بهروز صادقی - گروه علمی مهندسی نرم افزار، دانشکده فنی ومهندسی ، دانشگاه آزاد اسلامی استان کرمان واحد کرمان
وحید خطیبی بردسیری - گروه علمی مهندسی نرم افزار، دانشکده فنی ومهندسی ، دانشگاه آزاد اسلامی استان کرمان واحد کرمان

ازآنجاییکه موفقیت و یا شکست پروژه های نرم افزاری به طور چشمگیری با دقت فرآیند تخمین تلاش توسعه نرم افزارها،رابطه مستقیم دارد، روشهای مختلفی مانند دسته بندی و درخت رگرسیون ، قضاوت نخبگان، محاسبات نرم، انواع روشهایرگرسیون و غیره، برای تخمین تلاش توسعه نرم افزارها ارایه شده اند. اما یکی از روشهایی که به تازگی، بسیار مورد توجهمحققان و دانشگاهیان قرار گرفته است، روش تخمین مبتنی بر شباهت میباشد. در سالهای اخیر، محققان زیادی سعی داشته اندتا با به کارگیری تکنیک های مختلف هوش مصنوعی مانند شبکه های عصبی مصنوعی، شبکه های فازی، الگوریتم های ژنتیک،الگوریتم های تکاملی و فراتکاملی، و ترکیب آنها با روش تخمین مبتنی بر شباهت ، بتوانند بر دقت عملیات تخمین تلاشبیفزایند. علیرغم تمام جنبه های مثبت این روش، باید گفت که در این روش برای تخمین تلاش نرم افزارها، هیچ تفاوتی بینخصوصیات نرم افزارها دیده نمی شود و در آن، تمام خصوصیات از یک سطح اهمیت برخوردار می باشند. بنابراین سعی شدهاست با بکارگیری الگوریتم های مختلف فراتکاملی وترکیب آنها با این روش، جهت وزن دادن به این خصوصیات، نسبت بهتخمین دقیق تر تلاش، اقدام نمود. مدل پیشنهاد شده، الگوریتم جهش ترکیبی قورباغه را با روش تخمین مبتنی بر شباهت ترکیبمی نماید. این مدل، سعی دارد ضمن پیشنهاد کردن وزن های مختلف برای هر خصوصیت، نسبت به محاسبه میزان شباهتهرپروژه به پروژه مورد نظر اقدام نماید. انعطاف پذیری بالای این مدل باعث شده است که بتوان آنرا با هر مجموعه داده ای،مورد استفاده قرار داد و از طرفی بتوان تمامی خصوصیات دسته ای و غیر دسته ای را نیز پوشش داد. جهت بررسی عملکرد اینمدل، سه مجموعه داده استاندارد Desharnais,Cocomo,Maxwell به کار گرفته شده واز معیارهای ارزیابی (0.25)MMRE,PRED نیز استفاده شده است.بررسی نتایج نشان ازآن دارد که ترکیب الگوریتم جهش ترکیبی قورباغه وروش تخمین مبتنی بر شباهت میتواند به طور قابل ملاحظه ای، عملکرد مدلهای تخمین تلاش موجود را بهبود بخشد.

تخمین تلاش، تخمین مبتنی بر شباهت، الگوریتم جهش ترکیبی قورباغه، خصوصیت