برآورد تلاش های نرم افزاری با استفاده از شبکه های عصبی پیوندی عملکردی با یادگیری فعال و بهینه سازی شده با بهینه سازی دسته ذرات

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

برآورد تلاش های نرم افزاری با استفاده از شبکه های عصبی پیوندی عملکردی با یادگیری فعال و بهینه سازی شده با بهینه سازی دسته ذرات

عنوان لاتین

Software Effort Estimation Using Functional Link Neural Networks Tuned with Active Learning and Optimized with Particle Swarm Optimization

این مقاله یک مدل یادگیری جدید مبتنی بر تلاش مشترکی از یادگیری فعال و بهینه سازی مجموعه ذرات (PSO) در شبکه های عصبی مصنوعی پیوندی (FLANN) برای تخمین تلاش های نرم افزاری، ارائه می دهد. یادگیری فعال از الگوریتم سریع برای شناسایی محتوای ضروری مجموعه داده ها استفاده می کند که بواسطه آن مجموعه داده ها کاهش می یابد و از طریق FLANN بهینه شده PSO پردازش می شود. PSO از وزن اینرسی استفاده می کند که یک پارامتر مهم در PSO است که در حین عمل FLANN بر روی همگرایی و بهره برداری اکتشافی در فضای جستجو تاثیر می گذارد. چندجمله ای چبیشو برای نقشه برداری از فضای ویژگی اصلی، از فضای کاربردی ابعاد کم تا ابعاد بالاتر استفاده شده است. این روش به طور جامع آزمون های مختلف مخزن PROMISE را برای بررسی عملکرد ارزیابی کرده است. نتایج محاسباتی نشان می دهد که یادگیری فعال همراه با PSO بهینه شده FLANN به میزان قابل توجهی عملکرد مدل و انواع آن را برای برآورد تلاش های توسعه نرم افزار بهبود می بخشد.

This paper puts forward a new learning model based on the collaborative effort of active learning and particle swarm optimization (PSO) in functional link artificial neural networks (FLANNs) to estimate software effort. The active learning uses quick algorithm to detect the essential content of the datasets by which the dataset is reduced and are processed through PSO optimized FLANN. The PSO uses the inertia weight, which is an important parameter in PSO that significantly affects the convergence and exploration-exploitation in the search space while training FLANN. The Chebyshev polynomial has been used for mapping the original feature space from lower to higher dimensional functional space. The method has been evaluated exhaustively on different test suits of PROMISE repository to study the performance. The computational results show that the active learning along with PSO optimized FLANN greatly improves the performance of the model and its variants for software development effort estimation.