ارائه یک مدل براساس ترکیب خوشه بندی و طبقه بندی تک کلاسه مبتنی برقواعد برای پیش بینی خطاهای نرم افزارCECIT

برای اطمینان ازکیفیت نرم افزارازمون نرم افزار یک مرحله اساسی درمهندسی نرم افزار است که فرایندی پرهزینه و زمان برمیب اشد یکی ازفاکتورهایی که برای کاهش هزینه و بهبود فرایند ازمون نرم افزاربکارمیرود تعیین ماژول ها و یا کلاسهای مستعدخطا می باشد به همین دلیل تکنیکهای مختلفی درزمینه پیش بینی ماژولهای مستعدخطا بهوجود آمده اهست تا عمل ازمون روی ماژولهایی ازنرم افزار معطوف شود که مستعدخطا هستند تحقیقات دراین زمینه بیشتر معطوف به استفاده ازتکنیکهای اماری و یادگیری ماشین برای ایجاد مدلهای پیش بینی خطا بود هاست اما ایراد این روشها این است که علاوه براینکه هنگام مواجه شدن با داده های نامتوازن به درستی عمل نمی کنند قابلیت درک پایینی نیز دارند دراین مقاله با ترکیب الگوریتم خوشه بندی کرنل K-means و الگوریتم بهینه سازی ازدحام ذرات چندهدفه مبتنی برفاصله ازدحامی DSMOPSO یک مدل پیش بینی با استفاده ازمفهوم جوابهای پارتو معرفی شده است درمدل ارایه شده علاوه براینکه قاعده های استنتاج شده توسط الگوریتم قابلیت درک بالای داشته و به اسانی توسط ازمون کننده ها قابل تفسیر می باشد دقت پیش بینی مناسبی نیز درمقایسه با دیگرمدلهای یادگیری ماشین دارد.

کلیدواژه های ارائه یک مدل براساس ترکیب خوشه بندی و طبقه بندی تک کلاسه مبتنی برقواعد برای پیش بینی خطاهای نرم افزارCECIT:

بهینه سازی ازدحام ذرات چندهدفه ، پیش بینی خطا ، خوشه بندی ، جوابهای پارتو ، قاعده کاوی