论文介绍
长期以来，游戏测试一直被认为是一项极具挑战性的任务，游戏行业主要依赖手动和基于脚本的测试。即使直到最近，自动化游戏测试在很大程度上仍然是一个未被触及的利基市场。一个关键的挑战是游戏测试通常需要将游戏作为一个连续的决策过程来玩。只有在完成某些困难的中间任务时才会触发错误，这就需要一定程度的智能。深度强化学习 (DRL) 可以在没有人类支持的情况下也能推进自动化游戏测试。然而，现有的DRL大多侧重于赢得游戏而不是游戏测试。
为此，在本论文中，我们首先对来自四个真实商业游戏产品的1349个真实错误进行了深入分析。在此基础上，我们提出了四个oracles来支持自动化游戏测试，并进一步提出了一种实时游戏测试框架Wuji，它利用进化算法、DRL和多目标优化来执行自动游戏测试。Wuji在赢得比赛和探索比赛空间之间取得平衡。赢得比赛可以让智能体在比赛中取得进步，而探索则增加了发现漏洞的可能性。我们对一个简单的游戏和两个流行的商业游戏进行了大规模的评估。结果证明了Wuji在探索空间和检测错误方面的有效性。此外，Wuji在商业游戏中发现了3个此前未知的bug，这些bug已经被开发者确认。
论文地址
https://ieeexplore.ieee.org/abstract/document/8952543
论文下载
https://nos.netease.com/mg-file/mg/neteasegamecampus/art_works/20200812/202008122020238586.pdf
