برآورد یک پارامتر کارآمد از مدل های رشد اتکاپذیری با استفاده از الگوریتم جستجوی گرانشی

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

برآورد یک پارامتر کارآمد از مدل های رشد اتکاپذیری با استفاده از الگوریتم جستجوی گرانشی

عنوان لاتین

An efficient parameter estimation of software reliability growth models using gravitational search algorithm

در این مقاله یک روش برای برآورد موثر یک پارامتر ارائه می شود که مربوط به مدل های رشد قابل اتکای نرم افزاری است و از الگوریتم جستجوی گرانشی نیز استفاده می نماید. اگر پارامترهای مدل ناشناخته باشند و اعتباری در مجموعه داده های نرم افزاری بهنگام نداشته باشند، مدل رشد قابل اتکای یک نرم افزار ناقص خواهد بود. تکنیک های مختلفی برای برآورد عددی کارآمد در برآورد پارامتر مدل های رشد قابل اتکای نرم افزاری وجود دارد. اما این تکنیک ها دوای هر دردی نیستند. از محدودیت هایی که همیشه در برآورد پارامتر خود را نشان می دهد می توان به اندازه نمونه، انحراف معیار و مقدار دهی اولیه اشاره کرد. نتایج نشان می دهند که تکنیک مبتنی بر الگوریتم جستجوی گرانشی برای برآورد پارامتر به این مشکلات غلبه کرده است و برآورد فوق العاده ای برای پارامترهای کیفی دارد. در این مقاله، آزمایشات متعددی روی مجموعه داده های بلادرنگ انجام شده است و نتایج آن با رویکردهای پیشنهادی مقایسه شده است. نتایج تحلیل نشان می دهد که رویکرد پیشنهادی برتری قابل توجهی به برآورد عددی موجد، الگوریتم ژنتیک و روش های جستجوی کوکو (cuckoo) دارد.

This paper presents an effective parameter estimation approach for software reliability growth models using gravitational search algorithm. A software reliability growth model is imperfect, if model parameters are unknown and are not validated on real-time software datasets. There exist several efficient numerical estimation techniques for parameter estimation of software reliability growth models. But they are not panacea. Sample size, biasing and initialization etc. always remain a constraint for best parameter estimation. Results indicate that gravitational search algorithm based technique for parameter estimation overcomes these problems and does superior quality parameter estimation. In this paper, extensive experiments on nine real-time datasets were conducted and results were analyzed to compare the proposed approach. The analysis results point towards the superiority of proposed approach over existing numerical estimation, genetic algorithm and cuckoo search methods.