پیش‌بینی ریسک پروژه‌های نرم‌افزار توسط الگوریتم بهینه‌سازی ملخ و یادگیری ماشین

الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمند

بهار احمدی ¹ , هادی خسروی فارسانی ² , تقی جاودانی گندمانی ³

1 - دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر، دانشگاه شهرکرد، شهرکرد، ایران.
2 - استادیار، گروه مهندسی کامپیوتر، دانشگاه شهرکرد، شهرکرد، ایران
3 - استادیار، گروه مهندسی کامپیوتر، دانشگاه شهرکرد، شهرکرد، ایران

تاريخ الإرسال : 10 الخميس , ذو القعدة, 1443 تاريخ التأكيد : 23 الخميس , ربيع الثاني, 1444 تاريخ الإصدار : 27 الجمعة , صفر, 1444

الکلمات المفتاحية: روش‌های طبقه‌بندی, مدیریت ریسک, بهینه‌سازی‌ ملخ, الگوریتم‌های فرا ابتکاری, توسعه نرم‌افزار,

ملخص المقالة :

توسعه نرم‌افزار را می‌توان فعالیتی دانست که از انواع پیشرفت‌های فناورانه استفاده می‌کند و نیاز به دانش بالایی دارد. به همین دلیل، هر پروژه توسعه نرم‌افزاری حاوی عناصر عدم قطعیت است که به‌عنوان ریسک پروژه شناخته می‌شود. موفقیت یک پروژه توسعه نرم‌افزار به‌شدت به میزان ریسک مربوط به هر فعالیت پروژه بستگی دارد. لذا، به‌عنوان یک مدیر پروژه، آگاهی از خطرات کافی نیست. جهت دستیابی به یک نتیجه موفق، یک مدیر پروژه باید بتواند تمام ریسک‌های اصلی را شناسایی، سپس ارزیابی، اولویت‌بندی و درنهایت مدیریت کند. مدیریت ریسک بر شناسایی ریسک‌ها و درمان مناسب با آن‌ها تمرکز دارد. پروژه‌های نرم‌افزاری دارای ریسک‌های فردی یا کلی هستند. برخی از این ریسک‌ها به یک فعالیت خاص و برخی دیگر به پروژه مرتبط است. معمولاً ریسک‌ها ابتدا شناسایی‌شده و با فعالیت‌های پروژه مرتبط می‌شوند. تعیین چگونگی رفتار افراد برای دستیابی به اهداف فعالیت استراتژیک برای شناسایی خطرات است. استفاده از الگوریتم‌ها و فن‌های مختلف برای شناسایی ریسک‌های نرم‌افزاری همواره موردتوجه متخصصین بوده است. هدف این مطالعه، پیش‌بینی ریسک‌های پروژه‌های نرم‌افزاری به کمک الگوریتم بهینه‌سازی ملخ می‌باشد. در این روش انتخاب ویژگی و کاهش آن‌ توسط الگوریتم بهینه‌سازی ملخ انجام می‌شود و برای طبقه‌بندی ریسک و ویژگی‌ها از روش‌های طبقه‌بندی ماشین بردار استفاده می‌شود.

المصادر:

 

 

[1]  

GouthamanP, “Prediction of Risk Percentage in Software

     Projects by Training Machine Learning Classifiers Computers

     & Electrical Engineering”, Volume 94, September 2021.

[3]     RIZWAN M et al, “Analyses of Classifier’s Performance
     Measures Used in Software Fault Prediction Studies”. IEEE
     Access 2019, 7:82764–75.

[4]        MattosDFM et al, “An aglie effective network functionvir
     tualization in infrastucture for the Internet of Things”.J
     Internet, volume 10, Article number:6 (2019).

[5]     Dam HK et al, “Towards Effective AI-Powered Agile
     Project Management”, 2019 IEEE/ACM 41st International
     Conference on Software Engineering: New Ideas and
     Emerging Result (ICSE-NIER). Pages 41–44

[6]    SH.Saremi, Mirjalali, A.Lewi (2017), “GrasshopperOptimis
    ationAlgorithm”: Theory and application, Advances in Engi
     neering Software, Volume 105, Pages 30-47,2017.

[7]    N.Paltrinieri et al,”Learning about risk:Machine learning for
      risk assessment”,Safety Science,Vol 118,Pages‌ 475-
      486,October 2019.

[8]   L.Bai et al,”Project Portfolio Resource Risk Assessment‌
     considering Project Interdependency by the Fuzzy Bayesian
     Network”, Complexity, vol. 2020, Article ID 5410978,21
     pages, 2020.

[9]      L.Radu,”Effort Prediction in Agile Software Development
     with Bayesian,Networks”, Proceedings of the International
     Conference on Software Technologies (ICSOFT 2019).
     Pages 238–245.

[10]  L. Pan et al, “An Improved CNN Model for Within-
      Project Software Delect Prediction”, Journals Applied Vol 9,
      Applied Sciences 9(10):2138,2019.

[11]   Sai Mohan et al.”A Survey on Software Cost Estimation
       Techniques”,School of Electrical Engineering & Computer
       Science,University of North Dakota,Grand Forks,USA
        Vol.12 No.6, Pages 23 June 2019.7

[12]  A. Puri et al,”Risk Management in Software Engineering
       Using Big Data”,International Conference on Intelligent
      Engineering and Management, 17-19 June 2020.

[13]  M. Trzeciak et al,”Sustainable Risk Management in IT
      Enterprises,Advances in Sutainable Rick Management”, Jour
      nals Risks Vol 9,2021.

[14]     Aru,O, et al: “OPTIMIZATION OF SOFTWARE RISK
       ASSESSMENT MODEL USING GENETICAL
       ALGORITHM”,117 Umudike Journal of Engineering and
    Technology(UJET);Vol.5, No 1,June 2019, pp.117
    123;Michael Okpara University of Agriculture,
     Umudike,Print‌ISSN:2536-7404,Electronic   ISSN: 2545-525
     7;https://ujetmouau. net; DOI:https://doi.org/10.33922/j.ujet_
     v5i1 13.

[15]  M. Alanis et al,”Particle Swarm Optimization for
      Predicting the Development Effort of Software Projects”
      ,Mathematics2020,8,1819;doi:10.3390/math81018
        19.

[16]   Ms. Manju Vyas et al,”Effect of Dimensionality
      Reduction on Prediction Accuracy of Effort of Agile
      Projects Using Principal Component Analysis”, IOP
      Conf. Series: Materials Science and Engineering,2021.

[17]  Juan Murillo-Morera, Christian Quesada-López,”A
       genetic algorithm based framework for software efforT
       prediction”, Journal of Software Engineering Research
       and Development 5, Article number: 4 (2017)

[18]     Mariana Dayanara Alanis, “Particle Swarm Optimization
       for Predicting the Development Effort of Software Projects”,
        Mathematics 2020, 8(10).

[19]     Pospieszny, P.Czarnacka-Chrobot, B.Kobylinski,A. “An
       effective approach for software project effort and duration
       estimation with machine learning algorithms”. J. Syst.
       Softw.2018, 137, 184–196

[20]  Li, Z. Jing, X.Y.” Zhu, X.Progress on approaches to
       software defect prediction”.IET Softw. 2018, 12, 161–175.