دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سیستم های اطلاعاتی ویرایش: نویسندگان: Sultan H. 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
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
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.
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.
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.