Hybrid binary whale optimization algorithm based on taper shaped transfer function for software defect prediction

• Autorzy: Alnaish Zakaria A. Hamed , Hasoon Safwan O.

Identyfikatory

DOI

10.35784/iapgos.4569

Warianty tytułu

PL

Hybrydowy, binarny algorytm WOA oparty na transmitancji stożkowej do prognozowania defektów oprogramowania

• Języki publikacji: EN

Abstrakty

EN

Reliability is one of the key factors used to gauge software quality. Software defect prediction (SDP) is one of the most important factors which affectsmeasuring software's reliability. Additionally, the high dimensionality of the features has a direct effect on the accuracy of SDP models.The objective of this paper is to propose a hybrid binary whale optimization algorithm (BWOA) based on taper-shape transfer functions for solving feature selection problems and dimension reduction with a KNN classifier as a new software defect prediction method. In this paper, the values of a real vector that representsthe individual encoding have been converted to binary vector by using the four types of Taper-shaped transfer functionsto enhance the performance of BWOA to reduce the dimension of the search space. The performance of the suggestedmethod (T-BWOA-KNN)was evaluatedusing eleven standard software defect prediction datasets from the PROMISE and NASA repositories depending on the K-Nearest Neighbor (KNN) classifier. Seven evaluation metrics have been used to assess the effectiveness of the suggested method. The experimental results have shownthat the performanceof T-BWOA-KNNproduced promising results compared to other methods including ten methods from the literature, four typesof T-BWOAwith the KNN classifier. In addition, the obtained results are compared and analyzed with other methods from the literature in termsof the average numberof selected features (SF) and accuracy rate (ACC) using the Kendall W test. In this paper, a new hybrid software defect prediction methodcalledT-BWOA-KNNhas been proposed which is concerned with the feature selection problem. The experimental results have provedthatT-BWOA-KNN produced promising performance compared with other methods for most datasets.

PL

Niezawodność jest jednym z kluczowych czynników stosowanych do oceny jakości oprogramowania.Przewidywanie defektów oprogramowania SDP (ang. Software Defect Prediction) jest jednym z najważniejszych czynników wpływających na pomiar niezawodności oprogramowania. Dodatkowo, wysoka wymiarowość cech ma bezpośredni wpływ na dokładność modeli SDP.Celemartykułu jest zaproponowanie hybrydowego algorytmu optymalizacji BWOA (ang. Binary Whale Optimization Algorithm) w oparciu o transmitancję stożkową do rozwiązywania problemów selekcji cech i redukcji wymiarów za pomocą klasyfikatora KNN jako nowej metody przewidywania defektów oprogramowania.W artykule, wartości wektora rzeczywistego, reprezentującego indywidualne kodowanie zostały przekonwertowane na wektor binarny przy użyciu czterech typów funkcji transferu w kształcie stożka w celu zwiększenia wydajności BWOA i zmniejszenia wymiaru przestrzeni poszukiwań.Wydajność sugerowanej metody (T-BWOA-KNN) oceniano przy użyciu jedenastu standardowych zestawów danych do przewidywania defektów oprogramowania z repozytoriów PROMISE i NASA w zależności od klasyfikatora KNN. Do oceny skuteczności sugerowanej metody wykorzystano siedemwskaźników ewaluacyjnych. Wyniki eksperymentów wykazały, że działanie rozwiązania T-BWOA-KNN pozwoliło uzyskaćobiecujące wyniki w porównaniu z innymi metodami, w tym dziesięcioma metodami na podstawie literatury, czterema typami T-BWOA z klasyfikatorem KNN. Dodatkowo, otrzymane wyniki zostały porównanei przeanalizowane innymi metodami z literatury pod kątem średniej liczby wybranych cech (SF) i współczynnika dokładności (ACC), z wykorzystaniem testu W.Kendalla. W pracy, zaproponowano nową hybrydową metodę przewidywania defektów oprogramowania, nazwaną T-BWOA-KNN, która dotyczy problemu wyboru cech. Wyniki eksperymentów wykazały, że w przypadku większości zbiorów danych T-BWOA-KNN uzyskała obiecującą wydajnośćw porównaniu z innymi metodami.

Słowa kluczowe

EN

feature selection; binary whale optimization algorithm; taper-shaped transfer function; software defect prediction

PL

wybór cech; algorytm optymalizacji binarnej; transmitancja stożkowa; przewidywanie defektów oprogramowania

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska
• Rocznik: 2023
• Tom: T. 13, nr 4
• Strony: 85--92
• Opis fizyczny: Bibliogr. 30 poz., tab., wykr.

Twórcy

autor

Alnaish Zakaria A. Hamed

• University of Mosul, College of Science, Mosul, Iraq
• University of Mosul, College of Computer Science and Mathematics, Mosul, Iraq

• https://orcid.org/0000-0002-7597-5326

autor

Hasoon Safwan O.

• University of Mosul, College of Computer Science and Mathematics, Mosul, Iraq

• https://orcid.org/0000-0002-3653-3568

Bibliografia

• [1] Adamu A. et al.: An hybrid particle swarm optimization with crow search algorithm for feature selection. Machine Learning with Applications 6, 2021, 100108.
• [2] Al Qasem O., Akour M.: Software fault prediction using deep learning algorithms. International Journal of Open Source Software and Processes (IJOSSP) 10(4), 2019, 1–19.
• [3] Balogun A. O. et al.: Performance analysis of feature selection methods in software defect prediction: a search method approach. Applied Sciences 9(13), 2019, 2764.
• [4] Balogun A. O. et al.: Rank aggregation-based multi-filter feature selection method for software defect prediction. Advances in Cyber Security: Second International Conference – ACeS 2020, 2021.
• [5] Balogun A. O. et al.: Software defect prediction using wrapper feature selection based on dynamic re-ranking strategy. Symmetry 13(11), 2021, 2166.
• [6] Balogun A. O. et al.: An adaptive rank aggregation-based ensemble multi-filter feature selection method in software defect prediction. Entropy 23(10), 2021, 1274.
• [7] De Souza R. C. T. et al.: A V-shaped binary crow search algorithm for feature selection. IEEE Congress on Evolutionary Computation – CEC, 2018.
• [8] Fan G. et al.: Software defect prediction via attention-based recurrent neural network. Scientific Programming 2019, 6230953.
• [9] Gad A. G. et al.: An improved binary sparrow search algorithm for feature selection in data classification. Neural Computing and Applications 34(18), 2022, 15705–15752.
• [10] Hamed A. et al.: Algamal, Improving binary crow search algorithm for feature selection. Journal of Intelligent Systems 32(1), 2023, 20220228.
• [11] Hassouneh Y. et al.: Boosted whale optimization algorithm with natural selection operators for software fault prediction. IEEE Access 9, 2021, 14239–14258.
• [12] He Y. et al.: Novel binary differential evolution algorithm based on Taper-shaped transfer functions for binary optimization problems. Swarm and Evolutionary Computation 69, 2022, 101022.
• [13] Hossin M., Sulaiman M. N.: A review on evaluation metrics for data classify-cation evaluations. International journal of data mining & knowledge management process 5(2), 2015.
• [14] Hussien A. G. et al.: Binary whale optimization algorithm for dimensionality reduction. Mathematics 8(10), 2020, 1821.
• [15] Hussien A. G. et al.: S-shaped binary whale optimization algorithm for feature selection. Recent Trends in Signal and Image Processing: ISSIP 2017.
• [16] Iqbal A., Aftab S.: A Classification Framework for Software Defect Prediction Using Multi-filter Feature Selection Technique and MLP. International Journal of Modern Education & Computer Science 12(1), 2020.
• [17] Jureczko M., Madeyski L.: Towards identifying software project clusters with regard to defect prediction. Proceedings of the 6th international conference on predictive models in software engineering. 2010.
• [18] Landis J. R., Koch G. G.: The measurement of observer agreement for categorical data biometrics 1977, 159–174.
• [19] Legendre P.: Species associations: the Kendall coefficient of concordance revisited. Journal of agricultural, biological, and environmental statistics 10, 2005, 226–245.
• [20] Mirjalili S., Lewis A.: The whale optimization algorithm. Advances in engineering software 95, 2016, 51–67.
• [21] Rathore S. S., Kumar S.: A decision tree logic based recommendation system to select software fault prediction techniques. Computing 99, 2017, 255–285.
• [22] Shepperd M. et al.: Data quality: Some comments on the nasa software defect datasets. IEEE Transactions on software engineering 39(9), 2013, 1208–1215.
• [23] Shepperd M. et al.: Nasa mdp software defects data sets. Figshare Collection, 2018.
• [24] Tohka J., Van Gils M.: Evaluation of machine learning algorithms for health and wellness applications: A tutorial. Computers in Biology and Medicine 132, 2021, 104324.
• [25] Tumar I. et al.: Enhanced binary moth flame optimization as a feature selection algorithm to predict software fault prediction. IEEE Access 8, 2020, 8041–8055.
• [26] Turabieh H., Mafarja M., Li X.: Iterated feature selection algorithms with layered recurrent neural network for software fault prediction. Expert systems with applications 122, 2019, 27–42.
• [27] Witten I. H., Frank E., Hall M. A.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers Inc. 2011.
• [28] Xu Z. et al.: Software defect prediction based on kernel PCA and weighted extreme learning machine. Information and Software Technology 106, 2019, 182–200.
• [29] Zhou T. et al.: Improving defect prediction with deep forest. Information and Software Technology 114, 2019, 204–216.
• [30] Zhu K. et al.: Software defect prediction based on enhanced metaheuristic feature selection optimization and a hybrid deep neural network. Journal of Systems and Software 180, 2021, 111026.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).