هادی روشن - هیئت علمی موسسه آموزش عالی آیندگان تنکابن
مسعود رضایی راد - دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه آزاد اسلامی واحد کرمان
زهرا ستوده نیا - دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه آزاد اسلامی واحد کرمان

تخمین هزینه نرم افزاری برای مدیریت پروژه های نرم افزاری حیاتی است. بسیاری ازرویکردها برای تخمین هزینه پروژه فعلی داده های جمع آوری شده از پروژه های قبلی را توصیه می کنند. تخمین قیاسی ABE که اساساً یک رویکرد استدلال موردی CBR است، یکی از این تکنیک ها می باشد. برای دستیابی به نتایج موفقیت آمیز از ABE بسیاری از تحقیقات قبلی روش های موثری را برای بهینه سازی وزن های ویژگی ها توصیه می کنند. از آنجا که ABE هنوز برای دقت پایین بینی مورد انتقاد قرار می گیرد برای کاهش نقاط این ضعف ما زیر مجموعه های پروژه های مناسب ( انتخاب پروژه) را با الگوریتم ژنتیک معرفی می کنیم. نتایج نوید بخش روش توصیه شده، مقایسه ها در مقابل مدل های ABE دیگر و تکنیک های یادگیری ماشینی تاثیر و پتانسیل روش ما را به عنوان یک روش کاندید برای تخمین هزینه نرم افزاری نشان می دهد.

تخمین هزینه نرم افزاری، تخمین قیاسی، انتخاب پروژه، الگوریتم ژنتیک