ارائه مدلی برای انتخاب ویژگی در پیش بینی خطاهای نرم افزار مبتنی بر الگوریتم ممتیک و منطق فازی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 226

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PADSA-9-3_012

تاریخ نمایه سازی: 21 آذر 1400

چکیده مقاله:

امروزه به دلیل هزینه های بالا، انجام آزمون جامع و کامل بر روی تمامی بخش های نرم افزاری امکان پذیر نیست. اما اگر بخش های مستعدخطا قبل از انجام آزمون شناسایی شوند، می توان تمرکز اصلی آزمون را بر روی این بخش ها قرار داد که منجر به صرفه جویی در هزینه ها می شود. شناسایی بخش های مستعدخطا، هدف اصلی پیش بینی خطا در نرم افزار است. یک مدل پیش بینی کننده، بخش های نرم افزاری به همراه ویژگی های آن ها را به عنوان ورودی دریافت کرده و پیش بینی می کند که کدام یک از آن ها مستعدخطا هستند. معمولا برای ساخت این مدل ها از فنون یادگیری ماشین استفاده می شود که عملکرد این فنون، بسیار وابسته به مجموعه داده آموزشی است. مجمعه داده آموزشی معمولا دارای ویژگی های نرم افزاری زیادی است که برخی از آن ها نامرتبط و یا افزونه بوده و حذف این ویژگی ها با استفاده از روش های انتخاب ویژگی انجام می گردد. در این تحقیق، روش جدیدی برای انتخاب ویژگی مبتنی بر پوشش ارائه شده که از الگوریتم ممتیک، تکنیک جنگل تصادفی و معیار جدید مبتنی بر سیستم استنتاج فازی استفاده می کند. نتایج بررسی نشان می دهد که معیار ارزیابی فازی ارائه شده، عملکرد بهتری را نسبت به معیارهای موجود داشته و باعث بهبود کارایی انتخاب ویژگی می شود. هدف نهایی این تحقیق، رسیدن به یک مدل قدرتمند پیش بینی کننده خطاهای نرم افزاری با کارایی بالا بودهو نتایج مقایسه نشان می دهد که مدل ارائه شده، دارای عملکرد و کارایی بالاتری نسبت به دیگر مدل ها است.

کلیدواژه ها:

پیش بینی خطای نرم افزار ، انتخاب ویژگی ، منطق فازی ، الگوریتم ممتیک

نویسندگان

محمد اشراقی نیا

دانشکده کامپیوتر. دانشگاه جامع امام حسین.تهران.ایران

علی کریمی

دانشگاه جامع امام حسین (ع)

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • N. Rajkumar and C. Viji, “An Efficient Software Fault Prediction ...
  • J. Goyal and B. Kishan, “Progress on Machine Learning Techniques ...
  • H. Turabieh, M. Mafarja, and X. Li, “Iterated feature selection ...
  • M. Babamir and F. Karimian, “Evaluation of Classifiers in Software ...
  • Y. Jian, X. Yu, Z. Xu, and Z. Ma, “A ...
  • R. Moussa and D. Azar, “A PSO-GA approach targeting fault-prone ...
  • L. Kumar, S. K. Sripada, A. Sureka, and S. K. ...
  • S. Wang and X. Yao, “Using class imbalance learning for ...
  • A. Abu Zaher, R. Berretta, N. Noman, and P. Moscato, ...
  • K. Gao, T. M. Khoshgoftaar, H. Wang, and N. Seliya, ...
  • X.-Y. Liu, Y. Liang, S. Wang, Z.-Y. Yang, and H.-S. ...
  • Z. Zhu, Y.-S. Ong, and M. Dash, “Wrapper–filter feature selection ...
  • E. Elakkiya and S. Selvakumar, “GAMEFEST: Genetic Algorithmic Multi Evaluation ...
  • M. Ghosh, S. Begum, R. Sarkar, D. Chakraborty, and U. ...
  • S. C. Yusta, “Different metaheuristic strategies to solve the feature ...
  • A. Tharwat, “Classification assessment methods,” Applied Computing and Informatics, ۲۰۲۰ ...
  • S. Chatterjee and B. Maji, “A Mahalanobis distance based algorithm ...
  • L. A. Zadeh, “Fuzzy sets,” Information and control, vol. ۸, ...
  • E. Erturk and E. A. Sezer, “Iterative software fault prediction ...
  • Y. L. S. Rani, V. Sucharita, D. Bhattacharyya, and H.-J. ...
  • H. Faris et al., “An efficient binary salp swarm algorithm ...
  • I. Tumar, Y. Hassouneh, H. Turabieh, and T. Thaher, “Enhanced ...
  • R. Shatnawi, “The application of ROC analysis in threshold identification, ...
  • M. M. Kabir, M. Shahjahan, and K. Murase, “A new ...
  • J. Lee, I. Yu, J. Park, and D.-W. Kim, “Memetic ...
  • B. Chakraborty, “Feature subset selection by particle swarm optimization with ...
  • M. Bardamova, A. Konev, I. Hodashinsky, and A. Shelupanov, “A ...
  • B. Chakraborty and A. Kawamura, “A new penalty-based wrapper fitness ...
  • A. Kalsoom, M. Maqsood, M. A. Ghazanfar, F. Aadil, and ...
  • I. Guyon, J. Weston, S. Barnhill, and V. Vapnik, “Gene ...
  • B. Xue, M. Zhang, and W. N. Browne, “Particle swarm ...
  • L.-Y. Chuang, H.-W. Chang, C.-J. Tu, and C.-H. Yang, “Improved ...
  • P. Patchaiammal and R. Thirumalaiselvi, “Genetic Evolutionary Learning Fitness Function ...
  • P. Bermejo, J. A. Gámez, and J. M. Puerta, “Speeding ...
  • C. Pascoal, M. R. Oliveira, A. Pacheco, and R. Valadas, ...
  • M. Khonji, A. Jones, and Y. Iraqi, “An empirical evaluation ...
  • C. A. Kumar, M. Sooraj, and S. Ramakrishnan, “A comparative ...
  • I. H. Laradji, M. Alshayeb, and L. Ghouti, “Software defect ...
  • G. Kou, P. Yang, Y. Peng, F. Xiao, Y. Chen, ...
  • J. Huang and C. X. Ling, “Using AUC and accuracy ...
  • S. Chatterjee and B. Maji, “A new fuzzy rule based ...
  • J. N. Mandrekar, “Receiver operating characteristic curve in diagnostic test ...
  • P. Cingolani and J. Alcalá-Fdez, “jFuzzyLogic: a java library to ...
  • M. Shepperd, Q. Song, Z. Sun, and C. Mair, “Data ...
  • نمایش کامل مراجع