انتخاب ویژگی با استفاده از ترکیب الگوریتم های ژنتیک-وال-کلونی مورچگان، برای پیش بینی خطاهای نرم افزار مبتنی بر یادگیری ماشین

روش های پیش بینی خطای نرم افزار برای پیش بینی ماژول های مستعد خطا در مراحل اولیه ی توسعه ی نرم افزار استفاده می شوند. امروزه فنون یادگیری ماشین پرکاربردترین فنون مورد استفاده در زمینه ی پیش بینی خطاهای نرم افزار محسوب می شوند. ابعاد بالای داده یکی از مشکلاتی است که عملکرد الگوریتم های یادگیری ماشین را تحت تاثیر قرار می دهد. ابعاد بالای داده به معنای وجود ویژگی های غیر مفید یا افزونه است که احتمالا الگوریتم یادگیری را گمراه کرده و در نتیجه دقت آن را کاهش می دهد. دقت پایین پیش بینی خطای نرم افزار باعث شناسایی دیرهنگام بعضی ماژول های خطادار می شود و در نتیجه تلاش و هزینه ی برطرف کردن خطاها را به صورت غیرعادی بالا می برد. بنابراین حل مشکل ابعاد بالای داده برای افزایش دقت پیش بینی خطای نرم افزار ضروری است. برای کاهش ابعاد داده، محققین از الگوریتم های انتخاب ویژگی استفاده می کنند. الگوریتم های انتخاب ویژگی به دو دسته ی الگوریتم های مبتنی بر فیلتر و الگوریتم های مبتنی بر پوشش تقسیم می شوند. الگوریتم های مبتنی بر پوشش منجر به مدل های پیش بینی با دقت بالاتری می شوند. در این الگوریتم ها می توان از روش های مختلفی برای جستجوی راه حل ها استفاده نمود که بهترین نوع آن جستجوی فراابتکاری است. هر کدام از الگوریتم های فراابتکاری نقاط قوت و ضعفی دارند که محققین برای برطرف کردن این نقاط ضعف از ترکیب این الگوریتم ها استفاده می کنند. در این تحقیق برای بهبود نقاط ضعف هر کدام از الگوریتم های فراابتکاری، از ترکیب سه الگوریتم ژنتیک، کلونی مورچگان و بهینه سازی وال برای انتخاب ویژگی مبتنی بر پوشش استفاده می شود. بدیهی است به کارگیری روش های پیش بینی زودهنگام خطاهای نرم افزار قبل از آزمون واقعی آن، یکی از فنون موثر پدافند غیرعامل در کاهش هزینه های توسعه سامانه های نرم افزاری محسوب می شود. برای ارزیابی روش پیشنهادی، 19 پروژه ی نرم افزاری مورد بررسی و آزمایش قرار گرفته و نتایج با دیگر روش ها مقایسه شده است. نتایج ارزیابی نشان می دهد که روش پیشنهادی از عملکرد بهتری نسبت به سایر روش ها برخوردار است.