ارائه یک روش نوین جهت پیش‌بینی نقص نرم‌افزار با استفاده از ترکیب شبکه عصبی و الگوریتم‌ ملخ

سیکل توسعه نرم‌افزار شامل آنالیز، طراحی، پیاده‌سازی و تست و یکسری فازهای دیگر است. مرحله تست نرم‌افزار یکی از مراحل هزینه‌بر توسعه نرم‌افزار است، باید به‌طور موثری انجام شود تا نرم‌افزار بدون خطا دست کاربران برسد. یکی از فعالیت‌های موثر برای توسعه نرم‌افزار و افزایش قابلیت اطمینان آن، پیش‌بینی نقص نرم‌افزار قبل از رسیدن به مرحله تست است که کمک حائز اهمیتی برای صرفه‌جویی زمانی در فرآیند تولید، نگهداری و هزینه آن می‌کند. یکی از مدل‌های کارا برای پیش‌بینی نقص نرم‌افزار، استفاده از شبکه‌های عصبی پرسپترون چندلایه با الگوریتم آموزشی پس‌انتشار خطا است. یکی از نقاط ضعف الگوریتم آموزشی پس‌انتشار خطا احتمال به دام افتادن شبکه عصبی در نقاط مینیمم محلی است. با توجه به قابلیت الگوریتم‌های فراابتکاری در خروج از دام مینیمم‌های محلی و یافتن مینیمم سراسری، در این مقاله جهت برطرف کردن ضعف الگوریتم آموزشی شبکه عصبی و بهبود دقت آن در زمینه پیش‌بینی نقص نرم‌افزار، از ترکیب الگوریتم فراابتکاری ملخ با الگوریتم آموزشی پس‌انتشار خطا استفاده شده است. جهت ارزﯾﺎﺑﯽ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﻣﺪل ﭘﯿﺸﻨﻬﺎدی، نه ﭘﺎﯾﮕﺎه داده واﻗﻌﯽ ﺑﮑﺎر گرفته‌شده و روش ارزﯾﺎﺑﯽ ﻣﺘﻘﺎﻃﻊ ﻣﺒﻨﺎی اراﺋﻪ ﻧﺘﺎﯾﺞ ﺑﻮده اﺳﺖ. ﻋﻤﻠﮑﺮد ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﺑﺎ شش ﻣﺪل پیش‌بینی ﻧﻘﺺ نرم‌افزار ﻣﻘﺎﯾﺴﻪ ﺷﺪه اﺳﺖ. ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻘﺎﯾﺴﻪ ﻧﺸﺎن می‌دهد ﮐﻪ ﻣﺪل ﭘﯿﺸﻨﻬﺎدی ﻗﺎدر اﺳﺖ در ﺗﻌﺪاد زﯾﺎدی از مجموعه داده، ﺻﺤﺖ و دﻗﺖ ﺑﺎﻻﺗﺮی ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ مدل‌ها اراﺋﻪ دﻫﺪ.

Presentation of a new method for predicting software defect using neural network combination and grasshopper algorithm.

Software development cycle includes analysis, design, implementation and testing, and several other phases. The software testing phase is one of the costly stages of software development, and should be effectively implemented so that the software can be accessed without error by the users. One of the most effective activities for software development and its reliability is to predict software flaws before reaching the testing stage, which helps to save time in the production, maintenance and cost of software. One of the most effective models for predicting software flaws is the use of multilevel perceptron neural networks with posterror training algorithm. One of the weaknesses of the posterror training algorithm is the possibility of trapping the neural network at the local minimum points. Considering the potential of hyperalgorithms in exiting the local minimum mines and finding the minimum in general, in this paper, the combination of grasshopper metaheuristic algorithm and posterror training algorithm were used to solve the weakness of the training algorithm and to improve its accuracy in predicting software defect. Is. In order to evaluate the results of the proposed model, neither the actual database was used nor the crossevaluation method was the basis for presenting the results. The proposed model’s performance has been compared with six defective software prediction models. The results of this comparison show that the proposed model is able to provide more accuracy and accuracy in comparison to other models in a large number of data sets.