مریم الهامی - دانشج وی کارشناسی ارشد، گروه کامپیوتر، موسسه آموزش عالی غیرانتفاعی ابرار، تهران، ایران

رشته مهندسی نرم افزار شامل چندین روش پیش بینی مانند پیش بینی تلاش آزمایش، پیش بینی هزینه تصحیح، پیش بینی خطا، پیش بینی قابلیت استفاده مجدد، پیش بینی امنیت و پیش بینی کیفیت است. با این حال، اکثر این رویکردهای پیش بینی هنوز در مرحله اولیه هستند و برای دستیابی به مدل های قوی باید تحقیقات بیشتری انجام شود. پیش بینی خطای نرم افزاری محبوب ترین حوزه تحقیقاتی در این رویکردهای پیش بینی است. پیش بینی خطای نرم افزاری با شناسایی زودهنگام خطاها، کیفیت نرم افزار و کارآیی آزمایش را بهبود می بخشد. مدل های طبقه بندی با استفاده از ویژگی های کد ساخته شده و برای پیش بینی استفاده می شود. این تحقیق نیز با بررسی چالش های موجود در حیطه پیش بینی خطاهای نرم افزاری، سعی در ارائه یک روش بهینه را دارد. رویکرد این تحقیق بدین صورت است که مجموعه داده های PROMISE به عنوان ورودی وارد برنامه می شوند و سپ س شبکه عصبی عمیق از نوع P-LSTM که حالت احتمالاتی LSTM کلاسیک است، برای آموزش و آزمون داده مدنظر واقع می گردد. در واقع با همین روش و اصول آن می توان پیش بینی خطاهای نرمافزاری را انجام داد، اما به دلیل ضعف ساختار عیمق بازگشتی احتمالاتی که ممکن است در بهینه محلی و بیشبرازش به دام بیفتد و پاسخ بهینه ای ندهد، لذا الگوریتم بهینه سازی سیاه چاله با در نظر قرار دادن تابع عملکرد و کارایی P-LSTM به بهینه سازی پیش بینی خطاهای نرم افزاری می پردازد. در مجموع نام روش پیشنهادی BH-LSTM نامگذاری می شود و برحسب معیارهای کارایی و ارزیابی، نشان داده شده است که روش پیشنهادی دقتی تا حدود ۹۵ % را دارا می باشد

پیش بینی خطای نرم افزار، یادگیری عمیق، P-LSTM ، الگوریتم سیاه چاله