各种配置，评估了其处理大型数据集的分解策略，并将其性能与经典算法（即遗传算法（GA）和随机搜索）进行了比较。根据评估结果，我们推荐了我们方法的最佳配置来解决测试用例优化问题。此外，我们证明了我们的策略可以达到与GA相同的效果，并在我们进行的五个测试用例优化问题中的两个问题中优于GA。

将软件测试用例优化问题作为QAOA问题，并在量子计算机模拟器上解决，以及与经典算法进行比较。

将软件测试用例优化问题转化为QAOA问题，并使用问题分解策略来处理大型数据集。

使用五个测试用例优化问题和四个工业数据集进行实证评估，比较了各种配置，评估了处理大型数据集的分解策略，并将其性能与经典算法（遗传算法和随机搜索）进行比较。实验结果表明该策略可以达到与遗传算法相同的效果，并在其中两个测试用例优化问题中优于遗传算法。

最近的相关研究包括“Quantum Computing for Optimization Problems: A Review of Approaches and Applications”和“Quantum-inspired evolutionary algorithm for software test suite optimization”。