بهبود دقت شناسایی بوی کد با استفاده از الگوریتم گرگ خاکستری مبتنی بر فنون یادگیری ماشین و رای گیری اکثریت

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 174

فایل این مقاله در 16 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-12-1_009

تاریخ نمایه سازی: 30 خرداد 1403

چکیده مقاله:

بوی کد یک نشانه سطحی است که احتمالا نشان دهنده یک مشکل عمیق تر در برنامه است. بوی کد نگهداری، توسعه و تکامل برنامه را با مشکل مواجه می کند. وجود بوی کد قطعا به معنی عدم کارکرد درست نرم افزار نیست، اما این موضوع ممکن است باعث کندی پردازش، افزایش خطر خرابی و خطاهای نرم افزار شود. بدیهی است که یکی از روش های موثر در افزایش کیفیت نرم افزار، بازسازی و بازآرایی کد است که رابطه مستقیمی با بوی کد دارد. تاکنون تحقیقات زیادی در حوزه شناسایی و برطرف کردن بوهای کد سامانه های نرم افزاری انجام گرفته است. لیکن، از میان آنها چهار نوع بوی کد شامل؛ متد طولانی، خصیصه حسادت، کلاس خدا و کلاس داده بیشترین توجه محققین را به خود جلب کرده است. محققین برای افزایش دقت پیش بینی بوهای کد و کاهش ابعاد داده، از الگوریتم های انتخاب ویژگی استفاده می کنند. در این مقاله، جهت تعیین زیر مجموعه منتخب از ویژگی های بهینه، از الگوریتم گرگ خاکستری استفاده شده است. انتخاب ویژگی، باعث سادگی مدل، بهبود دقت و نیز موجب کاهش زمان آموزش آن می گردد. همچنین به منظور شناسایی و طبقه بندی بوهای کد، مدل شناسایی براساس سه الگوریتم یادگیری ماشین تحت عنوان؛ نزدیک ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان ساخته می شود. درنهایت، نتیجه نهایی حاصل از خروجی مدل، برمبنای سازوکار رای گیری اکثریت تعیین می گردد. در این مقاله، جهت ارزیابی روش پیشنهادی از نسخه ی بهبود یافته ی مجموعه داده فونتانا استفاده شده است. همچنین، جهت ارزیابی نتایج روش پیشنهادی از معیارهای آماری شامل دقت، صحت، فراخوان و معیار F استفاده شده است. در نهایت، نتایج روش پیشنهادی با نتایج دیگر روش های مرتبط، مورد مقایسه قرار گرفته است. نتایج بدست آمده از آزمون ها، نشان می دهد که روش پیشنهادی عملکرد قابل قبولی نسبت به سایر روش ها ارایه کرده است.

نویسندگان

علی کریمی

استادیار، دانشگاه جامع امام حسین (ع)، تهران، ایران

محمدرضا خسروی فارسانی

کارشناسی ارشد، دانشگاه جامع امام حسین، تهران، ایران

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 :
  • M. Tufano, F. Palomba, G. Bavota, R. Oliveto, M. Di ...
  • M. S. Haque, J. Carver, T. Atkison, “Causes, impacts, and ...
  • M. Fowler, “Refactoring: Improving the Design of Existing Code,” Addison-Wesley ...
  • F. Palomba, G. Bavota, M. Di Penta, F. Fasano, R. ...
  • A. Tahir, J. Dietrich, S. Counsell, S. Licorish, and A. ...
  • X. Han, A. Tahir, P. Liang, S. Counsell, Y. Luo, ...
  • M. Fowler, “Refactoring: Improving the Design of Existing Code,” Addison-Wesley ...
  • G. Langelier, H. Sahraoui, P. Poulin, “Visualization-based analysis of quality ...
  • M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, ...
  • R. Marinescu, “Detection strategies: metrics-based rules for detecting design flaws,” ...
  • G. Ganea, I. Verebi, R. Marinescu, “Continuous quality assessment with ...
  • M. Mantyla, “Bad smells in software-a taxonomy and an empirical ...
  • B. Venkatesh, J. Anuradha, “A Review of Feature Selection and ...
  • S. Umadevi, KSJ. Marseline, “A survey on data mining classification ...
  • S. Kanj, F. Abdallah, “Editing training data for multi-label classification ...
  • S. Archana, and K. Elangovan, “Survey of classification techniques in ...
  • S. Roy, S. Mondal, A. Ekbal, MS. Desarkar, “Dispersion Ratio ...
  • S .Huang, CAI. Nianguang, P. Penzuti, S. Narandes, Y. Wang, ...
  • EO. Kiyak, D. Birant, KU. Birant, “Comparison of Multi-Label Classification ...
  • F. Pecorelli, D. Di Nucci, C. De Roover, A. De ...
  • F. Pecorelli, F. Palomba, D. Di Nucci, A. De Lucia, ...
  • R. Ibrahim, M. Ahmed, R. Nayak, S. Jamel, “Reducing redundancy ...
  • T. Guggulothu, SA. Moiz, “Code smell detection using multi-label classification ...
  • S. Jain, A. Saha, “Improving performance with hybrid feature selection ...
  • Muhammad Ilyas Azeem, Fabio Palomba, Lin Shi, Qing Wang, “Machine ...
  • A Systematic Literature Review and Meta-Analysis” Information & Software Technology. ...
  • نمایش کامل مراجع