فهیمه موسوی میبدی - دانشجوی کارشناسی ارشد نرم افزار
محمدرضا ملاحسینی اردکانی - مربی دانشگاه آزاد اسلامی واحد میبد

پیشبینی نقص نرمافزار یکی از زمینههای مهم در مهندسی نرمافزار میباشد که کمک حایز اهمیتی در صرفهجویی زمانی و در فرآیند تولید و نگهدارینرمافزار به ما میکند. یکی از مدلهای کارا در زمینه پیشبینی نقص، شبکههای عصبی چند لایه با الگوریتم آموزشی پس از انتشار خطا میباشد. از نقاط ضعفالگوریتم آموزشی پس انتشار خطا، احتمال به دام افتادن شبکه عصبی در نقاط مینیمم محلی میباشد. در این مقاله به منظور بهبود و افزایش قابلیت تعمیمالگوریتم آموزش در پیش بینی نقص نرمافزار، از روش تنظیم شبکههای عصبی چند لایه استفاده شده است. به دلیل قابلیت الگوریتمهای فرااکتشافی در خروج ازدام مینیممهای محلی و یافتن مینیمم سراسری، برای بهبود دقت الگوریتم آموزشی شبکه عصبی در پیشبینی نقص نرمافزار، از ترکیب الگوریتم انبوه ذرات وشبکه عصبی استفاده شده است. کارایی الگوریتم پیشنهادی بر روی سه مجموعه داده ناسا ارزیابی شد. نتایج پیادهسازی الگوریتم پیشنهادی نشاندهنده برتریالگوریتم پیشنهادی در زمینه پیشبینی نقص نرمافزار از لحاظ دقت و صحت نسبت به سایر مدلها میباشد.

پیش بینی نقص نرمافزار، شبکه عصبی، الگوریتم ازدحام ذرات، دادگان ناسا، معیار ارزیابی