الگوریتم های فرا ابتکاری در سیستم‌های نرم افزاری

•   آرشیو : نسخه پاییز 1404
•   کد پذیرش : 12427
•   موضوع : سایر شاخه ها
• نویسنده/گان : | محسن نصیری
•   زبان : فارسی
•   نوع مقاله : پژوهشی
•   چکیده مقاله به فارسی : هدف از انجام این مقاله الگوریتم‌های فرا ابتکاری در سیستم‌های نرم افزاری است. الگوریتم‌های فراابتکاری به عنوان رویکردهایی عمومی و انعطاف‌پذیر برای حل مسائل بهینه‌سازی پیچیده معرفی شده‌اند. این الگوریتم‌ها برای مسائل پیچیده‌ای طراحی شده‌اند که یافتن جواب بهینه با روش‌های دقیق و کلاسیک غیرعملی یا زمان‌بر است. هدف اصلی الگوریتم‌های فراابتکاری، جستجوی کارآمد در فضای حل و یافتن جواب‌های نزدیک به بهینه با هزینه محاسباتی معقول است. ضرورت تلاش برای پیش بینی و کاهش خطا در سیستم‌های نرم افزاری از اهمیت ویژه‌ای برخوردار می‌باشد. با توجه به رشد روز افزون سیستم‌های کامپیوتری در تمامی بخش‌های صنعتی و آموزشی یکی از چالش‌های پیش روی این صنعت قابلیت اطمینان به این سیستم‌ها در زمان‌های مختلف کاری می‏باشد.
•   لیست منابع : 1) عسکری، محمدمهدی؛ خطیبی بردسیری، وحید.(1393). ارائه یک مدل ترکیبی هوشمند به‌منظور پیش‌بینی نقص نرم‌افزار. همایش ملی مهندسی و علوم کامپیوتر ، 3 آذر.
  2) علی قار داشی، فاطمه(1393). پیش‌بینی خطا در نرم‌افزار مبتني بر روش‌های یادگیری ماشین. سمینار کارشناسی ارشد .
  3) آرزو موسوی، "تشخیص نفوذ در شبکه‌های کامپیوتری به شیوه یادگیری نیمه نظارتی برخط "، کنفرانس بین‌المللی یافته‌های نوین پژوهشی در مهندسی برق و علوم کامپیوتر، ۱۳۹۴.
  4) رضا عزمی، بشری پیشگو، نرگس نوروزی و محمدرضا نیک پور، " ارائه یک چارچوب تجمیعی در یادگیری به روش نیمه نظارتی"، شانزدهمین کنفرانس بین‌المللی سالانه انجمن کامپیوتر ایران،۱۳۸۹
  5) انسیه دهقانی، مهدیه قزوینی و حجت بابایی، " ارائه روشی جدید جهت ارزیابی قابلیت استفاده مجدد مؤلفه‌های نرم‌افزاری"، همایش الکترونیکی پژوهش‌های نوین در علوم و فناوری،۱۳۹۳.
  6) رؤیا دشتی و وحید رافع، " بررسی رویداد گرایی در معماری سرویس گرا با استفاده از سیستم‌های انتقال گراف"، کنفرانس ملی ایده‌های نو علوم مهندسی، ۱۳۹۳.
  
  7) Sommerville.Ian, "software Engineering," Wiley,6th Edition,2000.
  8) Avizˇienis. Algirdas, Laprie. Jean-Claude. Randell. Brian," Fundamental Concepts of Dependability, " university of New Castel,2001.
  9) Koren. Israel, Krishna. C.Mani, "fault tolerant system," Morgan Kaufmann Publishers in an imprint of Elsevier, 2007.
  10) Eusgeld. Irene, Fraikin. Falk, Rohr.Matthias, Salfner Felix, " Software Reliability," Springer-Verlag Berlin Heidelberg, 2008, Dependability Metrics, LNCS 4909, pp. 104–125.
  11) Oliver Chapell، Bernhard Schölkopf and Alexander Zien. Semi-Supervised Learning. Massachusetts Institute of Technology2006.
  12) X. Zhu. Semi-supervised learning literature survey. Technical Report 1530, Department of Computer Sciences, University of Wisconsin, Madison, 2005.
  13) J. Hoffart, F. M. Suchanek, K. Berberich, and G. Weikum, “YAGO2: A spatially and temporally enhanced knowledge base from Wikipedia,” Artif. Intell., vol. 194, pp. 28–61, Jan. 2013.
  14) Maengsik Choi, Harksoo Kim,"Social relation extraction from texts using a support- vector-machine-based dependency trigram kernel", Information Processing & Management, Vol.49, pp. 303-311, 2013.
  15) Federica Bisio, Sergio Decherchi, Paolo Gastaldo, Rodolfo Zunino,"Inductive bias for semi-supervised extreme learning machine",Neurocomputing, Vol.174, pp. 154-167, 2016.
  16) Andrew Carlson," Coupled Semi-Supervised Learning for Information Extraction", Computer Science Carnegie Mellon, 2010.
  17) T. Khoshgoftaar and N. Seliya, “Comparative Assessment of Software Quality Classification Techniques : An Empirical Case Study,” Empir. Softw. Eng., vol. 9, no. 3, pp. 229–257, 2114.
  18) K. Dejaeger, T. Verbraken, and B. Baesens, “Toward Comprehensible Software Fault Prediction Models Using Bayesian Network Classifiers,” IEEE Trans. Softw. Eng., vol. 39, no. 2, pp. 237–257, 2113.
  19) Seliya. Naeem, Khoshgoftar. Taghi M,"Semi-supervised for software Quality Estimation," IEEE,2004.
  20) ]T. M. Khoshgoftaar ,S. Zhong, N. Seliya. "Analyzing software measurement data with clustering techniques," IEEE Intelligent Systems, vol. 19, no. 2, pp. 20-27, 2004.
  21) Seliya. Naeem, Khoshgoftar. Taghi M,"Analyzing Software Quality with Limited Fault-Proneness Defect Data,” IEEE,2005.
  22) Xing. Fei, Guo. Ping, R. Lyu .Michael ," A Novel Method for Early Software Quality Prediction
  23) Based on Support Vector Machine," Computer.ORG.2005.
  24) Seliya, N. and Khoshgoftaar, T.M., "Software Quality Analysis of Unlabeled Program Modules with Semisupervised Clustering,” IEEE Transactions on Systems, Man And Cybernetics-Part A: Systems And Humans, 37(2), 201-211, 2007.
•   کلمات کلیدی به فارسی : رقابت استعماری، الکوریتم فراابتکاری، کاهش خطا، سیستم نرم افزاری
•   چکیده مقاله به انگلیسی : The purpose of this paper is to study metaheuristic algorithms in software systems. Metaheuristic algorithms are introduced as general and flexible approaches for solving complex optimization problems. These algorithms are designed for complex problems where finding the optimal solution with exact and classical methods is impractical or time-consuming. The main goal of metaheuristic algorithms is to efficiently search the solution space and find solutions close to the optimal with reasonable computational cost. .The necessity of trying to predict and reduce errors in software systems is of particular importance. Given the increasing growth of computer systems in all industrial and educational sectors, one of the challenges facing this industry is the reliability of these systems at different working times.
•   کلمات کلیدی به انگلیسی : Colonial competition, metaheuristic algorithm, error reduction, software system
•  صفحات : 10-18
•   دانلود فایل ( 461.25 KB )