چکیده انگلیسی مقاله:

Software reliability prediction plays a very important role in the analysis of software quality and balance of software cost.The data during software lifecycle is used to analyze and predict software reliability. However, predicting the variability of software reliability with time is very difficult. Recently, support vector regression (SVR) has been widely applied to solve nonlinear predicting problems in many fields and has obtained good performance in many situations; however it is still difficult to optimize SVR’s parameters. Previously, some optimization algorithms have been used to find better parameters of SVR, but these existing algorithms usually are not fully satisfactory. In this paper, we first improve estima-tion of distribution algorithms (EDA) in order to maintain the diversity of the population, and then a hybrid improved estimation of distribution algorithms (IEDA) and SVR model, called IEDA-SVR model, is proposed. IEDA is used to optimize parameters of SVR, and IEDA-SVR model is used to predict software reliability. We compare IEDA-SVR model with other software reliability models using real software fail-ure datasets. The experimental results show that the IEDA-SVR model has better prediction performance than the other models.

 :چکیده فارسی مقاله

پیش بینی قابلیت اطمینان نرم افزار نقش بسیار مهمی در تجزیه و تحلیل کیفیت نرم افزار و تعادل هزینه نرم افزار ایفا می کند. داده ها در طول چرخه حیات نرم افزار برای تجزیه و تحلیل و پیش بینی قابلیت اطمینان نرم افزار استفاده می شوند. با این حال، پیش بینی قابلیت اطمینان نرم افزار با گذشت زمان بسیار دشوار می شود. به تازگی، رگرسیون بردار پشتیبان (SVR) به طور گسترده ای برای حل مسائل پیش بینی غیر خطی در بسیاری از زمینه ها استفاده می شود و عملکرد خوبی در بسیاری از موارد نیز بدست آورده است. با این حال هنوز بهینه سازی پارامترهای SVR دشوار است. پیش از این، برخی از الگوریتم های بهینه سازی برای پیداکردن پارامترهای بهتر SVR استفاده شده اند، اما این الگوریتم های موجود معمولا به طور کامل رضایت بخش نیستند. در این مقاله، ما ابتدا الگوریتم های تخمین توزیع (EDA) را به منظور حفظ تنوع جمعیت بهبود می بخشیم و سپس یک برآورد بهبود یافته ترکیبی از الگوریتم های تخمین توزیع (IEDA) و مدل SVR به نام مدل IEDA-SVR، ارائه می کنیم. IEDA برای بهینه سازی پارامترهای SVR، و مدل IEDA-SVR برای پیش بینی قابلیت اطمینان نرم افزار استفاده می شوند. ما مدل IEDA-SVR را با دیگر مدل های قابلیت اطمینان نرم افزار با استفاده از مجموعه داده های خرابی نرم افزار واقعی مقایسه می کنیم. نتایج تجربی نشان می دهد که مدل IEDA-SVR عملکرد پیش بینی بهتری از سایر مدل ها دارد.