چکیده فارسی :

در این مقاله ما یک معماری برگشتی جدید برای برنامه نویسی ژنتیک و روش های گروهی مدیریت داده ها برای پیش بینی قابلیت اطمینان نرم افزار پیشنهاد می کنیم.اثربخشی مدل ها در مقابل مدل های یادگیری ماشین یعنی رگرسیون خطی چندگانه، رگرسیون تطبیقی چندمتغیره، شبکه های عصبی پس انتشار شبکه های عصبی انتشار شمارنده، سیستم استنتاج نرو-فازی تحول پویا، شبکه درختی، روش های گروهی مدیریت داده ها و برنامه نویسی ژنتیک روی دیتاست های دریافت شده از کارهای چاپ شده قبلی، مقایسه شده است.به علاوه ما تحقیقات مان را با توسعه روش های گروهی مدیریت داده ها و برنامه نویسی ژنتیک بر اساس مدل های گروهی برای پیش بینی قابلیت اطمینان نرم افزار گسترش داده ایم.در مدل های گروهی ما  روش های گروهی مدیریت داده ها و برنامه نویسی ژنتیک را به عنوان مدل های تشکیل دهنده و روش های گروهی مدیریت داده ها و برنامه نویسی ژنتیک، شبکه های عصبی پس انتشار و میانگین به عنوان قاضی انتخاب کردیم.نتایج بدست آمده از آزمایشات ما نشان می دهد که معماری برگشتی جدید برای مدل های گروهی ما  روش های گروهی مدیریت داده ها و برنامه نویسی ژنتیک مبتنی بر گروه بهتر از همه مدل های دیگر است.

چکیده انگلیسی :

In this paper, we propose novel recurrent architectures for Genetic Programming (GP) and Group Method of Data Handling (GMDH) to predict software reliability. The effectiveness of the models is comparedwith that of well-known machine learning techniques viz. Multiple Linear Regression (MLR), Multivari-ate Adaptive Regression Splines (MARS), Backpropagation Neural Network (BPNN), Counter PropagationNeural Network (CPNN), Dynamic Evolving Neuro-Fuzzy Inference System (DENFIS),TreeNet, GMDHand GP on three datasets taken from literature. Further, we extended our research by developing GP and GMDH based ensemble models to predict software reliability. In the ensemble models, we consideredGP and GMDH as constituent models and chose GP, GMDH, BPNN and Average as arbitrators. The result sobtained from our experiments indicate that the new recurrent architecture for GP and the ensemble based on GP outperformed all other techniques.