在全球软件开发中提高努力估计,使用神经模糊逻辑和深度学习神经网络 (NFDLNN) 的独特组合
Manoj Ray Devadas1, Philip Samuel1
1Department of Computer Science, Cochin University of Science and Technology, Kochi, India.
Network (Bristol, England)
|July 22, 2024
概括
这项研究引入了一种新的神经模糊逻辑和深度学习神经网络 (NFDLNN) 模型,通过子算法增强,用于准确的软件成本估计. 在全球软件开发中,NFDLNN模型显著改善了项目规划和决策.
科学领域:
- 软件工程 软件工程 软件工程
- 人工智能的人工智能
- 项目管理 项目管理
背景情况:
- 准确的软件成本和努力估计对于全球软件开发中有效的项目规划至关重要.
- 传统方法通常仅依赖于软件大小,忽视了项目复杂性和团队专业知识等关键变量.
- 越来越多地依赖于多元化的全球团队,需要先进的估计技术.
研究的目的:
- 开发和验证用于精确软件成本估计的先进模型.
- 整合人工智能技术,以提高估计的准确性和趋同性.
- 加强全球软件开发项目的决策过程.
主要方法:
- 提出了一个新的神经模糊逻辑和深度学习神经网络 (NFDLNN) 模型.
- 采用子优化算法来提高模型的准确性和融合.
- 使用工业项目数据和功能点分析 (FPA) 作为基准验证了模型.
主要成果:
- NFDLNN模型在软件成本近似计算方面表现出高准确度.
- 与现有的估计方法相比,实现了更高的性能.
- 关键性能见解包括平均相对误差 (MRE) 为3.33%,平衡相对误差 (BRE) 为0.13%,预测间隔 (PI) 为74.48%.
结论:
- 开发的NFDLNN模型在软件成本估计准确性方面取得了重大进展.
- 这些发现支持在全球软件开发中改进项目规划,资源配置和战略决策.
- 这项研究有助于更可靠,更有效的软件项目管理实践.
关键词:
人工神经网络 (ANN) 是一个人工神经网络.人工神经网络和龙算法 (ANN-DA)级联神经网络 (CNN) 是一种神经网络.全球软件开发 (GSD)代码行 (LOC) 的代码麦凯布的复杂性 (MC)神经模糊的算法 (NFA)软件项目管理 (SPM)
