تشخیص خطاهای نرم افزار: رویکردی با استفاده از الگوریتم بهینه سازی شاهین هریس و تکنیک های یادگیری ماشین

در این مقاله ، از الگوریتم شاهین هریس ، جهت تشخیص ویژگی های بهینه نرم افزار استفاده و سپس از الگوریتم های یادگیری ماشین برای افزایش دقت تشخیص خطای نرم افزار استفاده شد. پژوهش حاضر، در چهار مرحله پیش پردازش، انتخاب ویژگی های موثر، ساخت مدل و ارزیابی مدل انجام و با استفاده از الگوریتم شاهین هریس ، انتخاب ویژگی های بهینه انجام و مدل مورد نظر با کمک طبقه بندهای DT، Naïve Bayes، SVM و KNN در محیط متلب (۲۰۱۸) ساخته شد. تعداد شاهین ها برابر با ۱۰ تنظیم شده و تابع شایستگی برابربا حداقل خطا با الگوریتم KNN تنظیم شده است . جهت ارزیابی مدلهای پیشنهادی از دادههای منابع آزاد NASA شامل CM۱، JM۱، KC۱ و KC۳ استفاده و نتایج با مدلهای طبقه بندی بدون کاهش ابعاد و با نتایج فیلترهای Relief، Eval Attribute Uncert Symmetrical، Eval Subset Cfs، Eval Attribute ChiSquared، Subset Wrapper Eval مقایسه گردید. نتایج نشان داد که روشهای کاهش ابعاد همواره بر میزان تشخیص واحدهای معیوب تاثیر گذارند. نتایج نشان داد که روش پیشنهادی به نحو مطلوبی توانسته است به مراتب نسبت به سایر روشهای فیلتر ویژگی نتایج بهتری داشته باشد. همچنین ، طبقه بند NB بالاترین کارایی را نسبت به سایر الگوریتم ها در تشخیص خطای نرم افزار داشته است .

کلیدواژه ها:

الگوریتم شاهین هریس ، کاهش ویژگی ، پیش بینی خطای نرم افزار.