ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Genetic Algorithms for Optimizing Ensemble of Models in Software Reliability Prediction

دانلود کتاب الگوریتم‌های ژنتیک برای بهینه‌سازی مجموعه مدل‌ها در پیش‌بینی قابلیت اطمینان نرم‌افزار

Genetic Algorithms for Optimizing Ensemble of Models in Software Reliability Prediction

مشخصات کتاب

Genetic Algorithms for Optimizing Ensemble of Models in Software Reliability Prediction

دسته بندی: سیستم های اطلاعاتی
ویرایش:  
نویسندگان:   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 9 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت

قیمت کتاب (تومان) : 35,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



کلمات کلیدی مربوط به کتاب الگوریتم‌های ژنتیک برای بهینه‌سازی مجموعه مدل‌ها در پیش‌بینی قابلیت اطمینان نرم‌افزار: انفورماتیک و مهندسی کامپیوتر، قابلیت اطمینان سیستم های اطلاعاتی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 13


در صورت تبدیل فایل کتاب Genetic Algorithms for Optimizing Ensemble of Models in Software Reliability Prediction به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب الگوریتم‌های ژنتیک برای بهینه‌سازی مجموعه مدل‌ها در پیش‌بینی قابلیت اطمینان نرم‌افزار نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب الگوریتم‌های ژنتیک برای بهینه‌سازی مجموعه مدل‌ها در پیش‌بینی قابلیت اطمینان نرم‌افزار

مقاله
مدل های قابلیت اطمینان نرم افزار برای تخمین احتمال خرابی نرم افزار در طول زمان بسیار مفید هستند. چندین مدل مختلف برای پیش بینی رشد قابلیت اطمینان نرم افزار (SRGM) پیشنهاد شده است. با این حال، هیچ یک از آنها با توجه به ویژگی های مختلف پروژه عملکرد خوبی را اثبات نکرده اند. توانایی پیش بینی تعداد خطاهای نرم افزار در طول فرآیندهای توسعه و آزمایش. در این مقاله، الگوریتم‌های ژنتیک
(GA) را به عنوان یک رویکرد جایگزین برای استخراج این مدل‌ها بررسی می‌کنیم.
GA یک تکنیک یادگیری ماشینی قدرتمند و تکنیک‌های بهینه‌سازی برای تخمین پارامترهای مدل‌های رشد قابل اعتماد شناخته شده است. علاوه بر این، الگوریتم‌های یادگیری ماشینی، راه‌حلی را برای غلبه بر عدم قطعیت‌ها در مدل‌سازی با ترکیب مدل‌های متعدد با هدف پیش‌بینی دقیق‌تر در هزینه افزایش عدم قطعیت پیشنهاد کردند. انگیزه اصلی انتخاب GA برای این کار، توانایی آن در تخمین پارامترهای بهینه از طریق یادگیری از داده های تاریخی است.
در این مقاله، آزمایش هایی برای تایید این فرضیه ها با ارزیابی قابلیت پیش بینی مجموعه مدل های توسعه یافته و نتایج
با مدل های سنتی مقایسه شد.


توضیحاتی درمورد کتاب به خارجی

Article
Software reliability models are very useful to estimate the probability of the software fail along the time. Several different models have been proposed to predict the
software reliability growth (SRGM); however, none of them has proven to perform well considering different project characteristics. The ability to predict the number of faults in the software during development and testing processes. In this paper, we explore Genetic Algorithms
(GA) as an alternative approach to derive these models.
GA is a powerful machine learning technique and optimization techniques to estimate the parameters of well known reliably growth models. Moreover, machine
learning algorithms, proposed the solution overcome the uncertainties in the modeling by combining multiple models aiming at a more accurate prediction at the
expense of increased uncertainty. The main motivation to choose GA for this task is its capability of estimating optimal parameters through learning from historical data.
In this paper, experiments were conducted to confirm these hypotheses by evaluating the predictive capability of the developed ensemble of models and the results were
compared with traditional models.





نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی