ارائه يك مدل جديد جهت تخمين تلاش لازم براي توسعه سرويس هاي نرم افزاري

A Novel Model for Software Services Development Effort Estimation

تخمين دقيق تلاش لازم براي توسعه سرويس‌هاي نرم افزاري يك چالش بزرگ هم در صنعت و هم براي محققين است. مفهوم تلاش يك پارامتر مهم و تأثيرگذار در فرآيند توسعه و مديريت سرويس‌هاي نرم افزاري است. تخمين دقيق تلاش به مديران پروژه كمك مي‌كند تا منابع را بهتر تخصيص دهند و هزينه و زمان را طوري مديريت كنند كه پروژه در وقت و بودجه تعيين شده به اتمام برسد. يكي از مشهورترين روش‌هاي تخمين تلاش، استفاده از قياس و مقايسه يك سرويس با موارد مشابه قبلي است. متأسفانه روش قياس بدون استفاده از وزن‌هاي مناسب و ارزش دهي به ويژگي‌هاي يك سرويس، نتايج خوبي نخواهد داشت. بنابراين در اين مقاله سعي شده تا با تركيب روش قياس و الگوريتم تكامل تفاضلي يك مدل كارا و قابل اطمينان براي برآورد تلاش لازم جهت توسعه سرويس‌هاي نرم افزاري ايجاد شود. مدل پيشنهادي بر روي داده‌هاي واقعي مستخرج از پايگاه داده ISBSG و دو پايگاه داده مصنوعي مورد ارزيابي قرار گرفت و نتايج با روش‌هاي مشهور تخمين تلاش مقايسه گرديد؛ مقادير به دست آمده براي مخازن داده اي ISBSG، همگن و ناهمگن به ترتيب و به ‌طور ميانگين بهبود 28%، 34% و 19% را نشان مي‌داد.

Accurate estimation of software service development effort is a great challenge both in industry and for academia. The concept of effort is an important and effective parameter in process development and software service management. The reliable estimation of effort helps the project managers to allocate the resources better and manage cost and time so that the project will be finished in the determined time and budget. One of the most popular effort estimation methods is analogy base estimation (ABE) to compare a service with similar historical cases. Unfortunately ABE is not capable of generating accurate results unless determining weights for service features. Therefore, this paper aims to make an efficient and reliable model through combining ABE method and DE algorithm to estimate the software services development effort. In fact, the DE algorithm was utilized for weighting features in the similarity function of the ABE method. The proposed hybrid model has been evaluated on a real data set and two artificial datasets. The obtained results were compared with common effort estimation methods. Obtained values indicate 28, 34 and 19 percentage improvement on the three datasets ISBSG, Moderate, and Severe, respectively.