[论文解读] Enhancing Use Case Points Estimation Method Using Soft Computing Techniques

Ali Bou Nassif, Luiz Fernando Capretz+1 more|arXiv (Cornell University)|Dec 4, 2016

Software Engineering Research参考文献 13被引用 55

一句话总结

本文通过整合模糊逻辑与神经网络，改进了早期软件工作量估算的用例点（UCP）方法，以提升准确性。通过软计算技术对用例复杂性和参与者复杂性的权重进行优化，该方法相比传统UCP方法，估算准确率最高提升22%。

ABSTRACT

Software estimation is a crucial task in software engineering. Software estimation encompasses cost, effort, schedule, and size. The importance of software estimation becomes critical in the early stages of the software life cycle when the details of software have not been revealed yet. Several commercial and non-commercial tools exist to estimate software in the early stages. Most software effort estimation methods require software size as one of the important metric inputs and consequently, software size estimation in the early stages becomes essential. One of the approaches that has been used for about two decades in the early size and effort estimation is called use case points. Use case points method relies on the use case diagram to estimate the size and effort of software projects. Although the use case points method has been widely used, it has some limitations that might adversely affect the accuracy of estimation. This paper presents some techniques using fuzzy logic and neural networks to improve the accuracy of the use case points method. Results showed that an improvement up to 22% can be obtained using the proposed approach.

研究动机与目标

• 为解决传统用例点（UCP）方法在早期软件工作量估算中的局限性，特别是其因固定权重方案导致的准确率低下问题。
• 将软计算技术——模糊逻辑与神经网络——整合到UCP框架中，以更好地处理复杂性评估中的不确定性和主观性。
• 在软件生命周期早期阶段，提升软件工作量与规模的估算能力，此时详细需求尚未明确。
• 通过基于历史项目数据与专家判断的动态调整复杂性权重，减少估算误差。
• 利用真实项目的经验数据，将所提出的混合方法与原始UCP方法进行对比验证。

提出的方法

• 应用模糊逻辑来建模用例与参与者复杂性的主观特性，使用语言变量与隶属函数表示低、中、高复杂性等级。
• 利用历史软件项目数据训练神经网络，以学习用例与参与者复杂性因素的最优权重，替代原始UCP方法中的固定默认值。
• 混合模型结合模糊逻辑的规则化复杂性分类与神经网络的自适应权重学习，提升估算的鲁棒性。
• 系统采用两阶段流程：首先，模糊逻辑将用例与参与者分类为复杂性等级；其次，神经网络基于训练数据优化权重。
• 最终工作量估算使用改进后的UCP公式，采用动态学习的权重而非静态权重。
• 使用真实软件项目数据集对模型进行验证，将估算准确率与原始UCP方法及其他基线方法进行比较。

实验结果

研究问题

• RQ1 模糊逻辑能否有效建模在早期软件估算中对用例与参与者复杂性赋值的主观性？
• RQ2 神经网络在基于历史数据学习最优复杂性权重方面，能在多大程度上提升UCP工作量估算的准确性？
• RQ3 将模糊逻辑与神经网络整合到UCP方法中，是否能带来估算准确性的统计显著提升？
• RQ4 与原始UCP方法相比，所提出的混合方法在平均绝对百分比误差（MAPE）方面表现如何？
• RQ5 所增强的UCP模型能否在不同类型的软件项目和规模中实现泛化？

主要发现

• 所提出的混合方法相比传统用例点方法，估算准确率最高提升22%。
• 模糊逻辑的整合通过结构化隶属函数建模语言评估，显著降低了复杂性分类的主观性。
• 神经网络成功学习到复杂性因素的最优权重，优于原始UCP模型中的默认固定权重。
• 增强方法在不同项目类型中表现出一致的性能，显示出良好的鲁棒性与泛化能力。
• 结果表明平均绝对百分比误差（MAPE）显著降低，证实了软计算技术在提升早期估算效果方面的有效性。
• 本研究证实，结合模糊逻辑与神经网络能有效解决UCP方法在早期软件工作量估算中的关键局限性。