ارائه یک روش نوین جهت پیش بینی نقص نرم افزار با استفاده از ترکیب شبکه عصبی و الگوریتم ملخ
سیکل توسعه نرم افزار شامل آنالیز، طراحی، پیاده سازی و تست و یکسری فازهای دیگر است. مرحله تست نرم افزار یکی از مراحل هزینه بر توسعه نرم افزار است، باید به طور موثری انجام شود تا نرم افزار بدون خطا دست کاربران برسد. یکی از فعالیت های موثر برای توسعه نرم افزار و افزایش قابلیت اطمینان آن، پیش بینی نقص نرم افزار قبل از رسیدن به مرحله تست است که کمک حائز اهمیتی برای صرفه جویی زمانی در فرآیند تولید، نگهداری و هزینه آن می کند. یکی از مدل های کارا برای پیش بینی نقص نرم افزار، استفاده از شبکه های عصبی پرسپترون چندلایه با الگوریتم آموزشی پس انتشار خطا است. یکی از نقاط ضعف الگوریتم آموزشی پس انتشار خطا احتمال به دام افتادن شبکه عصبی در نقاط مینیمم محلی است. با توجه به قابلیت الگوریتم های فراابتکاری در خروج از دام مینیمم های محلی و یافتن مینیمم سراسری، در این مقاله جهت برطرف کردن ضعف الگوریتم آموزشی شبکه عصبی و بهبود دقت آن در زمینه پیش بینی نقص نرم افزار، از ترکیب الگوریتم فراابتکاری ملخ با الگوریتم آموزشی پس انتشار خطا استفاده شده است. جهت ارزیابی نتایج حاصل از مدل پیشنهادی، نه پایگاه داده واقعی بکار گرفته شده و روش ارزیابی متقاطع مبنای ارائه نتایج بوده است. عملکرد مدل پیشنهادی با شش مدل پیش بینی نقص نرم افزار مقایسه شده است. نتایج این مقایسه نشان می دهد که مدل پیشنهادی قادر است در تعداد زیادی از مجموعه داده، صحت و دقت بالاتری نسبت به سایر مدل ها ارائه دهد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.