پیش‌بینی ریسک پروژه‌های نرم‌افزار توسط الگوریتم بهینه‌سازی ملخ و یادگیری ماشین

هر پروژه توسعه نرم‌افزاری حاوی عناصر عدم قطعیت است که به‌عنوان ریسک پروژه شناخته می‌شود. موفقیت یک پروژه توسعه نرم‌افزار به‌شدت به میزان ریسک مربوط به هر فعالیت پروژه بستگی دارد. لذا، به‌عنوان یک مدیر پروژه، آگاهی از خطرات کافی نیست. جهت دستیابی به یک نتیجه موفق، یک مدیر پروژه باید بتواند تمام ریسک‌های اصلی را شناسایی، سپس ارزیابی، اولویت‌بندی و درنهایت مدیریت کند. مدیریت ریسک بر شناسایی ریسک‌ها و درمان مناسب با آن‌ها تمرکز دارد. پروژه‌های نرم‌افزاری دارای ریسک‌های فردی یا کلی هستند. برخی از این ریسک‌ها به یک فعالیت خاص و برخی دیگر به پروژه مرتبط است. معمولاً ریسک‌ها ابتدا شناسایی‌شده و با فعالیت‌های پروژه مرتبط می‌شوند. تعیین چگونگی رفتار افراد برای دستیابی به اهداف فعالیت استراتژیک برای شناسایی خطرات است. استفاده از الگوریتم‌ها و فن‌های مختلف برای شناسایی ریسک‌های نرم‌افزاری همواره موردتوجه متخصصین بوده است. هدف این مطالعه، پیش‌بینی ریسک‌های پروژه‌های نرم‌افزاری به کمک الگوریتم بهینه‌سازی ملخ می‌باشد. در این روش انتخاب ویژگی و کاهش آن‌ توسط الگوریتم بهینه‌سازی ملخ انجام می‌شود و برای طبقه‌بندی ریسک و ویژگی‌ها از روش‌های طبقه‌بندی ماشین بردار استفاده می‌شود.

software risk prediction by grasshopper optimization algorithm and machine learning

introduction: real-time localization system is one of the several technologies in order to track objects and target locations. satellite-based positioning systems such as gps are not reliable due to strong signal attenuation, especially in indoor environments, as well as the multipath effect. distance-based methods generally include two main parts: 1. information based on a time interval or toa and tdoa 2. positioning based on information received from distance measurement. in this paper, a novel positioning system is represented, which is based on ultra-wideband technology. the proposed system is used to utilize the tdoa algorithm.method: the uwb positioning system uses the ultra-wideband gaussian pulse, in which the time range of the pulses is less than 0.5 nanoseconds with very high accuracy. usually, positioning systems based on ultra-wideband have several source nodes that calculate the reception time by deriving the pulse pattern from the target node. the source node calculates the total average sending and receiving time between the source node and the target node.finding: on average, the proposed module has an error of less than 1 meter in about 21 centimeters of distance measurement, which is a very acceptable accuracy compared to gps-based systems. this error can be solved by creating an offset in the software.conclusion: considering the weaknesses of the current positioning systems, in this paper, a system based on ultra-wideband using a dwm1000 module and zigbee communication was introduced. the test results report an accuracy of about 10 cm for the module, and with the interpolation and calibration of personalized environments, the amount of error can be greatly reduced. considering the error of 10 to 100 meters in expensive modules with gps technology, this accuracy is an acceptable and negligible error. this system can be used for the internal positioning of robots, hospital personnel, and factories