ارائه روشي جديد مبتني بر مدل كوكومو بمنظور افزايش دقت تخمين تلاش در پروژه هاي نرم افزاري

A Novel Method based on the Cocomo model to increase the accuracy of software projects effort estimates

تخمين و برآورد معيارها يك فعاليت حياتي در پروژه‌هاي نرم‌افزاري محسوب مي‌شود. به‌طوري‌كه تخمين تلاش در مراحل اوليه توسعه نرم‌افزار، يكي از مهم‌ترين چالش‌هاي مديريت پروژه‌هاي نرم‌افزاري است. تخمين نادرست مي‌تواند منجر به شكست پروژه گردد. لذا يكي از فعاليت‌هاي اصلي و كليدي در توسعه مؤثر و كارآمد پروژه‌هاي نرم‌افزاري تخمين دقيق هزينه‌هاي نرم‌افزار است. ازاين‌رو در اين پژوهش دو روش به‌منظور تخمين تلاش در پروژه‌هاي نرم‌افزاري ارائه شده است، كه در اين روش ها سعي شده با تجزيه‌ و تحليل محرك‌ها و استفاده از الگوريتم‌هاي فرا ابتكاري و تركيب با شبكه عصبي راهي براي افزايش دقت در تخمين تلاش پروژه هاي نرم افزاري ايجاد شود. روش اول تأثير الگوريتم فاخته جهت بهينه‌سازي ضرايب تخمين مدل كوكومو و روش دوم به صورت تركيبي از شبكه عصبي و الگوريتم بهينه‌سازي فا خته جهت افزايش دقت برآورد تلاش توسعه نرم‌افزار ارائه‌شده است. نتايج بدست آمده روي دو پايگاه داده واقعي نشان دهنده عملكرد مطلوب روش ارائه شده در مقايسه با ساير روشهاست.

It is regarded as a crucial task in a software project to estimate the criteria, and effort estimation in the primary stages of software development is thus one of the most important challenges involved in management of software projects. Incorrect estimation can lead the project to failure. It is therefore a major task in efficient development of software projects to estimate software costs accurately. Therefore, two methods were presented in this research for effort estimation in software projects, where attempts were made to provide a way to increase accuracy through analysis of stimuli and application of metaheuristic algorithms in combination with neural networks. The first method examined the effect of the cuckoo search algorithm in optimization of the estimation coefficients in the COCOMO model, and the second method was presented as a combination of neural networks and the cuckoo search optimization algorithm to increase the accuracy of effort estimation in software development. The results obtained on two real-world datasets demonstrated the proper efficiency of the proposed methods as compared to that of similar methods.