انتخاب ويژگي با استفاده از تركيب الگوريتم‌هاي ژنتيك - وال - كلوني مورچگان، براي پيش‌بيني خطاهاي نرم‌افزار مبتني بر يادگيري ماشين

روش‌هاي پيش‌بيني خطاي نرم‌افزار براي پيش‌بيني ماژول‌هاي مستعد خطا در مراحل اوليه‌ي توسعه‌ي نرم‌افزار استفاده مي‌شود. امروزه فنون يادگيري ماشين پركاربردترين فنون مورد استفاده در زمينه‌ي پيش‌بيني خطاهاي نرم‌افزار محسوب مي‌شود. ابعاد بالاي داده يكي از مشكلاتي است كه عملكرد الگوريتم‌هاي يادگيري ماشين را تحت تأثير قرار مي‌دهد. ابعاد بالاي داده به معناي وجود ويژگي‌هاي غيرمفيد يا افزونه است كه احتمالاً الگوريتم يادگيري را گمراه مي‌كند و درنتيجه دقت آن را كاهش مي‌دهد. دقت پايين پيش‌بيني خطاي نرم‌افزار باعث شناسايي ديرهنگام بعضي ماژول‌هاي خطادار مي‌شود و در نتيجه تلاش و هزينه‌ي برطرف كردن خطاها را به صورت غيرعادي بالا مي‌برد. بنابراين حل مشكل ابعاد بالاي داده براي افزايش دقت پيش‌بيني خطاي نرم‌افزار ضروري است. براي كاهش ابعاد داده، محققين از الگوريتم‌هاي انتخاب ويژگي استفاده مي‌كنند. الگوريتم‌هاي انتخاب ويژگي به دو دسته‌ي الگوريتم‌هاي مبتني بر فيلتر و الگوريتم‌هاي مبتني بر پوشش تقسيم مي‌شود. الگوريتم‌هاي مبتني بر پوشش منجر به مدل‌هاي پيش‌بيني با دقت بالاتري مي‌شود. در اين الگوريتم‌ها مي‌توان از روش‌هاي مختلفي براي جستوجوي راه‌حل‌ها استفاده نمود كه بهترين نوع آن جست‌وجوي فرا ابتكاري است. هركدام از الگوريتم‌هاي فراابتكاري نقاط قوت و ضعفي دارد كه محققان براي برطرف كردن اين نقاط ضعف از تركيب اين الگوريتم‌ها استفاده مي‌كنند. در اين تحقيق براي بهبود نقاط ضعف هركدام از الگوريتم‌هاي فراابتكاري، از تركيب سه الگوريتم ژنتيك، كلوني مورچگان و بهينه‌سازي وال براي انتخاب ويژگي مبتني بر پوشش استفاده مي‌شود. بديهي است به‌كارگيري روش‌هاي پيش‌بيني زودهنگام خطاهاي نرم‌افزار قبل از آزمون واقعي آن، يكي از فنون مؤثر پدافند غيرعامل در كاهش هزينه‌هاي توسعه‌ي سامانه‌هاي نرم‌افزاري محسوب مي‌شود. براي ارزيابي روش پيشنهادي، 19 پروژه‌ي نرم‌افزاري مورد بررسي و آزمايش قرار گرفته و نتايج با ديگر روش‌ها مقايسه شده است. نتايج ارزيابي نشان مي‌دهد كه روش پيشنهادي از عملكرد بهتري نسبت به ساير روش‌ها برخوردار است.