چکیده: در محیط توسعۀ نرم افزار مخصوصاً با روشهای جدید چابک و زیر مجموعههای محبوب آن مانند CI/CD، آزمون نرم افزار امری حیاتی است. به‌ازای انواع سطوح آزمون در یک نرم افزار، موارد آزمون متعددی تعریف می‌شود که تمام آنها پس از انجام هر چرخۀ توسعه یا خطایابی و قبل از نشر، باید انجام شوند تا سلامت و کارکرد نرم افزار و در نتیجه رضایت کاربر، تضمین بیشتری شود. روش‌های متعددی برای حل این مشکل تا به امروز ارائه شده که در دو حالت بسیار کلی، انجام آن توسط یک خبرۀ انسانی است و حالت دوم آموزش و استفاده از یک عامل هوشمند که بتواند در این محیط اقدام به تصمیم‌گیری‌هایی با پایین‌ترین نرخ خطا کند. در راه‌حل‌های پیشین، از روش‌های با ناظر و یادگیری تقویتی برای حل مسئله استفاده شده که منجر به تولید عواملی بادقت مناسب شده است. در ادامۀ این مسیر، پژوهش پیش‌رو نیز این مسئله را به‌عنوان یک محیط برای بازی چند عامل، با روش یادگیری تقویتی در نظر گرفته که ماحصل آن بهبود نتایج با اختلاف قابل‌قبولی نسبت به روش‌های اسبق شده است. هدف این پژوهش، دستیابی به عواملی هوشمند با استفاده از یادگیری تقویتی چند عامله است. عواملی که به‌خوبی یاد گرفته و بادقت و سرعت مطلوب، موارد آزمون را اولویت بندی کنند. منظور از اولویت‌بندی، اجرای سریع‌تر موارد آزمون است که موجب کشف سریع‌تر خطا می‌شوند. در نتیجه، فاز توسعه و خطایابی سریع تر انجام شده و محصول با کیفیتی به چرخۀ مصرف می رسد.