ارائه يك استراتژي جديد تطبيقي توسعه سيستم هاي نرم افزاري به منظور بهبود پيش بيني و برآورد هزينه ها

Presenting a new adaptive strategy for developing software systems for improvement of prediction and estimation of costs

مديريت پروژه هاي نرم افزاري يكي از مشكلات و چالش هاي مطرح در سيستم ها و صنايع امروز است كه مورد توجه پژوهشگران مختلفي قرار گرفته است. تاكنون روش هاي زيادي به منظور بهبود پيش بيني و برآورد هزينه هاي پروژه هاي بزرگ نرم افزاري ارائه شده اما هنوز روشي كامل و مطمئن جهت ارائه و بهبود پيش بيني هزينه هاي نرم افزاري پيشنهاد نشده است.در اين پژوهش با بكارگيري تكنيك هاي داده كاوي مبتني بر بوستيگ از جمله تركيب الگوريتم هاي آدابوست و رندوم فارست، پيش بيني برآورد هزينه مربوط به پروژه هاي سيستم هاي نرم افزاري انجام شده است. مراحل اجراي روش پيشنهادي عباتند از: 1) ابتدا داده هاي آموزش مسئله به الگوريتم هاي آدابوست و رندوم فارست اعمال مي شوند و مدل مربوطه توليد مي گردد. 2) پس از توليد مدل مربوطه، مجموعه قوانين جهت ارزيابي و ارائه نتايج توليد مي شوند. 3)سپس داده هاي آزمايشي به منظور ارزيابي روش پيشنهادي به مدل مربوطه اعمال مي گردد. 4) در نهايت داده ها ارزيابي شده و نتايج مورد تحليل قرار مي گيرد. نتايج نشان داد،روش پيشنهادي نسبت به روش هاي رگرسيون چند خطي، درخت تصميم و شبكه عصبي هستند در حدود 1.05% بهبود داشته است به طوري كه پس از شبيه سازي به دقت 55/99% رسيده و اين ميزان بهبود بسيار قابل ملاحظه مي باشد.

Software project management is one of the common issues and challenges in today’s systems and industries which have been under the attention of several researchers. Until today, many methods have been presented for improvement of prediction and estimation of large software project costs, but no complete and reliable method has been yet presented for improvement of software costs prediction. In this project, using boosting based data mining techniques including AdaBoost and Random Forest, software systems project related costs are predicted. The execution steps of the suggested method include: 1) first the training data of the problem are enforced to the AdaBoost and Random forest algorithms and the related model is generated; 2) after generating the related model, a set of laws are generated for assessment and presentation of results; 3) then experimental data are enforced to the model for assessing the suggested method; 4) finally, the data are assessed and results are analyzed. Results indicate that the suggested method has had an approximate 1.05% improvement compared to multiple linear regression, decision tree and neural network, as after simulation it reached an accuracy of 99.55% which this amount of improvement is highly considerable.