‫‪INTRODUCTION‬‬
‫فرموله بندی مباحث مهندس ی نرم افزار با استفاده از الگوریتم های بهینه سازی‬
‫ارائه دهنده‬
‫مسلم افراشته مهر‬
‫استاد راهنما‬
‫دکتر کیوان پور‬
‫دانشگاه آزاد اسالمی – واحد قزوین‬
‫پاییز ‪93-94‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪INTRODUCTION‬‬
‫مراحل کلی فرموله بندی مسائل مهندسی نرم افزار با‬
‫استفاده از الگوریتم های بهینه سازی مبتنی بر جستجو‬
‫(‪)SBO‬‬
‫جمع آوری دیتاست‬
‫نمایش مسئله‬
‫(‪ )Dataset‬معتبر‬
‫تعریف تابع برازندگی‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫ارزیابی کار‬
‫‪© Copyright Showeet.com‬‬
INTRODUCTION
‫جمع آوری دیتاست‬
‫) معتبر‬Dataset(
The Artificial COCOMO’81 dataset
•
•
Published By Boehm In His Seminal Book "Software Engineering Economics"
COCOMO’81 Dataset Containing 63 Software Projects including business, scientific
and system projects, described by 19 variables (18 input variables and 1 output
variable)
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
Variables of the COCOMO data set
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
The Tukutuku dataset
•
•
contains 53 Web projects Each Web application
described using 9 numerical attributes such as: the number of html or shtml files
used, the number of media files and team experience
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
Software attributes for Tukutuku dataset
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
‫جمع آوری دیتاست‬
‫) معتبر‬Dataset(
The Desharnais dataset
•
•
The Desharnais data set consists of 81 software projects described by 11 variables
nine independent and two dependent
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
‫سایر منابع‬
NASA
Albrecht
Kemerer
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫‪INTRODUCTION‬‬
‫نمایش مسئله‬
‫در قسمت زیر‪ ،‬یک راه حل کاندید ممکن برای ‪ TCP‬با اندازه ‪6‬‬
‫نمایش داده شده است‪:‬‬
‫یک راه حل کاندید ممکن برای ‪ TCP‬با یک مجموعه تست با ‪ 6‬آزمون‬
‫{‪}t0,…,t5‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
WHY SBSE
‫سایر روش های‬
‫نمایش‬
Tree
String
Bit-matrix
Integer array
Integer vector
Binary String
String
Object-based
Matrix
Vector
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫‪INTRODUCTION‬‬
‫تعریف تابع برازندگی ( ‪Fitness‬‬
‫‪)Function‬‬
‫اولین گام پیشنهادی برای تعریف تابع برازندگی این است که‬
‫دنبال یک ‪ Metric‬موجود باشیم که کیفیت آنچه دنبال بهینه سازیش‬
‫هستیم را اندازه گیری کند‬
‫در صورت در اختیار داشتن یک ‪ Metric‬مناسب‪ ،‬نه تنها راهی برای‬
‫ارزیابی سریع و راحت روش مبتنی بر جستجوی استفاده شده بوده‬
‫بلکه کانالی برای مقایسه ی نتایج با سایر تکنولوژی های موجود‬
‫ی باشد‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
INTRODUCTION
‫ارزیابی کار‬
‫ برای ارزیابی مدل های تخمین تالش نرم افزار‬،‫به عنوان مثال‬
(Software effort estimation models(
• Magnitude Of Relative Error (MRE)
•
The MRE values are calculated for each project in the datasets
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
• Mean Magnitude Of Relative Error (MMRE)
MMRE computes the average over N projects
•
•
Generally, the acceptable target value for MMRE is 25%
his indicates that on the average, the accuracy of the established estimation
models would be less than 25%.
Another widely used criterion is the Pred(l) which represents the percentage of
MRE that is less than or equal to the value l among all projects
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
•
The definition of Pred(l) is given as follows:
•
Where N is the total number of observations and k is the number of observations
whose MRE is less or equal to l
• A common value for l is 0.25, which also used in the present study
• The Pred(0.25) represents the percentage of projects whose MRE is less or equal
to 25%
• The Pred(0.25) value identifies the effort estimates that are
generally accurate whereas the MMRE is fairly conservative with a bias against
overestimates.
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
EXP 01
GA-based method for feature selection and parameters optimization
for machine learning regression applied to software effort estimation
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
‫روش های تخمین تالش نرم‬
‫افزار‬
‫ روش سنتی‬.1
•
Constructive Cost Model (COCOMO)
‫ روش های یادگیری ماشین‬.2
•
•
•
•
•
•
Radial Basis Function (RBF) Neural Networks
MLP neural networks
Multiple Additive Regression trees
Wavelet Neural Networks
Bagging Predictors
Support Vector Regression (SVR)
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
INTRODUCTION
‫مراحل انجام کار‬
Feature ( ‫استخراج ویژگی ها‬
)Extraction
(Feature Selection) ‫انتخاب ویژگی ها‬
(Classification) ‫دسته بندی‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫استخراج ویژگی ها ‪(Feature‬‬
‫)‪Extraction‬‬
‫•‬
‫•‬
‫در این مرحله باید ویژگی های نرم افزار را استخراج‬
‫کنیم‬
‫برای این کار می توانیم از دیتاست معروف از قبیل‬
‫‪ NASA‬استفاده نماییم‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫انتخاب ویژگی ها ‪(Feature‬‬
‫)‪Selection‬‬
‫• برای افزایش دقت دسته بندی‪ ،‬بهتر است زیرمجموعه ای‬
‫مناسب از ویژگی های مرحله ی قبل را انتخاب کرده و‬
‫سایر ویژگی ها را حذف نماییم (‪.)Feature Selection‬‬
‫• یکی از راه های انجام این کار‪ ،‬استفاده از الگوریتم‬
‫های متاهیورستیک از قبیل الگوریتم ژنتیک می باشد‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫دسته بندی (‪(Classification‬‬
‫•‬
‫•‬
‫اکنون می توانیم با استفاده از یکی از الگوریتم های‬
‫دسته بندی (یا ترکیبی از آنها) داده ها را در دسته‬
‫های مناسب قرار دهیم‪.‬‬
‫دسته بندهای معروف از قبیل ‪ SVM ،ANN‬و ‪...‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫تشریح مثال‬
(Feature Extraction) ‫ استخراج ویژگی ها‬
،COCOMO ،NASA ،Desharnais ‫ دیتاست‬6 ‫• در این پژوهش از‬
.‫ استفاده شده است‬Koten and Gray ‫ و‬Kemerer ،Albrecht
‫• از کلیه ی ویژگی های موجود در دیتاست های فوق‬
‫استفاده شده است‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫تشریح مثال‬
‫‪ ‬انتخاب ویژگی ها )‪(Feature Selection‬‬
‫در این فاز‪ ،‬برای افزایش دقت دسته بند دو عمل انجام‬
‫گرفته است‪:‬‬
‫‪ ‬انتخاب زیرمجوعه مناسب از ویژگی ها‬
‫• همان طور که پیش از این گفته شد‪ ،‬بعضی از ویژگی ها‬
‫ممکن است تاثیر چندانی (یا هیچ تاثیری) در افزایش‬
‫دقت دسته بند نداشته باشند بنابراین باید تا حد‬
‫امکان از ورود این ویژگی به عملیات دسته بندی‬
‫کرد‬
‫‪© Copyright Showeet.com‬‬
‫‪This.‬‬
‫‪work‬‬
‫جلوگیری‪is licensed‬‬
‫‪under a Creative Commons Attribution‬‬
‫تشریح مثال‬
‫‪ ‬بهینه سازی پارامترهای تکنیک های یادگیری ماشین‬
‫• یکی دیگر از کارهای مهم برای افزایش دقت الگوریتم‬
‫دسته بند‪ ،‬این است که پارامترهای مربوط به آن‬
‫الگوریتم را تنظیم نماییم‪.‬‬
‫• در حقیقت تکنیک های یادگیری ماشین همواره دارای‬
‫پارامترهایی هستند که بر کارایی این تکنیک ها تاثیر‬
‫می گذارد‪.‬‬
‫• به عنوان مثال‪ ،‬پارامتر )‪ complexity(C‬یکی از‬
‫پارامترهای مهم الگوریتم ‪ SVM‬می باشد که بر دقت آن‬
‫در دسته بندی داده ها بسیار تاثیر گذار است‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫تشریح مثال‬
‫•‬
‫به عنوان مثال دیگر‪ ،‬در دسته بند ‪ MLP‬سعی نماییم‬
‫بهترین تعداد گره های موجود در الیه ی مخفی‪ ،‬نرخ‬
‫یادگیری (‪ )learning rate‬برای الگوریتم ‪ back-propagation‬و‬
‫نرخ حرکت ( ‪ )momentum rate‬برای الگوریتم ‪back-propagation‬‬
‫را مشخص کنیم‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫الگوریتم های استفاده شده در‬
‫این پژوهش‬
‫ الگوریتم انتخاب ویژگی ها و بهینه سازی پارامترها‬
 Genetic Algorithm
‫ الگوریتم های دسته بندی‬




SVR RBF
SVR linear
MLP
M5P
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫‪.1‬‬
‫نمایش مسئله (طراحی کروموزوم)‬
‫کروموزوم در این مسئله به ‪ 2‬قسمت تقسیم می شود‬
‫•‬
‫•‬
‫قسمت اول‪ )g1….gn( ،‬نشان دهنده ی پارامترهای یادگیری‬
‫ماشین است که باید بهینه شود‬
‫قسمت دوم‪ )gf( ،‬نیزنشان دهنده ی ویژگی های ورودی است‬
‫که باید انتخاب شوند‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫• برای نمایش ژن ها از کدگذاری دودویی (‪)binary coding‬‬
‫استفاده شده است‬
‫• تبدیل ‪ genotype‬به ‪ phenotype‬با استفاده از فرمول زیر‬
‫انجام می گیرد‪:‬‬
‫نماد‬
‫‪P‬‬
‫‪Minp‬‬
‫‪Maxp‬‬
‫‪D‬‬
‫‪L‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫توضیحات‬
‫‪ phenotype‬رشته ی بیتی‬
‫حداقل مقدار پارامتر‬
‫حداکثر مقدار پارامتر‬
‫مقدار دسیمال رشته بیتی‬
‫طول رشته بیتی‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫•‬
‫•‬
‫•‬
‫‪‬‬
‫‪‬‬
‫دقت پارامترها به طول رشته ی بیتی بستگی دارد (در‬
‫این پژوهش‪ ،‬طول برابر ‪ 20‬تعریف شده است)‬
‫حداقل و حداکثر مقدار‪ ،‬توسط کاربر تعریف می شود‪.‬‬
‫در این کروموزوم‪ ،‬ژن مربوط به انتخاب ویژگی به صورت‬
‫زیر تعریف می شود‪:‬‬
‫اگر بیت ‪ 1‬بود یعنی آن ویژگی نباید حذف شود‬
‫اگر بیت ‪ 0‬بود بدین معنی است که آن ویژگی باید از‬
‫مجموعه ویژگی ها حذف شود‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫پارامترهای تکنیک های یادگیری ماشین مطالعه شده در این تحقیق‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫‪.2‬‬
‫تابع برازندگی (‪)Fitness function‬‬
‫روش های اندازه گیری متفاوتی وجود دارند که برای‬
‫ارزیابی متدهای پیش بینی در وظایف تخمین هزینه ی نرم‬
‫افزار استفاده می شود‪.‬‬
‫در این تحقیق دو معیار زیر که معموال استفاده می شود را‬
‫به کار بردیم‪:‬‬
‫)‪• Mean Magnitude of Relative Error (MMRE‬‬
‫)‪• PRED(25‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫•‬
‫‪ MMRE‬به صورت زیر تعریف می شود‪:‬‬
‫‪ :Yi‬مقدار واقعی در پروژه ی ‪I‬‬
‫‪ :Yi‬مقدار پیش بینی شده ی آن‬
‫‪ :N‬تعداد نمونه ها‬
‫متدهای رگرسیون خوب‪ ،‬مقدار ‪ MMRE‬پایین تولید می کنند‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫•‬
‫)‪ PRED(25‬درصد پیش بینی هایی است که در ‪ 25‬درصد داده‬
‫های واقعی اتفاق می افتد‬
‫• یک مدل تخمین هزینه ی نرم افزار زمانی صحت قابل قبول‬
‫دارد که ‪ MMRE‬آن حداکثر ‪ 0.25‬و )‪ PRED(25‬آن نیز‬
‫حداقل ‪ 0.75‬باشد‬
‫در این تحقیق از دو تابع برازندگی استفاده است‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫‪ ‬یکی برای ‪ 5‬دیتاست‬
‫(‪Koten ،Kemerer ،Albrecht ،NASA ،Desharnais‬‬
‫‪)and Gray‬‬
‫این تابع دنبال پیدا کردن کروموزوم هایی با‬
‫)‪PRED(25‬‬
‫تابع برازندگی که از دو معیار فوق تشکیل شده است ایجاد‬
‫می شود‪:‬‬
‫می باشد‬
‫و ‪MMRE‬‬
‫باال‬
‫پایین‬
‫برای دیتاست ‪ COCOMO‬از یک تابع برازندگی استفاده می‬
‫شود که هدف آن پیدا کروموزومی با ‪ MMRE‬پایین است‪ .‬دلیل‬
‫‪© Copyright Showeet.com‬‬
‫‪work is licensed‬‬
‫کار ‪under‬‬
‫‪a Creative Commons‬‬
‫‪ This‬است که نتایج مربوط به این دیتاست با‬
‫این‬
‫نیز‬
‫‪Attribution‬این‬
‫‪ ‬تنظیم پارامترهای الگوریتم ژنتیک‬
‫(ادامه‬
‫‪)...‬‬
‫‪ ‬دیگری برای دیتاست ‪COCOMO‬‬
‫‪ ‬برای دیتاست ‪ COCOMO‬از یک تابع برازندگی استفاده می‬
‫شود که هدف آن پیدا کروموزومی با ‪ MMRE‬پایین است‪.‬‬
‫‪ ‬دلیل این کار نیز این است که نتایج مربوط به این‬
‫دیتاست با مقاله ای مقایسه شده است که تالش دارد تنها‬
‫پارامتر ‪ MMRE‬را کاهش دهد‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫معماری سیستم برای روش مبتنی بر الگوریتم ژنتیک ارائه شده‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫تشریح گام های اساسی متد مبتنی بر الگوریتم ژنتیک ارائه شده‬
‫‪ ‬تبدیل ‪ genotype‬به ‪Converting genotype to ( phenotype‬‬
‫‪)phenotype‬‬
‫تبدیل هر قسمت از کروموزوم ( ‪ )genotype‬به ‪ phenotype‬با‬
‫استفاده از فرمول زیر انجام می گیرد‪:‬‬
‫‪ ‬انتخاب زیرمجموعه ویژگی مناسب (‪)Feature subset‬‬
‫بعد از تبدیل هر قسمت از کروموزوم ( ‪ )genotype‬به‬
‫‪ phenotype‬یک زیرمجموعه ویژگی می تواند انتخاب شود‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫تشریح گام های اساسی متد مبتنی بر الگوریتم ژنتیک ارائه شده‬
‫(ادامه ‪)...‬‬
‫‪ ‬ارزیابی برازندگی (‪)Fitness evaluation‬‬
‫هر کروموزوم که نشان دهنده ی پارامترهای تکنیک های‬
‫یادگیری ماشین و ویژگی انتخاب شده است‪ ،‬با استفاده از‬
‫تابع برازندگی درنظر گرفته شده ارزیابی می شود‪.‬‬
‫‪ ‬معیار خاتمه (‪)Termination criteria‬‬
‫در صورتی که معیار خاتمه راضی کننده بود‪ ،‬فرایند خاتمه‬
‫می یابد در غیر این صورت فرایند با نسل بعدی ادامه می‬
‫یابد و یا تا زمانی که حداکثر مقدار تعریف شده توسط‬
‫کاربر به وقوع بپیوندد‬
‫‪ ‬عملگرهای ژنتیک (‪)Genetic operation‬‬
‫در این مرحله‪ ،‬سیستم با اعمال عملگرهای الگوریتم ژنتیک‬
‫از قبیل انتخاب‪ ،‬تلفیق‪ ،‬جهش و جایگزینی نخبه ساالری‬
‫دنبال پیداکردن راه حل بهتر است‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫ارزیابی‬
‫•‬
‫•‬
‫•‬
‫در این پژوهش از ‪ 6‬دیتاست برای ارزیابی متد معرفی شده‬
‫استفاده می شود‬
‫از آنجایی که نتایج‪ ،‬به جمعیت تصادفی تولید شده توسط‬
‫الگوریتم ژنتیک وابسته است‪ ،‬برای هر دیتاست ‪ 10‬بار شبیه‬
‫سازی انجام شده است‪.‬‬
‫در تمام ازمایش ها‪ ،‬پارامترهای الگوریتم ژنتیک به صورت زیر‬
‫تنظیم شده است‪:‬‬
‫‪ ‬نوع ‪( crossover‬تلفیق)‬
‫دونقطه ای ( ‪)two-point‬‬
‫‪ ‬نوع انتخاب (‪)Select‬‬
‫چرخ رولت ( ‪ )roulette wheel‬و جایگزینی نخبه ساالری‬
‫جایگزین های زیادی برای عملگرهای تلفیق و انتخاب الگوریتم‬
‫ژنتیک وجود دارد‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
‫ارزیابی‬
‫(ادامه ‪)...‬‬
‫برای هر دیتاست‪ ،‬شبیه سازی هایی با استفاده از ترکیب‬
‫پارامترهای ‪ GA‬استفاده شده است‪.‬‬
‫مقادیر هر کدام از پارامترها به شرح زیر می باشد‪:‬‬
‫}‪Population Size = {50, 100, 200, 300, 500‬‬
‫}‪Number Of Generations = {20, 25, 50, 100, 200‬‬
‫}‪Crossover Rate = {0.5, 0.8, 0.7, 0.65, .06‬‬
‫}‪Mutation Rate = {0.05, 0.1, 0.2, 0.3‬‬
‫با ترکیب پارامترهای الگوریتم ژنتیک استفاده شده کارایی به‬
‫دست آمد‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
)... ‫(ادامه‬
‫ارزیابی‬
:‫بهترین ترکیب برای تمام دیتاست ها‬
Population Size = 500
Number Of Generations = 25
Crossover Rate = 0.8
Mutation Rate = 0.3
،‫ ترکیب های دیگری از پارامترها‬،‫البته برای بعضی دیتاست ها‬
‫نتایج بهتری دادند‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
‫ارزیابی‬
‫(ادامه ‪)...‬‬
‫از آنجایی که هدف این است کل تالش الزم برای توسعه ی پروژه پیش‬
‫بینی شود‬
‫برای شبیه سازی‪ ،‬دیتاست به دو قسمت تقسیم شده است‪:‬‬
‫•‬
‫•‬
‫داده های آموزشی‬
‫داده های تست‬
‫به عنوان مثال برای دیتاست ‪ ،Desharnais‬برای مجموعه داده های‬
‫تست‪ 18 ،‬پروژه از ‪ 81‬پروژه به طور تصادفی انتخاب شده است‪63 .‬‬
‫پروژه ی باقی مانده نیز برای مجموعه داده های آموزش استفاده‬
‫می شود‪.‬‬
‫‪This work is licensed under a Creative Commons Attribution‬‬
‫‪© Copyright Showeet.com‬‬
)... ‫(ادامه‬
‫ارزیابی‬
‫تعداد ویژگی های ورودی انتخاب توسط الگوریتم های دسته بند‬
:‫مورد مطالعه‬
•
•
•
•
SVR RBF – 4.4 input features on average.
SVR linear – 3.3 input features on average.
MLP – 2.7 input features on average.
M5P – 4.9 input features on average.
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
‫ با استفاده از روش‬Desharnais ‫نتایج شبیه سازی برای دیتاست‬
‫مبتنی بر الگوریتم ژنتیک‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
‫مقایسه روش مبتنی بر الگوریتم ژنتیک با سایر روش ها بر اساس‬
Desharnais ‫دیتاست‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
‫ با استفاده از روش مبتنی بر‬NASA ‫نتایج شبیه سازی برای دیتاست‬
‫الگوریتم ژنتیک‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
‫مقایسه روش مبتنی بر الگوریتم ژنتیک با سایر روش ها بر اساس‬
NASA ‫دیتاست‬
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
•
•
•
•
•
‫ارزیابی‬
Each attribute of the project is categorized according with level of impact on effort
estimation
The levels are: Very Low, Low, Nominal, High, Very High and Extra High
ach one of these levels has a numerical value associated
After preprocessing the data set, we divided it into six different
pairs of training sets and test sets
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
COCOMO data set: pairs of training sets and test sets.
Next, we used these six pairs of training and test sets for training and testing the proposed method and to compare
the results obtained with those of Tronto et al.
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
Average and standard deviation of experimental results for COCOMO data set using GA-based approach
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
Average and standard deviation of experimental results for COCOMO data set using GA-based approach
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
)... ‫(ادامه‬
‫ارزیابی‬
Comparison of the GA-based method with MLP [26] on the COCOMO data set.
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution
Thanks
© Copyright Showeet.com
This work is licensed under a Creative Commons Attribution