بهبود دقت تخمین تلاش مبتنی برشباهت با استفاده از الگوریتم جهش ترکیبی قورباغه

از آنجاییکه موفقیت و یا شکست پروژه های نرم افزاری به طور چشمگیری با دقت فرآیند تخمین تلاش توسعه نرم افزارها، رابطه مستقیم دارد، روش های مختلفی مانند دسته بندی و درخت رگرسیون، قضاوت نخبگان، محاسبات نرم، انواع روش های رگرسیون و غیره، برای تخمین تلاش توسعه نرم افزارها ارائه شده اند. اما یکی از روش هایی که به تازگی، بسیار مورد توجه محققان و دانشگاهیان قرار گرفته است، روش تخمین مبتنی بر شباهت می باشد. در سال های اخیر، محققان زیادی سعی داشته اند تا با به کارگیری تکنیک های مختلف هوش مصنوعی مانند شبکه های عصبی مصنوعی، شبکه های فازی، الگوریتم های ژنتیک، الگوریتم های تکاملی و فراتکاملی، و ترکیب آنها با روش تخمین مبتنی بر شباهت، بتوانند بر دقت عملیات تخمین تلاش بی فزایند. علیرغم تمام جنبه های مثبت این روش، باید گفت که در این روش برای تخمین تلاش نرم افزارها، هیچ تفاوتی بین خصوصیات نرم افزارها دیده نمی شود و در آن، تمام خصوصیات از یک سطح اهمیت برخوردار می باشند. بنابراین سعی شده است با بکارگیری الگوریتم های مختلف فراتکاملی و ترکیب آنها با این روش، جهت وزن دادن به این خصوصیات، نسبت به تخمین دقیقتر، تلاش، اقدام نمود. مدل پیشنهاد شده، الگوریتم جهت ترکیبی قورباغه را با روش تخمین مبتنی بر شباهت ترکیب می نماید. این مدل، سعی دارد ضمن پیشنهاد کردن وزن های مختلف برای هر خصوصیت، نسبت به محاسبه میزان شباهت هرپروژه به پروژه مورد نظر اقدام نماید. انعطاف پذیری بالای این مدل باعث شده است که بتوان آنرا با هر مجموعه داده ای، مورد استفاده قرار داد و از طرفی بتوان تمامی خصوصیات دسته ای و غیر دسته ای را نیز پوشش داد. جهت بررسی عملکرد این مدل، سه مجموعه داده استاندارد Desharnais ,Cocomo ,Maxwell به کارگرفته شده و از معیارهای ارزیابی (MMRE,PRED(0.25 نیز استفاده شده است. بررسی نتایج نشان از آن دارد که ترکیب الگوریتم جهش ترکیبی قورباغه و روش تخمین مبتنی بر شباهت می تواند به طور قابل ملاحظه ای، عملکرد مدل های تخمین تلاش موجود را بهبود بخشد.

کلیدواژه ها:

تخمین تلاش ، تخمین مبتنی بر شباهت ، الگوریتم جهش ترکیبی قورباغه ، خصوصیت