ارائه يك روش تركيبي براي پيش بيني خطاي نرم افزار برپايه الگوريتمهاي ژنتيك ، درخت تصميم گيري و شبكه هاي عصبي

كيفيت يكي از مسائل مهم در فرآيند توليد و توسعه ي نرم افزار است. جهت افزايش كيفيت، نقص هاي نرم افزار بايد قبل از انتشار تشخيص داده شوند. از جمله روش هاي معتبرسازي سنتي براي تشخيص نقص، آزمون نرم افزار و بازرسي كد است كه اين روش ها از نظر زماني و منابع بسيار پرهزينه هستند. با توجه به اينكه اكثر نقص هاي نرم افزار در بخش كوچكي از ماژول هاي آن رخ مي دهد، پيش بيني و تشخيص نقص ها در مراحل اوليه ي توسعه ي نرم افزار سبب افزايش كيفيت محصول توليدي نرم افزار مي شود. يكي از موثرترين تكنيك هاي پيش بيني نقص نرم افزار، طبقه بندي متريك هاي نرم افزاري در دو كلاس مستعد نقص و غير مستعد نقص است. در اين تكنيك از روش هاي يادگيري ماشين استفاده مي شود. از جمله روش هاي يادگيري ماشين، شبكه عصبي و درخت تصميم گيري است كه در اين پژوهش مورد استفاده قرار مي گيرد.دراين تحقيق از مجموعه داده ي KC1در پايگاه داده NASA استفاده شده است. هر يك از ركوردهاي اين پايگاه داده معرف يك ماژول است كه براي هر ماژول نرم افزاري 21متريك به همراه يك برچسب (مستعد يا غير مستعد بودن نقص در ماژول) شامل مي شود. در اين تحقيق دو هدف دنبال مي شود.يكي انتخاب بهترين متريك ها از بين 21 متريك نرم افزاري كه بهتر كار كلاس بندي را انجام مي دهند وديگري ساخت يك مدل پيش بيني نقص نرم افزار مبتني بر تكنيك هاي يادگيري ماشين و با استفاده از متريك هاي نرم افزاري برگزيده از مرحله قبل. براي اولين هدف، 6 متريك نرم افزاري با استفاده از الگوريتم ژنتيك به دست آمد و براي دومين هدف از كلاسه بند شبكه عصبي و درخت تصميم گيري C4.5 جهت ساخت مدل هاي پيش بيني نقص بهره گرفته شد. براي كلاسه بند درخت تصميم گيري C4.5 و كلاسه بند شبكه عصبي ميانگين صحت به ترتيب برابر با مقادير 88.5% و 88.37% به دست آمدند كه در مقايسه با تحقيقات مشابه، قابل توجه هستند.