ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Software Fault Prediction Using Optimization Algorithms with Genetic Algorithm

العنوان بلغة أخرى: التنبؤ بأخطاء البرمجيات باستخدام خوارزميات التحسين وخوارزمية الجينات
المؤلف الرئيسي: الصغير، هبه عبدالكريم (مؤلف)
مؤلفين آخرين: عكور، محمد (مشرف)
التاريخ الميلادي: 2018
موقع: اربد
الصفحات: 1 - 124
رقم MD: 958092
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة اليرموك
الكلية: كلية تكنولوجيا المعلومات وعلوم الحاسوب
الدولة: الاردن
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

47

حفظ في:
المستخلص: التنبؤ بخطأ البرمجيات هي عملية تطوير وحدات تستخدم من قبل المطورين لمساعدتهم على اكتشاف الطبقات المعيبة أو الوحدات المعيبة في المراحل المبكرة من دورة حياة تطوير البرمجيات ولتحديد الوحدات التي تحتاج إلى أكثر إعادة بناء في مرحلة الصيانة. اعتمادية البرامج تعني احتمالية حدوث الفشل خلال فترة من الزمن، لذلك عندما نصف نظاما بأنه غير موثوق به يعني أنه يحتوي على العديد من الأخطاء، يمكن قبول هذه الأخطاء في بعض الأنظمة، ولكنها قد تؤدي إلى مشكلات حرجة في الأنظمة الهامة مثل الطائرات ومكوك الفضاء والأنظمة الطبية. لذلك، يعد تحديد وحدات البرامج المعطلة خطوة أساسية لأن ذلك يساعد على تحديد الوحدات التي تحتاج إلى أكثر إعادة بناء واختبار. في هذه الأطروحة، تم تطوير ستة طرق من خلال دمج خوارزمية الوراثة مع مصنف SVM وخوارزميات تحسين أخرى للتنبؤ بخطأ البرامج. في الطريقة الأولى، تم دمج خوارزمية الوراثة مع SVM، وفي الطريقة الثانية المطورة تم دمج خوارزمية سرب الجسيمات مع SVM، وفي الطريقة الثالثة المطورة تم دمج خوارزمية الحيتان مع SVM، والطريقة الرابعة هي عملية دمج خوارزمية الوراثة مع مصنف SVM وخوارزمية سرب الجسيمات، والطريقة الخامسة هي عملية دمج خوارزمية الوراثة مع مصنف SVM وخوارزمية الحيتان، وآخر نهج مطور هي عملية دمج خوارزمية الوراثة، خوارزمية سرب الجسيمات، خوارزمية الحيتان ومصنف SVM كاعتقاد بأنها تقنية أفضل للتنبؤ بأخطاء البرمجيات. تم تطبيق جميع الطرق المطورة على 24 مجموعة بيانات (12- NASAMDP و 12 مشروعات مفتوحة المصدر)، حيث يتم اعتبار NASAMDP كمجموعة بيانات واسعة النطاق، وتعتبر المشاريع مفتوحة المصدر كمجموعة بيانات صغيرة الحجم. تشير النتائج إلى أن عملية دمج خوارزمية الوراثة مع خوارزميات التحسين ودمجها مع SVM يحسن أداء عملية التنبؤ بأخطاء البرامج عندما يتم تطبيقها على مجموعات البيانات كبيرة الحجم وصغيرة الحجم والتغلب على القيود والمشاكل التي كانت في الدراسات السابقة.

عناصر مشابهة