[論文レビュー] A Genetic Algorithm for Software Design Migration from Structured to Object Oriented Paradigm.

Md. Selim, Saeed Siddik+3 more|arXiv (Cornell University)|Jul 23, 2014

Software Engineering Research参考文献 14被引用数 3

ひとこと要約

本稿では、最適なグラフクラスタリング問題を解くことで、構造的設計からオブジェクト指向設計へのソフトウェア設計の自動移行を実現する遺伝的アルゴリズム（GA）を提案する。GAは適応度に基づく親選択とクラスタ要素のクロスオーバーを用いて、クラスタ内エッジを最大化し、クラスタ間エッジを最小化することで、貪欲法およびモンテカルロ法よりもそれぞれ40%および49.5%の改善を達成する。

ABSTRACT

The potential benefit of migrating software design from Structured to Object Oriented Paradigm is manifolded including modularity, manageability and extendability. This design migration should be automated as it will reduce the time required in manual process. Our previous work has addressed this issue in terms of optimal graph clustering problem formulated by a quadratic Integer Program (IP). However, it has been realized that solution to the IP is computationally hard and thus heuristic based methods are required to get a near optimal solution. This paper presents a Genetic Algorithm (GA) for optimal clustering with an objective of maximizing intra-cluster edges whereas minimizing the inter-cluster ones. The proposed algorithm relies on fitness based parent selection and cross-overing cluster elements to reach an optimal solution step by step. The scheme was implemented and tested against a set of real and synthetic data. The experimental results show that GA outperforms our previous works based on Greedy and Monte Carlo approaches by 40% and 49.5%.

研究の動機と目的

• 構造的設計からオブジェクト指向設計への移行を伴う時間のかかる手作業プロセスの自動化。
• 2次整数プログラミングを用いた最適なグラフクラスタリング問題の計算上の困難さの解決。
• 近似最適なクラスタリングを達成するヒューリスティックベースのソリューションの開発により、モジュール性、管理可能性、拡張性の向上。
• クラスタリング品質と効率の面で、従来の貪欲法およびモンテカルロベースのアプローチを上回る性能の実現。

提案手法

• クラスタリング品質を最大化し、クラスタ間エッジを最小化する最適なグラフクラスタリング問題として、設計移行問題を定式化する。
• 適応度に基づく親選択を用いた遺伝的アルゴリズム（GA）を適用し、有望なクラスタ構成を進化させる。
• 親のソリューション間でクラスタ要素を交換するクロスオーバー操作を用いて、新たな子孫ソリューションを生成する。
• ソフトウェアコンポonentのクラスタ割り当てを符号化する染色体のような構造としてソリューションを表現する。
• 選択、クロスオーバー、変異を繰り返し適用することで、世代を経て集団を進化させ、最適なクラスタリングに収束させる。
• 実際のソフトウェア設計グラフおよび合成されたソフトウェア設計グラフの両方でGAの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズムは、構造的設計からオブジェクト指向設計への移行における最適なグラフクラスタリング問題を効果的に解けるか。
• RQ2 提案されたGAの性能は、貪欲法およびモンテカルロベースのヒューリスティック手法と比較して、クラスタリング品質の面でどの程度優れているか。
• RQ3 GAは、ソフトウェア設計グラフにおけるクラスタ内凝集性とクラスタ間分離性をどの程度向上させるか。

主な発見

• 提案された遺伝的アルゴリズムは、従来の貪欲法よりも40%のクラスタリング品質の向上を達成した。
• GAはモンテカルロベースの手法よりも49.5%の効果的性向上を達成した。
• アルゴリズムは、実際のソフトウェア設計データセットおよび合成データセットの両方で一貫した性能向上を示した。
• 適応度に基づく選択とクラスタ要素のクロスオーバーが、最適解への収束を著しく向上させた。
• ソリューションの品質は、クラスタ内エッジを最大化し、クラスタ間エッジを最小化することで測定され、GAは優れた結果を達成した。