[论文解读] 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 3

一句话总结

本文提出多表达式编程（MEP），一种线性遗传编程变体，通过从基准数据集演化数学表达式来改进软件工作量估算。结果表明，MEP在六个数据集上均优于传统遗传编程，使用多种适应度函数实现了更准确且更稳定的估算结果。

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.

研究动机与目标

• 为解决软件工程项目中持续存在的软件工作量估算不准确问题。
• 评估多表达式编程（MEP）作为估算软件开发工作量的新方法的有效性。
• 比较MEP在多种适应度函数下与传统遗传编程（GP）的性能表现。
• 在源自历史软件项目的实际基准数据集上验证该方法。
• 识别MEP生成的最有效的函数形式，用于工作量估算任务。

提出的方法

• MEP用于演化编码多个数学表达式的线性染色体。
• MEP中的每个染色体代表一组由项目属性派生的候选工作量估算函数。
• 适应度评估使用均值绝对误差（MAE）和均方误差（MSE）等误差度量来引导演化过程。
• 算法通过选择、交叉和变异算子在多代中演化种群，以优化估算准确性。
• 测试多种适应度函数，以评估在不同数据集上的鲁棒性和泛化能力。
• 使用先前软件项目的基准数据集对演化模型进行训练和测试。

实验结果

研究问题

• RQ1 MEP能否生成比传统GP更准确的软件工作量估算函数？
• RQ2 MEP在不同适应度函数下估算软件工作量的表现如何？
• RQ3 MEP是否在多样化软件项目基准数据集上持续优于GP？
• RQ4 MEP发现的哪些数学表达式在工作量估算中最为有效？
• RQ5 与GP相比，MEP在多个数据集上的估算是否更具稳定性和可靠性？

主要发现

• 在六个基准数据集上，MEP在估算准确性方面显著优于标准遗传编程。
• 在所有测试数据集上，MEP的均值绝对误差（MAE）和均方误差（MSE）值均低于GP。
• 在MEP中使用多种适应度函数增强了演化估算模型的鲁棒性和泛化能力。
• MEP成功发现了与历史项目实际工作量值高度匹配的有效数学表达式。
• 在演化过程中，MEP表现出优于GP的优越稳定性和收敛行为。
• 结果证实，MEP是软件工作量估算任务中GP的有前景替代方案。