پیشبینی خطای نرم افزار با ترکیب طبقه بند تلفیقی با الگوریتم ژنتیک

پیش بینی خطای نرم افزار، فعالیت مهم و ضروری جهت بهبود کیفیت نرم افزار و کاهش هزینه نگهداری قبل از استقرار سیستم است. تشخیص زودهنگام خطاها منجر به تصحیح به موقع این خطاها و تحویل نرمافزار میشود. روشهای پیش بینی بسیاری توسط محققان ارایه شده است. یک روش خاص ممکن است در برخی حوزه ها عملکرد خوبی داشته ولی هرگز در تمامی حوزه ها خوب عمل نمیکند. ممکن است ترکیب خروجی تعدادی روش ارایه شده نسبت به زمانی که هرکدام از آنها به تنهایی اعمال میشوند، قدرت گروه را برای دستیابی به دقت بهتر پیشبینی بالا ببرند؛ بنابراین در این مقاله یک روش ترکیبی از طبقه بندها جهت اعمال بر مجموعه داده های خطا جهت پیش بینی ارایه شده است که جهت انتخاب بهترین طبقه بندها از میان تمامی طبقهبندهای شرکت کننده در روش تلفیقی از الگوریتم ژنتیک استفاده شده است. از نتایج بدست آمده، مشخص است که اعمال روش فوق روی مجموعه داده های ناسا با معیارهای ارزیابی ضریب همبستگی Matthews و صحت، عملکرد بهتری نسبت به زمانی دارد که از تمامی طبقهبندهای پایه جهت ساخت مدل تلفیقی استفاده شده است و همچنین در اکثر موارد نسبت به طبقهبندهای پایه عملکرد بهتری دارد و یا حداقل به خوبی طبقه بندهای پایه میباشد.