基于类比的工作量估算局部调优的帕累托高效多目标优化
软件工程
2017-01-09 v1 人工智能
摘要
基于类比的工作量估算（ABE）是软件工作量估算的重要方法之一。ABE的基本理念接近于专家估算的思维，但采用自动化流程，通过复用相似的历史项目生成最终估算。使用ABE时的关键问题是如何调整所检索到的最近邻的工作量。调整过程是ABE的重要组成部分，它基于某种调整策略对选定的原始解进行调优，从而生成更成功的准确估算。本研究指出，有三个相互关联的决策变量对调整方法的成功有很大影响：（1）最近邻类比数量（k），（2）调整所需的最优特征集，以及（3）调整权重。为了找到这些变量的正确决策，需要研究所有可能的组合并逐一评估，以选择能改善所有预测评估指标的那个组合。现有的评估指标通常表现不同，在评估预测方法时有时呈现相反趋势。这意味着改变一个决策变量可能改善某一评估指标，同时降低其他指标。因此，本研究的核心主题是如何得出在不恶化其他指标的前提下改善调整策略及整体评估指标的最佳决策变量。这些决策的综合影响此前未被研究，因此我们提议将调整过程的构建视为一个多目标优化问题。利用粒子群优化算法（PSO）基于优化多个评估指标来寻找此类决策变量的最优解。
引用
@article{arxiv.1701.01675,
title = {Pareto Efficient Multi Objective Optimization for Local Tuning of Analogy Based Estimation},
author = {Mohammad Azzeh and Ali Bou Nassif and Shadi Banitaan and Fadi Almasalha},
journal= {arXiv preprint arXiv:1701.01675},
year = {2017}
}