بهبود دقت تخمین قابلیت اطمینان سیستم های نرم افزاری با استفاده از شبکه عصبی و الگوریتمPSO

با پیشرفت و توسعه جامعه بشری، وابستگی بسیاری به سیستم های سخت افزاری و نرم افزاری ایجادمی شود. با افزایش تقاضا برای سیستمهای کامپیوتری، امکان بحران و شکست نیز افزایش می یابد. بنابراین، قابلیت اطمینان سیستم های نرم افزاری به نگرانی مهمی برای زندگی ما تبدیل شده است. قابلیت اطمینان نرم افزار، بیانگر کارکرد قابل قبول نرم افزار یا دستیابی به سطح رضایت بخشی از کارکرد آن است. یعنی نرم افزار تا زمان لازم به گونه ای که موردنظر بوده، درمحیط معین، بصورتی موثر و کارا عمل می کند. با شناسایی رفتار و روابط بین اجرای یک سیستم (مدلسازی سیستم) و استخراج روابط ریاضی حاکم بر سیستم، میتوان رفتار کل سیستم و قابلیت اطمینان آنرا تعیین نمود. یکی از مباحثی که در تحقیقات کنونی بسیار موردتوجه قرار گرفته است، استفاده از روشی در راستای کاهش زمان محاسبه قابلیت اطمینان است. دراین مقاله برای انجام این مهم از شبکه عصبی استفاده شده است. درواقع شبکه های عصبی با آموزش دیدن توسط داده های از قبل آماده شده، یال های میانی را تشکیل داده و برای رکوردهای جدید، قابلیت اطمینان را تخمین م یزنند. ازآنجایی که دقت تخمین قابلیت اطمینان توسط شبکه عصبی، توسط بهبود یالهای میانی شبکه عصبی، افزایش مییابد، میتوان با ترکیب این شبکه با الگوریتمهایی برای آموزش آن، به نتایج بهتر و مطلوبتری دست یابیم که از جمله این الگوریتمها، میتوان به الگوریتم های تکاملی اشاره نمود. لذادراین مقاله برای بهینه ترکردن آموزش شبکه عصبی، از الگوریتمPSOاستفاده شده است. نتایج حاصل از انجام این تحقیق، حاکی از افزایش دقت الگوریتم پیشنهادی جهت محاسبه قابلیت اطمینان نسبت به سایر روش های قبلی دارد.

کلیدواژه ها:

قابلیت اطمینان ، سیستم های نرم افزاری ، شبکه عصبی ، یال های میانی ، الگوریتمPSO ، دقت ، زمان محاسبه