مدل بهینه شده شبکه عصبی برای تخمین هزینه پروژه های نرم افزاری با استفاده از الگوریتم جستجوی ممنوعه
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 997
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IAUFASA02_028
تاریخ نمایه سازی: 17 اسفند 1393
چکیده مقاله:
امروزه نرم افزار به یکی از پرهزینه ترین بخش های هر سیستم تبدیل شده است. بالطبع در چنین شرایطی بهینه سازی هزینه پروژه های نرم افزاری ازاهمیت ویژه ای برخوردار می باشد. تا به امروز روشهای متنوعی برای تخمین هزینه پروژه های نرم افزاری مطرح گردیده است. فارغ از این که چه روشی در تخمین زمان و هزینه یک پروژه نرم افزاری استفاده می شود، مهم آن است که بدون وجود اطلاعات کافی در زمینه حوزه سیستم، توانایی های آن وشرایط تیم تولید نرم افزار و پیچیدگی های تکنیکی آن تخمین دقیق پروژه های نرم افزاری دور از ذهن به نظر می رسد. از اولین و موفق ترین روش های تخمین هزینه پروژه های نرم افزاری مدل کوکومو بوده است هرچند بعداز آن روشهای متنوعی در این زمینه ارائه گردید ولی این مدل همواره مورد توجه بوده و بعنوان معیاری جهت مقایسه با روشهای دیگر در نظرگرفته شده است. ما در این مقاله، تخمین هزینه پروژه های نرم افزاری رابا مدل شبکه عصبی مصنوعی بهینه سازی شده با الگوریتم جستجوی ممنوعه انجام داده ایم. در واقع اساس این مقاله از مدل شبکه های عصبی مصنوعی پرسپترون سه لایه با رویکرد مبتنی بر بهینه سازی وزای شبکه به کمک الگوریتم جستجوی ممنوعه می باشد. نتایج به دست آمده نشان دهنده بهبود روش پیشنهادی در مقایسه با مدل شبکه عصبی ساده و مدل کوکومو می باشد که بار دیگر کارایی مدل های ترکیبی را در زمینه تخمین هزینه پروژه های نرم افزاری به اثبات می رساند.
کلیدواژه ها:
نویسندگان
زینب غفاری آذر
دانشجوی کارشناسی ارشد مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد علوم و تحقیقات آذربایجان غربی
احمد جعفریان
عضو هیات علمی دانشکده فنی دانشگاه آزاد اسلامی واحد علوم و تحقیقات آذربایجان غربی
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 :