[论文解读] A Genetic Algorithm for Software Design Migration from Structured to Object Oriented Paradigm.
本文提出一种遗传算法（GA），通过求解最优图聚类问题，实现从结构化到面向对象范式的软件设计自动迁移。该GA通过基于适应度的父代选择和聚类元素交叉，最大化簇内边数并最小化簇间边数，相较于贪婪法和蒙特卡洛法，分别实现了40%和49.5%的性能提升。
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%.
研究动机与目标
- 自动化耗时的从结构化到面向对象范式迁移软件设计的手动过程。
- 解决通过二次整数规划求解最优图聚类问题的计算复杂性。
- 开发一种基于启发式的解决方案，实现接近最优的聚类，以提升模块化、可管理性和可扩展性。
- 在聚类质量和效率方面超越现有的贪婪法和蒙特卡洛法。
提出的方法
- 将设计迁移问题表述为最优图聚类任务，以最大化簇内边数并最小化簇间边数。
- 应用基于适应度的父代选择的遗传算法（GA），以演化出有前景的聚类配置。
- 使用在父代解决方案之间交换聚类元素的交叉操作，生成新的后代解决方案。
- 将解决方案表示为类似染色体的结构，编码软件组件的聚类分配。
- 通过选择、交叉和变异操作，在多代中迭代演化种群，以收敛到最优聚类。
- 在真实和合成的软件设计图上测试GA，以验证其性能。
实验结果
研究问题
- RQ1遗传算法能否有效解决从结构化到面向对象范式迁移中软件设计的最优图聚类问题？
- RQ2所提出的GA在聚类质量方面与贪婪法和基于蒙特卡洛的启发式方法相比表现如何？
- RQ3该GA在多大程度上提升了软件设计图中的簇内凝聚度和簇间分离度？
主要发现
- 所提出的遗传算法在聚类质量方面相较于先前的贪婪方法提升了40%。
- 在解决方案有效性方面，GA相较于基于蒙特卡洛的方法实现了49.5%的提升。
- 该算法在真实和合成的软件设计数据集上均表现出一致的性能提升。
- 基于适应度的选择和聚类元素交叉显著提升了向最优解收敛的能力。
- 通过最大化簇内边数并最小化簇间边数来衡量解决方案质量，GA取得了更优结果。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。