اسما قلعه عسکری - دانشجوی کارشناسی ارشد،مهندسی کامپیوتر،موسسه آموزش عالی غیرانتفاعی بعثت کرمان
مصطفی قاضی زاده احسانی - استادیار، گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه شهید باهنر کرمان

سیکل توسعه نرم افزار معمولا شامل آنالیز، طراحی، پیاده سازی و تست و یک سری فازهای دیگر است. مرحله تست نرم افزار،باید به طور موثری انجام شود تا نرم افزار بدون خطا به دست کاربران برسد. لذا یکی از فعالیت های کلیدی و موثر برای توسعهنرم افزار و افزایش قابلیت اطمینان آن، پیش بینی نقص نرم افزار است که کمک حائز اهمیتی برای صرفه جویی زمانی در فرآیندتولید، نگه داری و هزینه آن می کند. یکی از مدل های کارا برای پیش بینی نقص نرم افزار، استفاده از شبکه های عصبیپرسپترون چند لایه با الگوریتم آموزشی پس انتشار خطا است. از آن جایی که یکی از نقاط ضعف الگوریتم آموزشی پس انتشارخطا، به دلیل وجود مینیمم های محلی زیادی در فضای راه حل، احتمال به دام افتادن شبکه عصبی در نقاط مینیمم محلیاست. با توجه به قابلیت الگوریتم های فراابتکاری در خروج از دام مینیمم های محلی و یافتن مینیمم سراسری، در این پایاننامه به منظور برطرف کردن ضعف الگوریتم آموزشی شبکه عصبی و بهبود دقت آن در زمینه ی پیش بینی نقص نرم افزار، ازترکیب الگوریتم فراابتکاری کرم شب تاب به همراه الگوریتم آموزشی پس انتشار خطا استفاده شده است. ارزیابی نتایج حاصل ازمدل پیشنهادی 5 پایگاه داده واقعی به کار گرفته شده و روش ارزیابی متقاطع مبنای ارائه نتایج بوده است . عملکرد مدلپیشنهادی با چندین مدل پیش بینی نقص نرم افزار مقایسه شده است.نتایج این مقایسه نشان می دهد که مدل پیشنهادی قادراست در تعداد زیادی از مجموعه داده، صحت و دقت بالاتری نسبت به سایر مدل ها ارائه دهد.

قابلیت اطمینان، پیش بینی نقش نرم افزار، عصبی پرسپترون، الگوریتم کرم شب تاب