بهبود پیش بینی خرابی نرم افزار با استفاده از مدل ترکیبی ماشین بردار پشتیبان و الگوریتم ملخ و مقایسه با الگوریتم های تکاملی کوانتومی

پیش بینی نقص در مراحل اولیه چرخه عمر توسعه نرم افزار یک فعالیت مهم فرآیند تضمین کیفیت است و در دو دهه اخیر بهطور گسترده مورد مطالعه قرار گرفته است. پیش بینی اولیه ماژول های معیوب در توسعه نرم افزار می تواند به تیم توسعه کمککند تا از منابع موجود به نحو احسن و موثری برای ارائه محصول نرم افزاری با کیفیت بالا در زمان محدود استفاده کنند. تاکنون ، بسیاری از محققان مدل های پیش بینی نقص را با استفاده از یادگیری ماشین و تکنیک های آماری توسعه داده اند. روشیادگیری ماشین روشی موثر برای شناسایی ماژول های معیوب است که با استخراج الگوهای پنهان در میان ویژگی هاینرم افزار کار می کند. در این پژوهش مدلی از ترکیب ماشین بردار پشتیبان با الگوریتم ملخ جهت پیش بینی نقص نرم افزار ارائهشده است . مدل پیشنهادی از الگوریتم ملخ برای کاهش ابعاد استفاده می کند و از ماشین بردار پشتیبان به عنوان طبقه بندیکننده اصلی برای پیش بینی خرابی نرم افزار استفاده می شود. شبیه سازی مدل پیشنهادی با استفاده از نرم افزار متلب انجام شده است. جهت ارزیابی کارایی مدل پیشنهادی از دیتاست ناسا مجموعه داده های واقعی Pc۴ ،Pc۳، Pc۲, Pc۱ ،Jm۱، Kc۳، Kc۲، Kc۱،Cm۱ استفاده شده است.معیارهای ارزیابی صحت ، دقت، فراخوانی مجدد، مدل پیشنهادی با معیارهای ارزیابی پنج روش (۱- رویکرد پیش بینی آسیب پذیری نرم افزار بر اساس شبکه عصبی مصنوعی ترکیبی و بهینه سازی ازدحام ذرات کوانتومی ۲- مدل پیش بینی نقص نرم افزاری را بر اساس ترکیب ماشین بردار پشتیبان والگوریتم kpca؛ ۳- ماشین بردار پشتیبان ۴- شبکه های عصبی پرسپترون ۵- ارائه روشی برای بهبود پیش بینی نقص نرم افزار با استفاده از جنگل عمیق) مقایسه شده است . نتایج مقایسه موجود در جداول و نمودارها نشان می دهد معیارهای دقت ، صحت، فراخوانی مجدد مدل پیشنهادی در اکثر دیتاست ها نسبت به سایر روش ها بهینه تر عمل کرده است.

کلیدواژه ها:

پیش بینی ، ماشین بردار پشتیبان ، الگوریتم ملخ ، دیتاست ناسا