چارچوب هیبریدی IGWO–شبکه عصبی برای تشخیص فرصت های بازنگری (Refactoring) در کدهای پایتون

بازنگری کد یکی از فعالیت های اساسی در نگهداری نرم افزار است که به بهبود کیفیت و کاهش بدهی فنی کمک می کند. با این حال، شناسایی خودکار فرصت های بازنگری در زبان های پویا مانند پایتون همچنان چالشی جدی محسوب می شود. در این پژوهش چارچوبی هیبریدی ارائه شده است که در آن یک نسخه بهبودیافته از الگوریتم گرگ خاکستری (IGWO) برای بهینه سازی هم زمان انتخاب ویژگی ها و تنظیم ابرپارامترهای شبکه عصبی به کار گرفته می شود. نسخه بهبودیافته IGWO با بهره گیری از مکانیزم های تصویرسازی لنزی، یادگیری معکوس و کنترل غیرخطی پارامترها، توانسته است از مشکلاتی همچون همگرایی زودهنگام و گیر افتادن در کمینه های محلی بکاهد. چارچوب پیشنهادی روی مجموعه ای از پروژه های متن باز پایتون آزمایش شد و عملکرد آن در مقایسه با روش های خط پایه ای همچون Random Forest، XGBoost، الگوریتم ژنتیک و نسخه پایه GWO مورد ارزیابی قرار گرفت. نتایج تجربی نشان داد که IGWO–NN به طور معناداری دقت، F۱-score و AUC بالاتری نسبت به رقبا به دست آورده و در عین حال پیچیدگی مدل و زمان محاسباتی را کاهش داده است. این یافته ها نشان می دهد که ترکیب هوشمند الگوریتم های فراابتکاری با شبکه های عصبی می تواند رویکردی موثر برای شناسایی فرصت های بازنگری در پروژه های نرم افزاری واقعی باشد.

کلیدواژه ها:

بازنگری کد ، الگوریتم گرگ خاکستری بهبودیافته ، شبکه عصبی ، انتخاب ویژگی ، بهینه سازی فراابتکاری