EFFORT DE COÛT DU LOGICIEL ET ESTIMATION DU TEMPS À L'AIDE DU RÉSEAU NEURONAL PROFOND OPTIMISÉ DRAGONFLY WHALE LION
DOI :
https://doi.org/10.59277/RRST-EE.2024.69.4.11Mots-clés :
Système d'inférence floue, Optimisation du lion-baleine libellule, NASA 93, Modélisation des coûts de construction (COCOMO) II, Modèle constructif de développement rapide d’applications (CORADMO)Résumé
Un développement logiciel efficace dépend de l'estimation exacte de l'effort, du temps, du coût et de la satisfaction du client. La gestion de projets logiciels nécessite une évaluation précise des efforts, du temps et des coûts de développement logiciel, souvent sous-estimés ou surestimés. Jusqu’à présent, la méthodologie n’a pas encore permis d’estimer de manière précise et fiable le coût du développement logiciel. Pour surmonter ce problème, cet article a proposé un modèle constructif de développement rapide d'applications basé sur une approche d'estimation du coût et du temps du logiciel (CETA basé sur CORADMO) pour une estimation précise du coût du logiciel. Les exigences en matière de données, les inducteurs de coûts, les contraintes et les priorités sont fournis en entrée du système d'inférence floue (FIS). Les résultats traités, tels que l'effort, le temps et le coût pour le plan nominal, le plan à calendrier le plus court et le plan au moindre coût, sont calculés dans le FIS. Pour réduire l'effort, le temps et les coûts, le résultat est optimisé par l'optimisation du lion libellule baleine (DWLO), qui fournit l'effort, le temps et le coût les mieux estimés en tant que résultat pour le développement de logiciels. Le modèle CETA basé sur CORADMO proposé est testé dans l'ensemble de données NASA 93 à l'aide de MATLAB. Les performances de la méthode CETA basée sur CORADMO sont mesurées en termes de Pred (25 %), d'ampleur de l'erreur relative et d'ampleur moyenne de l'erreur relative, atteignant les valeurs de 80,72 %, 87,94 % et 98,13 %, respectivement. Enfin, le modèle CETA basé sur CORADMO justifie l’adéquation de l’optimisation du lion-libellule-baleine avec la logique floue proposée.
Références
(1) M.S. Khan, F. Jabeen, S. Ghouzali, Z. Rehman, S. Naz, W. Abdul, Metaheuristic algorithms in optimizing deep neural network model for software effort estimation, IEEE Access, 9, pp. 60309-60327 (2021).
(2) W. Rhmann, B. Pandey, G.A. Ansari, Software effort estimation using ensemble of hybrid search-based algorithms based on metaheuristic algorithms, Innovations in Systems and Software Engineering, 18, 2, pp. 309–319 (2022).
(3) S. Hameed, Y. Elsheikh, M. Azzeh, An optimized case-based software project effort estimation using genetic algorithm. Information and Software Technology, 153, pp.107088 (2023).
(4) N. Sreekanth, J. Rama Devi, K.A. Shukla, D.K. Mohanty, A. Srinivas, G.N. Rao, A. Alam, A. Gupta, Evaluation of estimation in software development using deep learning-modified neural network, Applied Nanoscience, 13, 3, pp. 2405–2417 (2023).
(5) S. Kassaymeh, M. Alweshah, M.A. Al-Betar, A.I. Hammouri, M.A. Al-Ma’aitah, Software effort estimation modeling and fully connected artificial neural network optimization using soft computing techniques, Cluster Computing, 27, 1, pp. 737–760 (2024).
(6) M. Hassanali, M. Soltanaghaei, T. Javdani Gandomani, F. Zamani Boroujeni, Software development effort estimation using boosting algorithms and automatic tuning of hyperparameters with Optuna. Journal of Software: Evolution and Process, pp. e2665.
(7) M. Zorzetti, I. Signoretti, L. Salerno, S. Marczak, R. Bastos, Improving agile software development using user-centered design and lean startup, Information and Software Technology, 141, pp.106718 (2022).
(8) A. Yasmin, Cost adjustment for software crowdsourcing tasks using ensemble effort estimation and topic modelling, Arabian Journal for Science and Engineering, pp. 1–36 (2024).
(9) A. Jaiswal, J. Raikwal, P. Raikwal, A hybrid cost estimation method for planning software projects using fuzzy logic and machine learning, International Journal of Intelligent Systems and Applications in Engineering, 12, 1, pp. 696–707 (2024).
(10) E. Venson, B. Clark, B. Boehm, The effects of required security on software development effort, Journal of Systems and Software, 207, pp.111874 (2024).
(11) C.H. Anitha, N. Parveen, Deep artificial neural network based multilayer gated recurrent model for effective prediction of software development effort, Multimedia Tools and Applications, pp. 1–27, (2024).
(12) M. Hassanali, M. Soltanaghaei, T.J. Gandomani, F.Z. Boroujeni, Software development effort estimation using boosting algorithms and automatic tuning of hyperparameters with Optuna, Journal of Software: Evolution and Process, p.e2665.
(13) N. Zidane, S.L. Belaid, A new fuzzy logic solution for energy management of hybrid photovoltaic/battery/hydrogen system, Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 67, 1, pp. 21–26 (2022).
(14) M. Jesi, A. Appathurai, M. Kumaran, A. Kumar, Load balancing in cloud computing via mayfly optimization algorithm, Revue Rev. Roum. Sci. Techn. – Électrotechn. Et Énerg., 69, 1, pp. 79–84 (2024).
(15) K. Upreti, U.K. Singh, R. Jain, K. Kaur, A.K. Shar-ma, Fuzzy logic-based support vector regression (SVR) model for software cost estimation using machine learning, ICT Systems and Sustainability: Proceedings of ICT4SD 2021, 1, pp. 917–927 (2022).
(16) J.A. Khan, S.U.R. Khan, T.A. Khan, I.U.R. Khan, An amplified COCOMO-II based cost estimation model in global software development context, IEEE Access, 9, pp. 88602–88620 (2021).
(17) S. Sharma, S. Vijayvargiya, Applying soft computing techniques for software project effort estimation modelling, Nanoelectronics, Circuits and Communication Systems: Proceeding of NCCS 2019, pp. 211–227 (2021).
(18) M.S. Khan, F. Jabeen, S. Ghouzali, Z. Rehman, S. Naz, W. Abdul, Metaheuristic algorithms in optimizing deep neural network model for software effort estimation, IEEE Access, 9, pp. 60309–60327 (2021).
(19) P. Suresh Kumar, H.S. Behera, J. Nayak, B. Naik, A pragmatic ensemble learning approach for effective software effort estimation, Innovations in Systems and Software Engineering, 18, 2, pp. 283–299 (2022).
(20) N. Malik, S.K. Goyal, V. Malik, Semantic web undertaking effort estimation utilizing COCOMO II, SVM and NN, Cyber Technologies and Emerging Sciences: ICCTES 2021, pp. 351–361 (2022).
(21) S.K. Gouda, A.K. Mehta, Software cost estimation model based on fuzzy C-means and improved self-adaptive differential evolution algorithm, International Journal of Information Technology, 14, 4, pp. 2171–2182 (2022).
(22) S. Sharma, S. Vijayvargiya, An optimized neuro-fuzzy network for software project effort estimation, IETE Journal of Research, 69, 10, pp. 6855–6866 (2023).
(23) K.H. Kumar, K. Srinivas, An accurate analogy based software effort estimation using hybrid optimization and machine learning techniques, Multimedia Tools and Applications, 82, 20, pp. 30463–30490 (2023).
(24) S. Kumar, M.P. Singh, An improved technique for software cost estimations in agile software development using soft computing (2023).
(25) P.J. Shermila, A. Ahilan, M. Shunmugathammal, J. Marimuthu, DEEPFIC: food item classification with calorie calculation using dragonfly deep learning network, Signal, Image and Video Processing, 17, 7, pp. 3731–3739 (2023).
(26) A.S. Ghazanfar, X. Cheng, Brain aneurysm classification via whale optimized dense neural network, International Journal of Data Science and Artificial Intelligence, 2, 2, pp. 63–67 (2024).
(27) K.B. Shah, S. Visalakshi, R. Panigrahi, Seven class solid waste management-hybrid features based deep neural network, International Journal of System Design and Computing, 01, 01, pp. 1–10 (2023).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2024
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
