بررسي و مقايسه عملكرد الگوريتم‌هاي فرااكتشافي در انتخاب ويژگي و پيش‌بيني خطاي نرم‌افزار‌

Investigating and Comparing the Performance of Meta-Heuristic Algorithms in Feature Selection and Software Fault Prediction

الگوريتم‌هاي فرااكتشافي فنون بهينه‌سازي هستند كه با فرايندهاي اكتشاف و بهره‌برداري مكرر از كل فضاي جستجو، راه‌حل بهينه را ارائه مي‌دهند. انتخاب ويژگي نيز يك فرايند مهم و برجسته در حوزه يادگيري ماشين است كه باعث كاهش ابعاد داده مي‌شود. اين مقاله به بررسي و مقايسه الگوريتم‌هاي فرااكتشافيِ الهام‌گرفته از طبيعت براي انتخاب ويژگي در راستاي افزايش دقت پيش‌بيني خطاي نرم‌افزار مي‌پردازد. پژوهشگران، الگوريتم‌هاي فرااكتشافي را به دليل تنوع و تعدد زياد، نمي‌توانند به راحتي و در زماني كوتاه، به‌عنوان يك روش مناسب براي تحقيق موردنظر خود انتخاب كنند. در اين مقاله سعي شده است با تشريح فنون انتخاب ويژگي و روش‌هاي آن، كاربرد الگوريتم‌هاي فرااكتشافي در حوزه‌هاي مختلف، از قبيل هوش جمعي و روش‌هاي دودويي كردن اين الگوريتم‌ها مورد بررسي قرار گيرد. همچنين، با معرفي 18 الگوريتم فرااكتشافي در 6 دسته مختلف و ارزيابي هر كدام از آن‌ها، يك تحليل مناسب در اختيار پژوهشگران قرار داده شده است تا به سادگي و با بيش‌ترين بازدهي بتوانند الگوريتم و روش مناسب كار خود را انتخاب نمايند. در مقالاتي كه تاكنون ارايه ‌شده‌ است، الگوريتم‌هاي فرااكتشافي تنها از يك جنبه مورد بررسي قرار گرفته‌اند، در حالي كه در اين مقاله ضمن مطالعه انواع مختلفي از تحقيقات انجام‌شده، سعي شده است از جنبه‌هاي مختلف مورد بررسي و ارزيابي قرار گيرند.

Meta‑Heuristic algorithms are optimization techniques that provide the optimal solution through processes of repeated exploration and exploitation of the entire search space. Feature selection is also an important and prominent process in the field of machine learning that reduces data dimensions. This paper examines and compares nature-inspired meta-heuristic algorithms for feature selection to increase the accuracy of software fault prediction. Researchers can not easily select meta-heuristic algorithms as a suitable method for their research due to their great variety and multiplicity. In this paper, by describing the feature selection techniques and its methods, the application of meta-heuristic algorithms in different fields, such as swarm intelligence and binary methods of these algorithms has been investigated. Also, by introducing 18 meta-heuristic algorithms in 6 different categories and evaluating each of them, a suitable analysis has been provided to researchers so that they can easily and with the highest efficiency choose the appropriate algorithm and method of their work. In the papers presented so far, meta-heuristic algorithms have been studied from only one aspect, while in this article, while studying different types of research, they have tried to study and evaluate them from different aspects.