ФОРМАЛІЗАЦІЯ ПРОЦЕСІВ АВТОМАТИЗОВАНОГО ТЕСТУВАННЯ СКЛАДНИХ ПРОГРАМНИХ СИСТЕМ НА ОСНОВІ МУЛЬТИАГЕНТНОГО МОДЕЛЮВАННЯ
Анотація
Дослідження присвячено формалізації процесів автоматизованого тестування складних програмних систем, що функціонують у динамічних та стохастичних середовищах. Показано, що традиційні методи тестування, побудовані на фіксованих сценаріях, не забезпечують достатнього рівня адаптивності й масштабованості при зростанні складності сучасних програмних продуктів. Обґрунтовано доцільність застосування мультиагентного підходу як інструмента побудови інтелектуальних систем тестування, здатних до самоорганізації, навчання та оптимізації процесу виявлення помилок. У дослідженні здійснено системно-теоретичний аналіз процесу тестування як динамічної системи, що складається з множини автономних агентів, які взаємодіють між собою та з тестовим середовищем. Запропоновано узагальнену формальну модель мультиагентного процесу тестування, у якій визначено основні структурні елементи – множину агентів, середовище їхньої взаємодії, простір тестових сценаріїв, політики поведінки та функцію оцінювання результатів. Такий підхід дає змогу розглядати процес тестування як еволюційну систему, у якій агенти змінюють власні стратегії на основі отриманого досвіду та зворотного зв’язку, поступово підвищуючи ефективність і повноту перевірки програмного забезпечення. Розроблено графову та стохастичну модель простору тестових сценаріїв, яка враховує ймовірність виявлення дефектів, вартість і тривалість тестів, ступінь покриття та інші характеристики ефективності. Визначено систему метрик, що охоплює як класичні показники продуктивності тестування, так і специфічні для мультиагентних систем параметри – кооперативність, конфліктність і швидкість збіжності політик агентів. Описано алгоритми перевірки коректності моделі, які забезпечують оцінювання її узгодженості, досяжності станів, стійкості та адекватності в умовах стохастичних збурень. Отримані результати створюють теоретичну основу для побудови інтелектуальних мультиагентних систем автоматизованого тестування, здатних до адаптації та самоорганізації. Запропонований підхід сприяє підвищенню ефективності тестового процесу, скороченню витрат часу й ресурсів, а також підвищенню рівня надійності програмного забезпечення. Подальші дослідження спрямовуються на розвиток моделей навчання агентів і впровадження отриманих рішень у сучасні CI/CD-процеси.
Посилання
2. Kesavan E. AI-Driven and Autonomous Testing. International Scientific Journal of Engineering and Management. 2024. DOI: https://doi.org/10.55041/isjem01651
3. Nama P. Integrating AI in testing automation: Enhancing test coverage and predictive analysis for improved software quality. World Journal of Advanced Engineering Technology and Sciences. 2024. DOI: https://doi.org/10.30574/wjaets.2024.13.1.0486
4. Doddapaneni J. AI Test Design and Script Generator: Enhancing Software Testing through AI-driven Automation. International Journal of Multidisciplinary Research and Growth Evaluation. 2025. DOI: https://doi.org/10.54660/.ijmrge.2025.6.1.1942-1943
5. Fawaz A., Mougharbel I., Al-Haddad K., Kanaan H. Y. Energy routing protocols for energy Internet: A review on multi-agent systems, metaheuristics, and artificial intelligence approaches. IEEE Access. 2025. 19 p.
6. Симонов Д. І., Заїка Б. Ю., Симонов Є. Д. Мультивихідні регресійні моделі для управління багатокомпонентними динамічними системами. Таврійський науковий вісник. Серія: Технічні науки, (6). 2024. с. 106–119.
7. Симонов Д. І. Ідентифікація та контроль хаотичних процесів у складних технічних системах. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 46(1). 2025. с. 273–284.
8. Kovacevic J., Radujko U., Djukic M., Novkovic T. Smart Multi-Agent Framework for Automated Audio Testing. Elektronika ir Elektrotechnika. 2023. DOI: https://doi.org/10.5755/j02.eie.33222
9. Nunez A., Islam N. T., Jha S., Najafirad P. AutoSafeCoder: A Multi-Agent Framework for Securing LLM Code Generation through Static Analysis and Fuzz Testing. arXiv.org. 2024. DOI: https://doi.org/10.48550/arXiv.2409.10737
10. Nooyens R., Bardakci T., Beyazit M., Demeyer S. Test Amplification for REST APIs via Single and Multi-Agent LLM Systems. International Conference on Testing Software and Systems. 2025. DOI: https://doi.org/10.48550/arXiv.2504.08113
11. Liu C., Gu Z., Wu G., Zhang Y., Wei J., Xie T. Temac: Multi-Agent Collaboration for Automated Web GUI Testing. arXiv.org. 2025. DOI: https://doi.org/10.48550/arXiv.2506.00520
12. Kong H., Hu D., Ge J., Li L., Li T., Wu B. VulnBot: Autonomous Penetration Testing for A Multi-Agent Collaborative Framework. arXiv.org. 2025. DOI: https://doi.org/10.48550/arXiv.2501.13411
13. Hall V. A. Coding with ChatGPT. Birmingham: Packt Publishing Ltd, 2024. 304 p.
14. Bluck A. S. Practical Java Programming with ChatGPT. Delhi: Orange Education Pvt Limited, 2023. 428 p.
15. Bodungen C. ChatGPT for Cybersecurity Cookbook. Birmingham: Packt Publishing Ltd, 2024. 376 p.
16. Herszfang H. P., Henstock P. V. Supercharged Coding with GenAI. Birmingham: Packt Publishing Ltd, 2025. 460 p.

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
ISSN 



