.png){kind=icon}
返回
Feature selection using a multi-strategy improved parrot optimization algorithm in software defect prediction
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2815.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
软件缺陷检测是软件工程领域的一个关键研究课题，旨在开发过程中识别潜在缺陷以提升软件质量并降低维护成本。本研究提出了一种基于多策略增强鹦鹉优化（PO）算法的新型特征选择与缺陷预测分类算法。首先，为解决原始鹦鹉优化算法的局限性（如对初始种群依赖性强、早熟收敛及全局搜索能力不足），本文开发了一种多策略增强鹦鹉优化算法（MEPO）。在八个基准测试函数上的实验验证了MEPO在收敛速度和求解精度方面的优越性能。其次，为缓解传统软件缺陷预测方法中无关特征对模型性能的负面影响，本研究引入了一种二元多策略增强鹦鹉优化算法（BMEPO）用于优化特征选择。对比实验表明，BMEPO在特征选择质量和分类性能方面比先进特征选择算法更具竞争力。最后，为进一步提升缺陷预测的分类性能，提出了一种基于特征选择的异构数据堆叠集成学习算法（HEDSE）。在16个开源软件缺陷数据集上的实验评估表明，所提出的HEDSE优于现有方法，为软件缺陷预测提供了新颖且有效的解决方案。本研究提出的方法具有显著的实际价值，特别是在提升软件质量、优化测试资源配置和降低维护成本方面，为现实软件工程场景中的广泛应用提供了广阔潜力。
Keyword:
Software defect prediction
Parrot optimization
Machine learning
Stacked ensemble
Imbalanced datasets
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
.png){kind=icon}
Enhancing software defect prediction: a framework with improved feature selection and ensemble machine learning增强软件缺陷预测: 具有改进的特征选择和集成机器学习的框架
OAAI
OAAI分享收藏Deep neural network based hybrid approach for software defect prediction using software metrics基于深度神经网络的软件度量软件缺陷预测混合方法
PREAI
分享收藏Software Defect Prediction Harnessing on Multi 1-Dimensional Convolutional Neural Network Structure基于多一维卷积神经网络结构的软件缺陷预测OAAI
OAAI分享收藏分享收藏
查看更多内容