روش ریخت شناختی هیبریدی(ترکیبی) به منظور برآورد هزینه تولید و توسعه نرم افزار

نوع فایل : word

تعداد صفحات : 36

تعداد کلمات : 8000

مجله : Expert Systems with Applications

انتشار : 2012

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
21 فوریه 2021
دسته بندی
تعداد بازدیدها
1519 بازدید
29,000 تومان

عنوان فارسی مقاله:روش ریخت شناختی هیبریدی(ترکیبی) به منظور برآورد هزینه تولید و توسعه  نرم افزار

 چکیده  

در مطالعه‌ی فعلی، یک شیوه هیبریدی جهت طراحی پرسپترون های ریخت شناختی-رتبه ای-خطی (MRL) در مسئله برآورد هزینه توسعه نرم افزار ارائه کردیم. بر طبق این شیوه، الگوریتم ژنتیکی اصلاح شده (MGA) در راستای بهینه سازی پارامترهای پرسپترون MRL در کنار گزینش یک زیر مجموعه بهینه از خصوصیات ورودی پایگاه‌های داده رسیدن به سطوح بالاتر مسئله SDCE ارائه گردید. همچنین، برای هر الگوریتم ژنتیکی، یک شیوه گرادیان نزولی جهت اصلاح پارامترهای پرسپترون MRL ارائه شده توسط MGA به کار گرفته می‌شود. پایان، یک آنالیز تجربی را با شیوه‌ی ارائه شده با استفاده از شش دیتابیس معیار از پروژه‌های نرم افزاری اجرا می‌کنیم که در آن دو معیار عملکرد و تابع برازش جهت سنجش عملکرد روش پیشنهادی استفاده می‌گردد که با مدل‌های یادگیری ماشین کلاسیک بیان شده در منابع مقایسه خواهد شد.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Hybrid morphological methodology for software development cost estimation

Abstract

 In this paper we propose a hybrid methodology to design morphological-rank-linear (MRL) perceptions in the problem of software development cost estimation (SDCE). In this methodology, we use a modified genetic algorithm (MGA) to optimize the parameters of the MRL perceptron, as well as to select an optimal input feature subset of the used databases, aiming at a higher accuracy level for SDCE problems. Besides, for each individual of MGA, a gradient steepest descent method is used to further improve the MRL perceptron parameters supplied by MGA. Finally, we conduct an experimental analysis with the proposed methodology using six well-known benchmark databases of software projects, where two relevant performance metrics and a fitness function are used to assess the performance of the proposed methodology, which is compared to classical machine learning models presented in the literature.
دیدگاهتان را بنویسید