بهبود دقت شناسایی بوی کد با استفاده از الگوریتم گرگ خاکستری مبتنی بر فنون یادگیری ماشین و رای گیری اکثریت

بوی کد یک نشانه سطحی است که احتمالا نشان دهنده یک مشکل عمیق تر در برنامه است. بوی کد نگهداری، توسعه و تکامل برنامه را با مشکل مواجه می کند. وجود بوی کد قطعا به معنی عدم کارکرد درست نرم افزار نیست، اما این موضوع ممکن است باعث کندی پردازش، افزایش خطر خرابی و خطاهای نرم افزار شود. بدیهی است که یکی از روش های موثر در افزایش کیفیت نرم افزار، بازسازی و بازآرایی کد است که رابطه مستقیمی با بوی کد دارد. تاکنون تحقیقات زیادی در حوزه شناسایی و برطرف کردن بوهای کد سامانه های نرم افزاری انجام گرفته است. لیکن، از میان آنها چهار نوع بوی کد شامل؛ متد طولانی، خصیصه حسادت، کلاس خدا و کلاس داده بیشترین توجه محققین را به خود جلب کرده است. محققین برای افزایش دقت پیش بینی بوهای کد و کاهش ابعاد داده، از الگوریتم های انتخاب ویژگی استفاده می کنند. در این مقاله، جهت تعیین زیر مجموعه منتخب از ویژگی های بهینه، از الگوریتم گرگ خاکستری استفاده شده است. انتخاب ویژگی، باعث سادگی مدل، بهبود دقت و نیز موجب کاهش زمان آموزش آن می گردد. همچنین به منظور شناسایی و طبقه بندی بوهای کد، مدل شناسایی براساس سه الگوریتم یادگیری ماشین تحت عنوان؛ نزدیک ترین همسایه، درخت تصمیم و ماشین بردار پشتیبان ساخته می شود. درنهایت، نتیجه نهایی حاصل از خروجی مدل، برمبنای سازوکار رای گیری اکثریت تعیین می گردد. در این مقاله، جهت ارزیابی روش پیشنهادی از نسخه ی بهبود یافته ی مجموعه داده فونتانا استفاده شده است. همچنین، جهت ارزیابی نتایج روش پیشنهادی از معیارهای آماری شامل دقت، صحت، فراخوان و معیار F استفاده شده است. در نهایت، نتایج روش پیشنهادی با نتایج دیگر روش های مرتبط، مورد مقایسه قرار گرفته است. نتایج بدست آمده از آزمون ها، نشان می دهد که روش پیشنهادی عملکرد قابل قبولی نسبت به سایر روش ها ارایه کرده است.