طراحی مدل پیش بینی نقص نرم افزار با استفاده از شبکه عصبی-فازی و الگوریتم حرکت گروهی ذرات (pso)

تضمین کیفیت نرم افزاریکی از چالش برانگیزترین مباحث تولید نرم افزار می باشد و هدف آن تولید نرم افزاری بدون خطا است که نیاز و انتظارات مشتری را پاسخگو باشد.اما همیشه فاکتور هایی وجود دارد که منجر به تعداد بالای خطاهای نرم افزاری می شود و وجود نقص ها در سیستم نرم افزاری یک تهدید جدی برای کیفیت نرم افزار به شمار می رود. پژوهش های زیادی برای یافتن ارتباط متریک های نرم افزارو مستعد خطا بودن ماژول ها، انجام گرفته است . از آن جایی که رابطه ی بین متریک های نرم افزارو مستعد خطا بودن ماژول های آن پیچیده و غیر خطی است، درمطالعات اخیر از الگوریتم های یادگیری ماشین برای مدل سازی پیش بینی خطای نرم افزار استفاده شده است. در فرایند استفاده از شبکه-های عصبی، داده های شبکه عصبی ابتدا یک سری مقادیر تصادفی را به عنوان وزن ها و بایاس های اولیه شبکه انتخاب می کند و این یکی از معایب آن است. در این راستا پ از الگوریتم بهینه‌سازی ازدحام ذرات برای بهینه‌سازی وزن شبکه‌های عصبی استفاده می‌شود. در مقایسه با الگوریتم‌های بهینه‌سازی، الگوریتم بهینه‌سازی اردحام ذرات (pso) برای پیاده‌سازی ساده‌تر است و می‌تواند نقطه بهینه را به سرعت پیدا کند. ارزیابی مدل پیشنهادی بر اساس مجموعه داده‌های nasa mdp repository انجام گرفته است و نتایج حاصله نشان می‌دهد روش پیشنهادی، عملکرد مطلوبی از نقطه نظر مدت زمان پیش بینی خطا و میزان بازده یا تشخیص آن می باشد.

Designing a software defect prediction model using neural-fuzzy network and Particle swarm optimization (PSO) algorithm

Software quality assurance is one of the most challenging issues in software production and its goal is to produce error-free software that meets customer needs and expectations. But there are always factors that lead to a large number of software errors and defects. In the software system is a serious threat to software quality. Much research has been done to find the relationship between software metrics and module susceptibility. Since the relationship between software metrics and error-prone modules is complex and nonlinear, recent studies have used machine learning algorithms to model software error prediction. In the process of using neural networks, neural network data first selects a series of random values ??as the initial weights and biases of the network, and this is one of its disadvantages. In this regard, particle swarm optimization algorithm is used to optimize the weight of neural networks. Compared to optimization algorithms, the Particle Mercy Optimization (PSO) algorithm is easier to implement and can find the optimal point quickly. The evaluation of the proposed model is based on the NASA MDP Repository data set and the results show that the proposed method is a good performance in terms of the duration of the error prediction and its rate of return or detection.