ساره صانعی - عضو هیات علمی دپارتمان مهندسی برق و کامپیوتر، دانشکده حضرت فاطمه (س)، دانشگاه فنی و حرفه ای استان کرمان، ایران
آیدا ایرانمنش - دانشجوی رشته کامپیوتر، دانشکده حضرت فاطمه (س)، دانشگاه فنی و حرفه ای استان کرمان،ایران

امروزه پیش بینی نقص های موجود در نرم افزار به یک مسئله چالش برانگیز تبدیل شده است. شرکت های طراح و توسعه دهنده ی نرم افزار نمی توانند در روند تجارت خود مرتکب چنین ریسکی شوند که یک محصول نرم افزاری با کیفیت پایین را به بازار ارائه دهند، چرا که باعث کاهش میزان اعتماد مشتری خواهد شد. آنها ریسک مربوط به کیفیت محصول را می توانند با پیش بینی خطا و عیب های احتمالی به حداقل برسانند. در این مقاله به منظور پیش بینی نقص نرم افزار یک مدل انعطاف پذیر و بهینه ارائه شده است. در مدل پیشنهادی از شبکه عصبی پرسپترون چند لایه به همراه الگوریتم بهینه سازی فقیر و ثروتمند برای پیش بینی دقیق تر نقص نرم افزار استفاده شده است. نقش الگوریتم بهینه سازی فقیر و ثروتمند انتخاب بهترین وزن ها و بایاس ها برای شبکه عصبی مورد استفاده است. به منظور ارزیابی نتایج از چند پایگاه داده معروف در این زمینه استفاده شده است. نتایج حاصل از مدل پیشنهادی نیز با چندین مدل پیش بینی نقص نرم افزار مقایسه شده است. نتایج بدست آمده نشان می دهند که مدل پیشنهادی توانسته در همه پایگاه داده ها نتایج مطلوب تری نسبت به سایر مدل های مورد مقایسه ارائه کند.

نقص، الگوریتم فقیر و ثروتمند، پرسپترون چند لایه، معیارهای ارزیابی