Software reliability prediction plays a very important role in the analysis of software quality and balance of software cost. The data during software lifecycle is used to analyze and predict software reliability. However, predicting the variability of software reliability with time is very difficult. Recently, support vector regression (SVR) has been widely applied to solve nonlinear predicting problems in many fields and has obtained good performance in many situations; however it is still difficult to optimize SVR's parameters. Previously, some optimization algorithms have been used to find better parameters of SVR, but these existing algorithms usually are not fully satisfactory. In this paper, we first improve estimation of distribution algorithms (EDA) in order to maintain the diversity of the population, and then a hybrid improved estimation of distribution algorithms (IEDA) and SVR model, called IEDA-SVR model, is proposed. IEDA is used to optimize parameters of SVR, and IEDA-SVR model is used to predict software reliability. We compare IEDA-SVR model with other software reliability models using real software failure datasets. The experimental results show that the IEDA-SVR model has better prediction performance than the other models

چکیده

پیش بینی قابلیت اطمینان نرم افزار نقش بسیار مهمی در تجزیه و تحلیل کیفیت نرم افزار و تعادل هزینه نرم افزار بازی می کند. داده ها در طول چرخه حیات نرم افزار برای تجزیه و تحلیل و پیش بینی قابلیت اطمینان نرم افزار استفاده می شود. با این حال، پیش بینی پذیری قابلیت اطمینان نرم افزار با گذشت زمان بسیار دشوار است. به تازگی، رگرسیون بردار پشتیبان (SVR) به طور گسترده ای برای حل مشکلات پیش بینی غیر خطی در بسیاری از زمینه های کاربردی به کار رفته است و دارای عملکرد خوب در بسیاری از زمینه ها بوده است. با این حال هنوز بهینه سازی پارامترهای SSR مشکل است. پیش از این، برخی از الگوریتم های بهینه سازی برای پیدا کردن پارامترهای بهتر از SVR استفاده شده است، اما این الگوریتم  های موجود به طور کامل رضایت بخش نیست. در این مقاله، ما برای اولین بار برآورد الگوریتم های توزیع شده (EDA)  را به منظور حفظ تنوع جمعیت بهبود داده ایم، و پس از آن الگوریتم توزیع شده (IEDA) و مدل SVR، را ترکیب کرده ایم که مدل IEDA-SVR نامیده می شود،. IEDA برای بهینه سازی پارامترهای SVR، استفاده شده است و مدل IEDA-SVR برای پیش بینی نرم افزار قابلیت اطمینان استفاده می شود. ما مدل IEDA-SVR  را با دیگر مدل های قابلیت اطمینان نرم افزار با استفاده از مجموعه داده  شکست نرم افزار واقعی مقایسه کرده ایم. نتایج تجربی نشان می دهد که مدل IEDA-SVR عملکرد پیش بینی بهتری از سایر مدل ها دارند.

1-مقدمه

قابلیت اطمینان توانایی سیستم نرم افزار برای اجرا تحت شرایط اعلام نیاز برای یک دوره مشخص زمانی است، و آن یک ویژگی ذاتی بسیار مهم در مفهوم کیفیت نرم افزار است. ان به نقص و خطا متصل شده است. هر چه خطا بیشتر و بیشتر باشد، قابلیت اطمینان نرم افزار کاهش می یابد. قابلیت اطمینان نرم افزار به طور کلی با زمان تغییر  می کند، و این تغییرات را می توان به عنوان یک فرایند سری زمانی در نظر گرفت...