انتخاب ویژگی با استفاده از ترکیب الگوریتم های ژنتیک-وال-کلونی مورچگان، برای پیش بینی خطاهای نرم افزار مبتنی بر یادگیری ماشین

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 188

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_PADSA-10-1_004

تاریخ نمایه سازی: 24 بهمن 1401

Abstract:

روش های پیش بینی خطای نرم افزار برای پیش بینی ماژول های مستعد خطا در مراحل اولیه ی توسعه ی نرم افزار استفاده می شود. امروزه فنون یادگیری ماشین پرکاربردترین فنون مورد استفاده در زمینه ی پیش بینی خطاهای نرم افزار محسوب می شود. ابعاد بالای داده یکی از مشکلاتی است که عملکرد الگوریتم های یادگیری ماشین را تحت تاثیر قرار می دهد. ابعاد بالای داده به معنای وجود ویژگی های غیرمفید یا افزونه است که احتمالا الگوریتم یادگیری را گمراه می کند و درنتیجه دقت آن را کاهش می دهد. دقت پایین پیش بینی خطای نرم افزار باعث شناسایی دیرهنگام بعضی ماژول های خطادار می شود و در نتیجه تلاش و هزینه ی برطرف کردن خطاها را به صورت غیرعادی بالا می برد. بنابراین حل مشکل ابعاد بالای داده برای افزایش دقت پیش بینی خطای نرم افزار ضروری است. برای کاهش ابعاد داده، محققین از الگوریتم های انتخاب ویژگی استفاده می کنند. الگوریتم های انتخاب ویژگی به دو دسته ی الگوریتم های مبتنی بر فیلتر و الگوریتم های مبتنی بر پوشش تقسیم می شود. الگوریتم های مبتنی بر پوشش منجر به مدل های پیش بینی با دقت بالاتری می شود. در این الگوریتم ها می توان از روش های مختلفی برای جستوجوی راه حل ها استفاده نمود که بهترین نوع آن جست وجوی فراابتکاری است. هرکدام از الگوریتم های فراابتکاری نقاط قوت و ضعفی دارد که محققان برای برطرف کردن این نقاط ضعف از ترکیب این الگوریتم ها استفاده می کنند. در این تحقیق برای بهبود نقاط ضعف هرکدام از الگوریتم های فراابتکاری، از ترکیب سه الگوریتم ژنتیک، کلونی مورچگان و بهینه سازی وال برای انتخاب ویژگی مبتنی بر پوشش استفاده می شود. بدیهی است به کارگیری روش های پیش بینی زودهنگام خطاهای نرم افزار قبل از آزمون واقعی آن، یکی از فنون موثر پدافند غیرعامل در کاهش هزینه های توسعه ی سامانه های نرم افزاری محسوب می شود. برای ارزیابی روش پیشنهادی، ۱۹ پروژه ی نرم افزاری مورد بررسی و آزمایش قرار گرفته و نتایج با دیگر روش ها مقایسه شده است. نتایج ارزیابی نشان می دهد که روش پیشنهادی از عملکرد بهتری نسبت به سایر روش ها برخوردار است.

Keywords:

پیش بینی خطای نرم افزار , انتخاب ویژگی , الگوریتم فراابتکاری , الگوریتم ژنتیک , الگوریتم بهینه سازی وال , الگوریتم کلونی مورچگان

Authors

علی کریمی

استادیار،دانشگاه جامع امام حسین (ع)، تهران، ایران

محمدرضا ایرجی مقدم

کارشناسی ارشد، دانشگاه جامع امام حسین (ع)، تهران، ایران

اسماعیل بسطامی

پژوهشگر، دانشگاه جامع امام حسین(ع)، تهران، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • J. Gaur, A. Goyal, T. Choudhury, and S. Sabitha, "A ...
  • H. Turabieh, M. Mafarja, and X. Li, "Iterated feature selection ...
  • F. Karimian and S. M. Babamir, "Evaluation of Classifiers in ...
  • M. Mafarja, A. Qasem, A. A. Heidari, I. Aljarah, H. ...
  • H. M. Mohammad, S. U. Umar, and T. A. Rashid, ...
  • S. Umadevi and K. S. J. Marseline, "A Survey on ...
  • P. Singh, R. Malhotra, and S. Bansal, "Analyzing the Effectiveness ...
  • B. Venkatesh and J. Anuradha, "A Review of Feature Selection ...
  • N. Mlambo, W. K. Cheruiyot, and M. W. Kimwele, "A ...
  • A. Jović, K. Brkić, and N. Bogunović, "A review of ...
  • T. Dokeroglu, E. Sevinc, T. Kucukyilmaz, and A. Cosar, "A ...
  • S. Mirjalili and A. Lewis, "The Whale Optimization Algorithm," Advances ...
  • M. M. Mafarja and S. Mirjalili, "Whale Optimization Approaches for ...
  • M. Sharawi, H. M. Zawbaa, and E. Emary, "Feature Selection ...
  • E. Zorarpacı and S. A. Özel, "A hybrid approach of ...
  • G. Haixiang, L. Yijing, J. Shang, G. Mingyun, H. Yuanyue, ...
  • V. López, A. Fernández, S. García, V. Palade, and F. ...
  • P. Branco, L. Torgo, and R. P. Ribeiro, "A Survey ...
  • N. V. Chawla, K. W. Bowyer, L. O. Hall, and ...
  • R. Mohammed, J. Rawashdeh, and M. Abdullah, "Machine Learning with ...
  • E. Borandag, A. Ozcift, D. Kilinc, and F. Yucalar, "Majority ...
  • A. K. Jakhar and K. Rajnish, "Software fault prediction with ...
  • S. Jacob and G. Raju, "Software Defect Prediction in Large ...
  • M. Anbu and G. S. A. Mala, "Feature selection using ...
  • C. Manjula and L. Florence, "Deep neural network based hybrid ...
  • I. Tumar, Y. Hassouneh, H. Turabieh, and T. Thaher, "Enhanced ...
  • T. Thaher and N. Arman, "Efficient Multi-Swarm Binary Harris Hawks ...
  • M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, ...
  • E. Özcan, B. Bilgin, and E. E. Korkmaz, "A comprehensive ...
  • نمایش کامل مراجع