چکیده فارسی :

اخیراً مسائل کیفیت نرم افزار، با رشد گسترده ی سازمان­ های دربرگیرنده­ی صنایع نرم­افزاری به عنوان یک نکته کلیدی ظهور کرده است. این سازمان­ها هنوز نمی­توانند از کیفیت نرم افزارشان اطمینان حاصل کنند، بنابراین مشتری­ها را در حالتی از عدم اطمینان به حال خود رها میکنند. گواهی نرم افزار  شاخه ای از کیفیت است به این معنی که باید پیش از فرایند پذیرش گواهی، سنجش صورت گیرد. با این حال، ایجاد یک مدل گواهی رسمی، با توجه به کمبود داده در حوزه مهندسی نرم افزار کاری مشکل است. این مقاله در حل مسئله تشخیص کیفیت نرم­افزار مشارکت میکند و به معرفی یک مدل که از موتور استنباط فازی برای ترکیب هردو رویه اطمینان از کیفیت  مبتنی بر اپلیکیشن و  فرایندها میپردازد. هدف اصلی مدل پیشنهادی، افزایش فشردگی و قابلیت تفسیر قوانین سیستم فازی به همراه الگوریتم بهینه سازی کلونی مورچگان ACO  است که قصد دارد با استفاده از مجموعه قوانین مرکب ارائه شده توسط  قوانین منفرد سنتی، تعریف مناسبی از قوانین را کشف کند. به مدل ارائه شده میتوان به عنوان مدل های گواهی تکراری  که در حال حاضر توسط داده حوزه کیفیت ایجاد شده و به داده مختص محتوا تغییر داده شده اند، نگاه کرد. این مدل با استفاده از نرم افزار داده حوزه کیفیت، تست شده و نتایج، عملیاتی بودن این مدل را در محیط های واقعی تایید میکند.

چکیده انگلیسی:

Recently, software quality issues have emerged to be recognized as a fundamental point as we actual- ize an extensive growth of organizations involved in software industries. Still, these organizations cannot ensure the quality of their products; therefore abandoning customers in uncertainties. Software certi- fication is the branch of quality by means that quality requires to be measured prior to certification admitting process. However, creating an official certification model is difficult due to the deficiency of data in the domain of software engineering. This research participates in solving the problem of assess- ing software quality by introducing a model that handles a fuzzy inference engine to mix both of the processes–driven and application-driven quality assurance procedures. The fundamental purpose of the suggested model is to enhance the compactness and the interpretability of the system’s fuzzy rules via engaging an ant colony optimization algorithm (ACO), which attempts to discover a good rule description by a set of compound rules initially represented with traditional single rules. The proposed model is a fitting one that can be seen as practicing certification models that have already been created from soft- ware quality domain data and modifying them to a context-specific data. The model has been tested by a case study and the results have confirmed feasibility and practicality of the model in a real environment.