ارائه روشی ترکیبی بر مبنای شبکه عصبی فازی و الگوریتمهای تکاملی جهت جهت پیش بینی رفتار حین اجرای نرمافزارهای خودتطبیق مبتنی بر معماری

نرمافزارهای خودتطبیق، سیستمهایی هستندکه تغییرات را از محیط درونی وبیرونی خود دریافت کرده و باتوجه به وضعیت یک هدرآن قراردارند،خودرابا تغییرات تطبیقمیدهند.ازآنجاکه این فرایند براساس نیازمندیهای کاربران، منابع وشرایط محیطی صورت میگیرد ، منجر به مطابقت نرمافزاربا نیازهای کاربران میشود ] 1و 2 [ . روشهای سنتی خود تطبیقی در قالب ویژگیهای زبانهای برنامه نویسی بهکارمیرفتند. تطبیقپذیری که در این روشها وجود دارد به شدت آمیخته با برنامه است. این روشها، بهمحض کشف خطا، آن را به دام میاندازند، اما مدیریت خطای داخلی، قادر نیست منبع واقعی مشکل راشناسایی و راهکار جبرانی ارائه نماید. بهعلاوه، چنین روشهایی نمیتوانند مشکلاتی مانند افت کارایی تدریجی نرمافزار و یا الگوهای غیرمطمئن را شناسایی کنند. همچنین بهدلیل وابستگی این روشها به کد برنامه، تغییر سیاستهای تطبیقپذیری در آنها، بسیار سخت میشود. راه حل این مشکلات، استفاده از مدلهای معماری نرمافزار برای کشف، تشخیص و برطرف کردن خطاها و تنگناهاست ] 3 [ .سیستمهای خودتطبیق مبتنی بر معماری، واکنشی هستند. مرجع ] 3 [ ، به روش پیشبینی، اتکا دارد و واکنشی نیست. این مرجع، پیشبینی رفتار نرمافزارهای خودتطبیق را با استفاده از مدل مارکوف مخفی و شبکهی عصبی بازگشتی و پویا ) NARX ( انجام داده است. شباهت روش ارائه شده در این تحقیق با روشی که در مرجع ] 3 [ مطرح شده است، پیشبینی رفتار نرمافزارهای خودتطبیق بر معماری میباشد، اما تفاوت آنعبارت است از استفاده از ترکیب شبکه عصبی فازی انفیس و الگوریتمهای تکاملی جهت پیشبینی رفتار نرمافزارهای خودتطبیق مبتنی بر معماری. مدل فازی عصبی، منطق فازی را با شبکههای عصبی مصنوعی ترکیب میکند. با توجه به وجود روابط غیرخطی و عدم قطعیت در رفتار سیستم - - های نرمافزاری، استفاده از مدلی که از منطق فازی، استفاده کند در بهبود پیش بینی رفتار این سیستم ها مؤثر است. در مرجع ] 3 [ از روش- های NARX و مدل مارکوف مخفی برای پیش بینی رفتار غیرخطی سیستمهای خودتطبیق استفاده شده است، در این تحقیق میخواهیم به بررسی کارایی روش ترکیبی مورد استفاده )ترکیب انفیس و الگوریتمهای تکاملی( برای پیش بینی بپردازیم.

Keywords:

شبکه عصبی , الگوریتم تکاملی , نرم افزار خود تطبیق