بررسی و مقایسه عملکرد الگوریتم‌های فرااکتشافی در انتخاب ویژگی و پیش‌بینی خطای نرم‌افزار‌

الگوریتم‌های فرااکتشافی فنون بهینه‌سازی هستند که با فرایندهای اکتشاف و بهره‌برداری مکرر از کل فضای جستجو، راه‌حل بهینه را ارائه می‌دهند. انتخاب ویژگی نیز یک فرایند مهم و برجسته در حوزه یادگیری ماشین است که باعث کاهش ابعاد داده می‌شود. این مقاله به بررسی و مقایسه الگوریتم‌های فرااکتشافیِ الهام‌گرفته از طبیعت برای انتخاب ویژگی در راستای افزایش دقت پیش‌بینی خطای نرم‌افزار می‌پردازد. پژوهشگران، الگوریتم‌های فرااکتشافی را به دلیل تنوع و تعدد زیاد، نمی‌توانند به راحتی و در زمانی کوتاه، به‌عنوان یک روش مناسب برای تحقیق موردنظر خود انتخاب کنند. در این مقاله سعی شده است با تشریح فنون انتخاب ویژگی و روش‌های آن، کاربرد الگوریتم‌های فرااکتشافی در حوزه‌های مختلف، از قبیل هوش جمعی و روش‌های دودویی کردن این الگوریتم‌ها مورد بررسی قرار گیرد. همچنین، با معرفی 18 الگوریتم فرااکتشافی در 6 دسته مختلف و ارزیابی هر کدام از آن‌ها، یک تحلیل مناسب در اختیار پژوهشگران قرار داده شده است تا به سادگی و با بیش‌ترین بازدهی بتوانند الگوریتم و روش مناسب کار خود را انتخاب نمایند. در مقالاتی که تاکنون ارایه ‌شده‌ است، الگوریتم‌های فرااکتشافی تنها از یک جنبه مورد بررسی قرار گرفته‌اند، در حالی که در این مقاله ضمن مطالعه انواع مختلفی از تحقیقات انجام‌شده، سعی شده است از جنبه‌های مختلف مورد بررسی و ارزیابی قرار گیرند.

Investigating and Comparing the Performance of Meta-Heuristic Algorithms in Feature Selection and Software Fault Prediction

Meta‑Heuristic algorithms are optimization techniques that provide the optimal solution through processes of repeated exploration and exploitation of the entire search space. Feature selection is also an important and prominent process in the field of machine learning that reduces data dimensions. This paper examines and compares nature-inspired meta-heuristic algorithms for feature selection to increase the accuracy of software fault prediction. Researchers can not easily select meta-heuristic algorithms as a suitable method for their research due to their great variety and multiplicity. In this paper, by describing the feature selection techniques and its methods, the application of meta-heuristic algorithms in different fields, such as swarm intelligence and binary methods of these algorithms has been investigated. Also, by introducing 18 meta-heuristic algorithms in 6 different categories and evaluating each of them, a suitable analysis has been provided to researchers so that they can easily and with the highest efficiency choose the appropriate algorithm and method of their work. In the papers presented so far, meta-heuristic algorithms have been studied from only one aspect, while in this article, while studying different types of research, they have tried to study and evaluate them from different aspects.