سمیه شعبانی زاده رابری - گروه علمی مهندسی کامپیوتر، موسسه آموزش عالی غیرانتفاعی غیردولتی جاوید، جیرفت
وحید خطیبی بردسیری - گروه مهندسی کامپیوتر، واحد بردسیر، دانشگاه آزاد اسلامی، بردسیر، ایران
عمید خطیبی بردسیری - گروه مهندسی کامپیوتر، واحد بردسیر، دانشگاه آزاد اسلامی، بردسیر، ایران

سیکل توسعه نرم‌افزار شامل آنالیز، طراحی، پیاده‌سازی و تست و یکسری فازهای دیگر است. مرحله تست نرم‌افزار یکی از مراحل هزینه‌بر توسعه نرم‌افزار است، باید به‌طور مؤثری انجام شود تا نرم‌افزار بدون خطا دست کاربران برسد. یکی از فعالیت‌های مؤثر برای توسعه نرم‌افزار و افزایش قابلیت اطمینان آن، پیش‌بینی نقص نرم‌افزار قبل از رسیدن به مرحله تست است که کمک حائز اهمیتی برای صرفه‌جویی زمانی در فرآیند تولید، نگهداری و هزینه آن می‌کند. یکی از مدل‌های کارا برای پیش‌بینی نقص نرم‌افزار، استفاده از شبکه‌های عصبی پرسپترون چندلایه با الگوریتم آموزشی پس‌انتشار خطا است. یکی از نقاط ضعف الگوریتم آموزشی پس‌انتشار خطا احتمال به دام افتادن شبکه عصبی در نقاط مینیمم محلی است. با توجه به قابلیت الگوریتم‌های فراابتکاری در خروج از دام مینیمم‌های محلی و یافتن مینیمم سراسری، در این مقاله جهت برطرف کردن ضعف الگوریتم آموزشی شبکه عصبی و بهبود دقت آن در زمینه پیش‌بینی نقص نرم‌افزار، از ترکیب الگوریتم فراابتکاری ملخ با الگوریتم آموزشی پس‌انتشار خطا استفاده شده است. جهت ارزﯾﺎﺑﯽ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﻣﺪل ﭘﯿﺸﻨﻬﺎدی، نه ﭘﺎﯾﮕﺎه داده واﻗﻌﯽ ﺑﮑﺎر گرفته‌شده و روش ارزﯾﺎﺑﯽ ﻣﺘﻘـﺎﻃﻊ ﻣﺒﻨﺎی اراﺋﻪ ﻧﺘﺎﯾﺞ ﺑﻮده اﺳﺖ. ﻋﻤﻠﮑﺮد ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﺑﺎ شش ﻣﺪل پیش‌بینی ﻧﻘـﺺ نرم‌افزار ﻣﻘﺎﯾﺴﻪ ﺷﺪه اﺳﺖ. ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻘﺎﯾﺴﻪ ﻧﺸﺎن می‌دهد ﮐﻪ ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﻗﺎدر اﺳﺖ در ﺗﻌﺪاد زﯾﺎدی از مجموعه داده، ﺻﺤﺖ و دﻗﺖ ﺑﺎﻻﺗﺮی ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ مدل‌ها اراﺋﻪ دﻫﺪ.

قابلیت اطمینان, پیش‌بینی نقص نرم‌افزار, شبکه‌های عصبی پرسپترون, الگوریتم ملخ