ارایه روشی برای پیش بینی خرابی نرم افزار با استفاده از الگوریتم ژنتیک بهبود یافته

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 632

فایل این مقاله در 14 صفحه با فرمت PDF و WORD 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:

CIICE01_102

تاریخ نمایه سازی: 7 اردیبهشت 1396

چکیده مقاله:

نگهداری و تعمیرات ماشین آلات مهندسی زمانی بهینه خواهد بود که شناسایی عیب یا فرآیند عیب یابی، تحلیل خطا و رفع آن به عبارتی فرآیند تعمیرات، با بیشترین دقت و در کوتاه ترین زمان ممکن با هزینه کم صورت گیرد. از طرفی سرعت و دقت در عیب یابی، تحلیل عیب و تعمیرات خود موجب کاهش هزینه ها خواهد شد. از این رو نقش عیب یابی و تعمیر در یک سیستم تعمیر و نگهداری کاملا چشمگیر است. از آنجایی که امروزه نرم افزار نقش اصلی را در انجام وظایف سیستم ها بر عهده دارد، بنابراین اهمیت ویژه ای نیز در میزان قابلیت اطمینان سیستم ها دارد. لذا برای افزایش قابلیت اطمینان، لازم است سیستم ها به صورت تحمل پذیر در برابر خطا طراحی شوند. با توجه به پیشرفت روزافزون و کاربرد نرم افزار در حوزه های مختلف، قابلیت اطمینان نرم افزار نقش بسیار مهمی در طول مدت زمان حیات نرم افزار ایفا می کند. یکی از مهم ترین راه حل های بالا بردن قابلیت اطمینان نرم افزار پیش بینی خطاهای نرم افزار است که موجب کاهش هزینه نگهداری نرم افزار در آینده می شود. روش های بسیاری برای پیش بینی خطای نرم افزاری وجود دارد. به دلیل این که الگوریتم های هوشمند مانند الگوریتم ژنتیک توانایی بالایی در پیش بینی دارد، می توان از آن ها در پیش بینی وضعیت آتی نرم افزار یا پیش بینی خطای نرم افزاری استفاده نمود. در این پایان نامه، روشی برای پیش بینی خطای نرم افزار با استفاده از الگوریتم ژنتیک ارایه شده است. هدف از ارایه این روش پیش بینی خطای نرم افزار با سرعت و دقت بالاتر است و همچنین ارایه ساختاری که به سادگی قابل پیاده سازی و تعمیم باشد. نتایج به دست آمده حاکی از عملکرد مطلوب روش ارایه شده از نقطه نظر مدت زمان پیش بینی خطا و میزان بازده یا تشخیص آن می باشد. نتایج، میزان تشخیص روش پیشنهادی را بالاتر از 95 درصد در بهترین شرایط نشان می دهد.

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 :
  • Ak R, Li Y, Vitelli V, Zio E. 2013. Multi-objective ...
  • / 2] Aljahdali S, Telbany M. 2009. Software reliability prediction ...
  • _ Bhattacharya S, Rungta S, Kar N. 2013. Software fault ...
  • Binkley D, Feild H, Lawrie D, Pighin M. 2009. Software ...
  • / 5] Boetticher G. 2005. Nearest neighbor sampling for better ...
  • Catal C. 2012. Performance evaluation metrics for software fault prediction ...
  • Chang R, Mu X, Zhang L. 2011. Software defect prediction ...
  • Goyal R, Chandra P, Singh Y. 2014. Suitability of KNN ...
  • / 9] Jiang Y, Cukic B, Menzies T, Bartlow N. ...
  • 1] Li H, Lu M, Zeng M, Huang B. 2012. ...
  • ? Menzies T, Greenwald J, Frank A. 2007. Data mining ...
  • /14 Paksoy A, Goktiirk M. 2011. Information fusion with dempste ...
  • _ 15] Rodriguez D, Ruiz R, Riquelme J, Ruiz J. ...
  • _ 17Y Schroter A, Zimmermans T, Zeller A. 2006. Predicting ...
  • _ 18] Shepperd M, Song Q, Sun Z, Mair C. ...
  • Singh P, Verma S. 2014. An efficient software fault prediction ...
  • Wahono R, Herman N. 2014. Genetic feature selection for software ...
  • _ Wahono R, Suryana N, Ahmad S. 2014. Metaheuristc optimization ...
  • نمایش کامل مراجع