یک مدل برآوردگر تلاش منعطف بر اساس الگوریتم ASO

عنوان یک مدل برآوردگر تلاش منعطف بر اساس الگوریتم ASO
نویسنده امین مرادبک ; فهید خطیبی ; مهدی جعفری
تاریخ انتشار: 1378-10
موضوع بهینه سازی جستجوی اتم، تخمین تلاش توسعه، یادگیری ماشین، پروژه نرم افزاری
نوع دوره ای
زبان فارسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه تورنتو
شناسه دارایی کتابخانه ISSN: 2008-4854, EISSN: 2783-2538, DOI: 10.22075/jme.2022.25440.2185
شماره ثبت cdi_doaj_primary_oai_doaj_org_article_d8d9258297a0404084733dd392169cf1
محل کتابخانه دایرکتوری DOAJ از مجلات دسترسی آزاد
تاریخ 1378-10
یادداشت‌ها برآورد دقیق تلاش مورد نیاز برای توسعه نرم افزار نقش مهمی در موفقیت پروژه نرم افزار ایفا می کند. این موضوع به دلیل ماهیت نامشهود پروژه نرم افزاری همیشه چالش برانگیز است. بنابراین، دسته بزرگی از تحقیقات برای توسعه ابزارهای دقیق برای برآورد تلاش های لازم برای توسعه نرم افزار انجام شده است. با توجه به مقالات ارائه شده در آثار مرتبط، اتخاذ روش‌هایی برای شناسایی انواع رابطه بین ویژگی‌های پروژه نرم‌افزاری و ویژگی‌های مؤثر بر تلاش مورد نیاز برای توسعه نرم‌افزار تأثیر بسزایی در افزایش دقت برآورد تلاش دارد. علاوه بر این، اثربخشی ویژگی های مختلف در برآورد تلاش توسعه نرم افزار متفاوت است. بنابراین، تعیین اثربخشی ویژگی در افزایش دقت تخمین تلاش سودمند است. این مقاله یک مدل جدید متشکل از مدل‌های فرعی برای تجزیه و تحلیل ویژگی‌های پروژه ارائه می‌کند و از یک الگوریتم اکتشافی جدید و دقیق به نام الگوریتم بهینه‌سازی جستجوی اتم (ASO) برای پیکربندی ابزارها و روش‌های مدل‌سازی داده استفاده می‌کند. مدل ارائه شده در این مقاله در چند لایه طراحی شده و مدل های فرعی در لایه های مجزا سازماندهی شده اند. سازماندهی مدل های فرعی به گونه ای است که عملکرد سایر لایه ها را افزایش داده و در نهایت دقت برآورد نهایی را افزایش می دهد. در ارزیابی دقت مدل پیشنهادی، از 3 مجموعه داده از پروژه های واقعی استفاده شده و مقایسه نتایج با روش های مختلف ارائه شده است. بر اساس نتایج، مدل پیشنهادی منجر به بهبود قابل توجهی در دقت برآورد تلاش نهایی می‌شود.
Erişim bilgileri Access content in Directory of Open Access Journals, Available Online
مشاهده در منبع دانشگاه تورنتو دانشگاه تورنتو - موتور جستجوی نسخه های خطی عثمانی
دانشگاه تورنتو - موتور جستجوی نسخه های خطی عثمانی دانشگاه تورنتو

یک مدل برآوردگر تلاش منعطف بر اساس الگوریتم ASO

نویسنده امین مرادبک ; فهید خطیبی ; مهدی جعفری
تاریخ انتشار 1378-10
موضوع بهینه سازی جستجوی اتم، تخمین تلاش توسعه، یادگیری ماشین، پروژه نرم افزاری
نوع دوره ای
زبان فارسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه تورنتو
شناسه دارایی کتابخانه ISSN: 2008-4854, EISSN: 2783-2538, DOI: 10.22075/jme.2022.25440.2185
شماره ثبت cdi_doaj_primary_oai_doaj_org_article_d8d9258297a0404084733dd392169cf1
محل کتابخانه دایرکتوری DOAJ از مجلات دسترسی آزاد
تاریخ 1378-10
یادداشت‌ها برآورد دقیق تلاش مورد نیاز برای توسعه نرم افزار نقش مهمی در موفقیت پروژه نرم افزار ایفا می کند. این موضوع به دلیل ماهیت نامشهود پروژه نرم افزاری همیشه چالش برانگیز است. بنابراین، دسته بزرگی از تحقیقات برای توسعه ابزارهای دقیق برای برآورد تلاش های لازم برای توسعه نرم افزار انجام شده است. با توجه به مقالات ارائه شده در آثار مرتبط، اتخاذ روش‌هایی برای شناسایی انواع رابطه بین ویژگی‌های پروژه نرم‌افزاری و ویژگی‌های مؤثر بر تلاش مورد نیاز برای توسعه نرم‌افزار تأثیر بسزایی در افزایش دقت برآورد تلاش دارد. علاوه بر این، اثربخشی ویژگی های مختلف در برآورد تلاش توسعه نرم افزار متفاوت است. بنابراین، تعیین اثربخشی ویژگی در افزایش دقت تخمین تلاش سودمند است. این مقاله یک مدل جدید متشکل از مدل‌های فرعی برای تجزیه و تحلیل ویژگی‌های پروژه ارائه می‌کند و از یک الگوریتم اکتشافی جدید و دقیق به نام الگوریتم بهینه‌سازی جستجوی اتم (ASO) برای پیکربندی ابزارها و روش‌های مدل‌سازی داده استفاده می‌کند. مدل ارائه شده در این مقاله در چند لایه طراحی شده و مدل های فرعی در لایه های مجزا سازماندهی شده اند. سازماندهی مدل های فرعی به گونه ای است که عملکرد سایر لایه ها را افزایش داده و در نهایت دقت برآورد نهایی را افزایش می دهد. در ارزیابی دقت مدل پیشنهادی، از 3 مجموعه داده از پروژه های واقعی استفاده شده و مقایسه نتایج با روش های مختلف ارائه شده است. بر اساس نتایج، مدل پیشنهادی منجر به بهبود قابل توجهی در دقت برآورد تلاش نهایی می‌شود.
Erişim bilgileri Access content in Directory of Open Access Journals, Available Online
دانشگاه تورنتو - موتور جستجوی نسخه های خطی عثمانی
دانشگاه تورنتو شما در حال هدایت مجدد هستید...

لطفاً صبر کنید