RT Journal Article
T1 A Monte Carlo tree search conceptual framework for feature model analyses
A1 Horcas-Aguilera, José Miguel
A1 Galindo, José A.
A1 Heradio, Rubén
A1 Fernández-Amoroso, David
A1 Benavides, David
K1 Ingeniería del software
AB Challenging domains of the future such as Smart Cities, Cloud Computing, or Industry 4.0 expose highly variable systems with colossal configuration spaces. The automated analysis of those systems’ variability has often relied on SAT solving and constraint programming. However, many of the analyses have to deal with the uncertainty introduced by the fact that undertaking an exhaustive exploration of the whole configuration space is usually intractable. In addition, not all analyses need to deal with the configuration space of the feature models, but with different search spaces where analyses are performed over the structure of the feature models, the constraints, or the implementation artifacts, instead of configurations. This paper proposes a conceptual framework that tackles various of those analyses using Monte Carlo tree search methods, which have proven to succeed in vast search spaces (e.g., game theory, scheduling tasks, security, program synthesis, etc.). Our general framework is formally described, and its flexibility to cope with a diversity of analysis problems is discussed. We provide a Python implementation of the framework that shows the feasibility of our proposal, identifying up to 11 lessons learned, and open challenges about the usage of the Monte Carlo methods in the software product line context. With this contribution, we envision that different problems can be addressed using Monte Carlo simulations and that our framework can be used to advance the state-of-the-art one step forward.
PB Elsevier
YR 2023
FD 2023-01
LK https://hdl.handle.net/10630/32763
UL https://hdl.handle.net/10630/32763
LA eng
NO Jose-Miguel Horcas, José A. Galindo, Ruben Heradio, David Fernandez-Amoros, David Benavides, A Monte Carlo tree search conceptual framework for feature model analyses, Journal of Systems and Software, Volume 195, 2023, 111551, ISSN 0164-1212, https://doi.org/10.1016/j.jss.2022.111551. (https://www.sciencedirect.com/science/article/pii/S0164121222002278)
NO Este trabajo es el resultado principal de una nueva línea de investigación titulada "Simulation-based analysis for variability in SPLs" que fue un éxito y cuyas contribuciones recibieron dos premios al mejor artículo en las conferencias internacionales SPLC'2021 y ConfWS'2021. En este artículo se formaliza y desarrolla un framework para el análisis automático de modelos de variabilidad basado en las técnicas de Monte-Carlo. Se proporciona un conjunto de métodos de Monte-Carlo y se formalizan una serie de problemas de líneas de producto software (SPLs) que se pueden resolver mediante estas técnicas. Además, se identifican y discuten una lista de lecciones aprendidas y retos abiertos en el uso de las técnicas de Monte-Carlo en el ámbito de las SPLs, para que esta nueva línea de investigación pueda seguir expandiéndose en el futuro. El artículo cuenta también con la colaboración de la Universidad de Educación a Distancia (UNED) de Madrid que aportó su experiencia en temas estadísticos aplicados a SPLs.
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 20 ene 2026