بهبود تخمین تلاش توسعه نرم افزار با استفاده از ترکیب الگوریتم های جستجوی فاخته و بهینه سازی ازدحام ذرات

تخمین صحیح تلاش لازم برای توسعه نرم‌افزار، نقش مهمی در موفقیت این قبیل پروژه‌ها دارد. تاکنون پژوهشهای متعددی برای تخمین تلاش انجام شده است، لیکن بهبود دقت این محاسبه هنوز از چالشهای مطرح است. در این مقاله، راهکاری مبتنی بر الگوریتمهای فراابتکاری برای حل این چالش ارائه شده است. روش کار به این صورت است که ابتدا از الگوریتم جستجوی فاخته به منظور انتخاب صحیح ویژگیهای نرم‌افزاری مطرح در تخمین تلاش استفاده می‌شود. سپس جواب‌های به دست آمده با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات بیشتر مورد واکاوی قرار می‌گیرد. ایده این کار آن است که اجرای متوالی الگوریتم‌های مذکور باعث جستجوی دقیق‌تر فضای مساله شده و امکان دسترسی به بهینه سراسری، یعنی ویژگیهای بهینه را افزایش دهد. در نهایت، ویژگیهای انتخاب شده به عنوان پارامترهای ورودی مدل پسا معماری کوکومو2 مورد استفاده قرار گرفته و تلاش لازم، محاسبه می‌شود. راهکار پیشنهادی بر روی دو مجموعه داده کوکومو81 و کوکوموناسا مورد بررسی قرار گرفته و به‌منظور ارزیابی آن از دو معیار متوسط شدت خطای نسبی و درصد پیش‌بینی استفاده ‌شده است. نتایج به‌دست آمده از آزمایش‌های این راهکار و مقایسه‌ آن‌ با پژوهشهای پیشین نشان می‌دهد که در کوکومو81، مقدار متوسط شدت خطای نسبی به ‌اندازه 0.177 کاهش‌ یافته و درصد پیش‌بینی به ‌ترتیب در سه حالت 25، 30 و 40 درصد، به‌‌ اندازه 7.87%، 8.04% و 8.66% افزایش ‌یافته است. همچنین در کوکوموناسا، مقدار متوسط شدت خطای نسبی به ‌اندازه 0.151 کاهش‌ یافته و درصد پیش‌بینی به ‌ترتیب در سه حالت 25، 30 و 40 درصد، به ‌اندازه 7.55%، 7.98% و 8.11% افزایش ‌یافته است.

Improving the Estimation of Software Development Effort Using the Combination of Cuckoo Search and Particle Swarm Optimization Algorithms

Accurate estimation of required effort for software development has an important role in success of such projects. So far, a lot of research work has been conducted to estimate the effort, but improving the precision of this calculation is still a challenge. In this paper, an approach is proposed based on the metaheuristic algorithms to solve this challenge. The procedure is as follows. First, the Cuckoo Search algorithm is used in order to select the correct software features in estimating effort. Then, the results are further analyzed by Particle Swarm Optimization algorithm. The idea is that the sequential application of these algorithms has led to more accurate search of the problem space and possibility of achieving the global optimum, i.e. the best features is increased. Finally, the selected features are used as the input parameters of the COCOMO II postarchitecture model and the effort is estimated. The proposed approach is evaluated on two datasets of COCOMO 81 and COCOMO NASA and in order to its evaluation, two metrics, namely the median magnitude of relative error and the percentage of prediction are used. The results obtained from the experiments of this approach and their comparison to the results of the previous works show that on the COCOMO 81, the value of the median magnitude of relative error decreased by 0.177 and the percentage of prediction, for the three values of 25, 30 and 40 percent, increased by 7.87%, 8.04% and 8.66%, respectively. Furthermore, on the COCOMO NASA, the value of the median magnitude of relative error decreased by 0.151 and the percentage of prediction, for the three values of 25, 30 and 40 percent, increased by 7.55%, 7.98% and 8.11%, respectively.