[論文レビュー] Using Multi Expression Programming in Software Effort Estimation

Najla Akram, AL-Saati+1 more|arXiv (Cornell University)|Apr 30, 2018

Software Engineering Research参考文献 15被引用数 3

ひとこと要約

本稿では、ベンチマークデータセットから数学的式を進化させることでソフトウェア開発工数推定を改善する、線形遺伝的プログラミングの亜種であるマルチエクスプレッションプログラミング（MEP）を提案する。結果として、6つのデータセットにおいて従来の遺伝的プログラミング（GP）を上回り、多様なフィットネス関数を用いてより正確で安定した工数予測が得られた。

ABSTRACT

Estimating the effort of software systems is an essential topic in software engineering, carrying out an estimation process reliably and accurately for a software forms a vital part of the software development phases. Many researchers have utilized different methods and techniques hopping to find solutions to this issue, such techniques include COCOMO, SEER-SEM,SLIM and others. Recently, Artificial Intelligent techniques are being utilized to solve such problems; different studies have been issued focusing on techniques such as Neural Networks NN, Genetic Algorithms GA, and Genetic Programming GP. This work uses one of the linear variations of GP, namely: Multi Expression Programming (MEP) aiming to find the equation that best estimates the effort of software. Benchmark datasets (based on previous projects) are used learning and testing. Results are compared with those obtained by GP using different fitness functions. Results show that MEP is far better in discovering effective functions for the estimation of about 6 datasets each comprising several projects.

研究の動機と目的

• ソフトウェア工学プロジェクトにおける継続的な不正確なソフトウェア工数推定の課題に対処すること。
• マルチエクスプレッションプログラミング（MEP）がソフトウェア開発工数推定の新しい手法として有効であるかを評価すること。
• 複数のフィットネス関数を用いて、MEPの性能を従来の遺伝的プログラミング（GP）と比較すること。
• 実際の歴史的ソフトウェアプロジェクトから抽出されたベンチマークデータセットを用いて、手法の妥当性を検証すること。
• MEPが工数推定タスクに最も効果的な関数形をどのように発見するかを特定すること。

提案手法

• MEPは、同時に複数の数学的式を符号化する線形の染色体を進化させることで応用される。
• MEPにおける各染色体は、プロジェクト属性から導かれる候補となる工数推定関数の集合を表す。
• フィットネス評価には、平均絶対誤差（MAE）や平均二乗誤差（MSE）などの誤差指標が用いられ、進化をガイドする。
• 選択、交差、変異の演算子を用いて、推定精度を最適化するための世代ごとの集団の進化が行われる。
• 異なるデータセットにおけるロバストネスと汎化性能を評価するために、複数のフィットネス関数がテストされた。
• 訓練およびテストの目的で、過去のソフトウェアプロジェクトから得られたベンチマークデータセットが使用された。

実験結果

リサーチクエスチョン

• RQ1 MEPは、従来のGPよりもより正確なソフトウェア工数推定関数を生成できるか？
• RQ2 MEPは、工数推定において、異なるフィットネス関数に対してどのように性能を発揮するか？
• RQ3 MEPは、ソフトウェアプロジェクトの多様なベンチマークデータセットにおいて、一貫してGPを上回る性能を示すか？
• RQ4 MEPが工数推定に最も効果的な数学的式をどのように発見するか？
• RQ5 MEPは、複数のデータセットにわたり、GPと比較してより安定的かつ信頼性の高い推定を実現するか？

主な発見

• MEPは、推定精度の観点から、6つのベンチマークデータセットにおいて標準的な遺伝的プログラミング（GP）を顕著に上回った。
• MEPは、全テストデータセットで平均絶対誤差（MAE）および平均二乗誤差（MSE）の値をGPより低く抑えた。
• MEPにおける複数のフィットネス関数の使用により、進化した推定モデルのロバストネスと汎化性能が向上した。
• MEPは、歴史的プロジェクトの実際の工数値に近い効果的な数学的式を効果的に発見した。
• 進化プロセス中に、MEPはGPに比べて優れた安定性と収束特性を示した。
• 結果から、MEPはソフトウェア工数推定タスクにおいてGPの有望な代替手法であることが確認された。