arXiv 1703.045632017-03-11cs.SE

一种优化的基于类比的项目工作量估算方法

An Optimized Analogy-Based Project Effort Estimation

Mohammad Azzeh, Yousef Elsheikh, Marwan Alseid

摘要：

尽管基于类比的估计（ABE）在产生更好的努力估计的预测性能，有没有共识，如何预测最佳数量的类比，以及调整技术产生更好的估计。本文提出了一种新的调整ABE模型的基础上优化和近似复杂的特征之间的关系，并反映在最终估计的近似。结果表明，ABE的预测性能得到了明显的改善，并且每个测试项目的类比数都有显著的变化。

英文摘要：

Despite the predictive performance of Analogy-Based Estimation (ABE) in generating better effort estimates, there is no consensus on how to predict the best number of analogies, and which adjustment technique produces better estimates. This paper proposes a new adjusted ABE model based on optimizing and approximating complex relationships between features and reflects that approximation on the final estimate. The results show that the predictive performance of ABE has noticeably been improved, and the number of analogies was remarkably variable for each test project.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

数据集质量评估：基于类比的工作量估计的扩展

Dataset Quality Assessment: An extension for analogy based effort estimation

类比估算（EBA）是软件工程领域中一种日益活跃的研究方法。该方法的基本假设是，属性值方面的相似项目在努力值方面也将相似。众所周知，软件数据集的质量对这种方法的可靠性和准确性有相当大的影响。因此，如果软件数据集不满足上述假设，那么它对于EBA方法不是很有用。本文提出了一种新的方法，基于肯德尔的行秩相关，使数据质量的评估，并提供了一个数据预处理阶段的EBA。该方法为数据质量评价过程提供了良好的统计基础和依据。与Analogy-X不同，我们的方法能够单独处理分类属性，而无需对数据集进行分区。实验结果表明，该方法可以形成一个有用的扩展EBA，因为它使：数据集质量评估，属性选择和识别异常观测。

2017-03-11cs.SE

基于类比的努力估计的集合调整方法的经验评估

An empirical evaluation of ensemble adjustment methods for analogy-based effort estimation

目的：本文探讨集成学习的潜力，用于调整方法的变种，基于类比的努力估计。k的类比被使用的数量也进行了研究。方法我们进行了一个大规模的比较研究，其中许多合奏构造n出40个可能的有效的调整方法的变体被应用到8个数据集。基于标准化准确度和效应量评价每种方法的性能。结果如下：结果进行了统计显著性检验，并显示出合理的显着改善的预测性能，集成方法的应用。结论：我们的结论表明，集成的调整方法可以很好地工作，并取得良好的性能，即使他们并不总是优于单一的方法。我们还建议仅使用线性调整方法构建集成，因为它们表现出更好的性能，并且经常排名较高。

2017-03-11cs.SE

基于模糊类比的异构数据集软件成本分析工作量估计

Estimation of Effort in Software Cost Analysis for Heterogenous Dataset using Fuzzy Analogy

软件工程社区的一个重要目标是使用有效和有用的模型来精确计算软件成本估算中的工作量。现有的技术不能有效地处理具有分类变量的数据集，包括常用的类比方法。此外，成本估算的项目属性是用语言值来衡量的，语言值的不精确导致了解释过程中的混乱和模糊。如果不采用经典的区间和数值方法，就没有一组确定的模型可以有效地处理含有分类变量的数据集，并且能够克服不精确和不确定性等主要障碍。本文提出了一种基于模糊逻辑、语言量词和类比推理的工作量估计方法，以提高处理数值和分类数据的软件项目的工作量估计性能。该方法的性能表明，有一个现实的验证结果，同时使用历史异构数据集。结果表明，该方法比目前流行的方法具有更好的可解释性。

2012-11-06cs.SE

基于类比的工作量估计：从数据集特征中发现类比集的新方法

Analogy-based effort estimation: a new method to discover set of analogies from dataset characteristics

基于类比的工作量估计（ABE）是软件工作量估计的有效方法之一，因为它具有出色的性能和处理噪声数据集的能力。传统的ABE模型通常对数据集中的所有项目使用相同数量的类比，以便进行良好的估计。作者的主张是，使用相同数量的类比可能会为整个数据集产生整体最佳性能，但不一定是每个项目的最佳性能。因此，需要更好地理解数据集的特征，以便为每个项目发现最佳的类比集，而不是使用静态的k个最近的项目。方法：我们提出了一种新的技术的基础上二分法k-medoids聚类算法，提出了最好的一套类比每个单独的项目之前，作出预测。结果与结论：使用二分法，可以更好地理解数据集的特征，并自动为每个测试项目找到最佳的类比集。所提出的估计方法的性能数字是有前途的，优于其他规则ABE模型

2017-03-11cs.SE

基于机器学习技术的软件工作量估计的经典模糊方法

A Classical Fuzzy Approach for Software Effort Estimation on Machine Learning Technique

软件成本估算的可靠性，生产力和开发工作是一个具有挑战性和繁重的任务。这激发了软件社区提供急需的推力，并深入研究软件工作量估计，以发展复杂的方法。类比估算是软件工作量估算领域的一种有效方法。然而，用于通过类比来估计软件工作量的方法无法以明确和精确的方式处理分类数据。本文提出了一种新的方法来估计软件工作量的项目表示的分类或数值数据，使用类比推理和模糊方法。现有的历史数据集，用模糊逻辑分析，产生准确的结果相比，数据集分析与早期的方法。

2011-12-16cs.SE

基于模型树的软件工作量类比估算自适应策略

Model tree based adaption strategy for software effort estimation by analogy

背景：自适应技术是基于类比的估计的一个关键任务。目前的自适应技术通常使用线性大小或线性相似性调整机制，这通常不适合具有复杂结构和许多分类属性的数据集。此外，使用非线性自适应技术，如神经网络和遗传算法，需要许多用户交互和参数优化配置它们（如网络模型，神经元数量，激活函数，训练函数，变异，选择，交叉，.等）。目的：针对上述问题，本文提出了一种新的自适应策略，利用基于模型树的属性距离，通过类比调整估计，得到新的估计。模型树在处理分类属性、减少用户交互和通过分类提高模型学习效率方面具有优势。方法：七个众所周知的数据集已被用于3倍交叉验证，以经验验证所提出的方法。所提出的方法已经研究了使用各种K类比从1到3。结果如下：实验结果表明，与基于类比估计的线性尺寸自适应、线性相似性自适应、“回归均值”和空值自适应相比，该方法具有更好的效果。结论：模型树可以形成一个有用的扩展估计类比，特别是对复杂的数据集，大量的分类属性。

2017-03-11cs.SE

更多相关论文收起更多论文

基于优化模糊逻辑的软件开发工作量估算框架

Optimized Fuzzy Logic Based Framework for Effort Estimation in Software Development

在项目开发的早期阶段进行软件工作量估算，对于满足当今世界的竞争需求具有重要意义。努力估计的准确性、可靠性和精确性是十分可取的。算法模型（如建设性成本模型（COCOMO））的输入中存在的固有不精确性会导致输出中的不精确性，从而导致错误的工作量估计。基于模糊逻辑的成本估计模型本质上适合于解决输入中的模糊性和不精确性，以进行可靠和准确的工作估计。在本文中，我们提出了一个优化的模糊逻辑为基础的软件开发工作量预测框架。所述框架容忍不精确性，结合专家知识，通过规则解释预测原理，在预测系统中提供透明度，并且可以随着新数据的可用性而适应不断变化的环境。传统的成本估算模型COCOMO在拟议的研究中扩展，将未来的概念纳入规模的测量，项目的发展模式和成本驱动因素有助于整体发展努力。

2010-04-19cs.SE

通过萤火虫算法优化提升基于类比的软件努力估计

Enhancing Analogy-Based Software Effort Estimation with Firefly Algorithm Optimization

Jawaharlal Nehru Technological University - Gurajada Vizianagaram（纳尔瓦拉技术大学-古拉贾达维扎纳格拉姆）；Department of Computer Science and Engineering, Indian Institute of Technology Patna（印度理工学院帕纳分校计算机科学与工程系）；Department of Information Technology, Jawaharlal Nehru Technological University – Gurajada Vizianagaram（纳尔瓦拉技术大学-古拉贾达维扎纳格拉姆信息科技系）

本研究提出一种结合萤火虫算法与基于类比的估计方法，以提高软件努力估计的准确性。

2025-11-29cs.AIcs.LGcs.NE

语言变量在软件成本估算中的模糊类比优化

Optimization of fuzzy analogy in software cost estimation using linguistic variables

软件工程社区最重要的目标之一是增加有用的模型，这些模型有助于解释生存周期的发展，并精确计算软件成本估算的工作量。在类比概念中，虽然有无数的方法来估计成本，但在处理包含分类变量的数据集时存在不足。由于软件工程领域的性质，通常项目属性通常用诸如非常低、低、高和非常高的语言值来度量。这种价值的不精确性表现在其解释的不确定性和复杂性。然而，没有一种有效的方法可以直接处理分类变量，并容忍这种不精确性和不确定性，而不采取经典的区间和数值方法。本文提出了一种基于模糊逻辑、语言量词和类比推理的优化方法，以提高软件项目中数值或分类数据描述的性能。该方法的性能证明了基于历史NASA数据集的实用性验证。结果表明，该方法比其他机器学习方法具有更好的可解释性。

2012-09-12cs.SE

基于优化模型树的软件工作量估算

Software effort estimation based on optimized model tree

背景：软件工作量估计是一个回归问题，这一点已被广泛认识。模型树（Model Tree，MT）是一种基于机器学习的回归技术，可用于软件工作量估计，但与其他机器学习算法一样，MT具有较大的配置空间，需要仔细设置其参数。这些参数的选择取决于数据集，因此没有一般的指导方针可以管理这个过程，这形成了这项工作的动机。目的：本研究探讨了使用最新的优化算法Bees算法来指定适合数据集的MT参数的最佳选择，从而提高预测精度的效果。方法：采用基于Bees算法的最优参数MT方法构建软件工作量估算模型。该模型已验证了8个数据集来自两个主要来源：PROMISE和ISBSG。此外，我们还使用3倍交叉验证来实证评估不同估计模型的预测精度。作为基准，结果也比较与逐步回归基于案例的推理和多层感知器。结果如下：从MT和蜜蜂算法的组合得到的结果是令人鼓舞的，优于其他知名的估计方法应用于就业的数据集。它们也足够有趣，可以表明MT在适用于工作量估计的技术中的有效性。结论：蜜蜂算法的使用使我们能够自动找到构建适合每个数据集的努力估计模型所需的最佳MT参数。它还提供了一个显着的提高预测精度。

2017-03-13cs.SE

为什么软件工作量评估需要SBSE

Why Software Effort Estimation Needs SBSE

工业实践者现在面临着一系列令人困惑的可能配置，用于工作量估计。如何为特定的数据集选择最好的一个？介绍了一种基于差分进化算法的工作量估计配置工具OIL（optimized learning）。当在945个软件项目上进行测试时，OIL在探索了几个配置（只有几十个）之后，显著改善了工作量估计。进一步OIL的结果远远优于广泛使用的两种方法：用途：通过类比估计和最近由Whigham等人在TOSEM'15上发表的最先进的基线。考虑到这种方法的计算成本如此之低，并且观察到的改进如此之大，我们得出结论，SBSE应该是软件工作量估计的标准组成部分。

2018-04-02cs.SE

Pareto有效的多目标优化局部调整类比估计

Pareto Efficient Multi Objective Optimization for Local Tuning of Analogy Based Estimation

Applied Science University（应用科学大学）；University of Sharjah（沙迦大学）；University of Detroit Mercy（底特律梅西大学）

基于类比的工作量估算（ABE）是软件工作量估算的重要方法之一. ABE的基本概念更接近于专家评估的心态，但具有一个自动化的过程，其中通过重用类似的历史项目来生成最终评估。使用ABE时的主要关键问题是如何适应检索到的最近邻的努力。自适应过程是ABE的一个重要组成部分，可以使用一些自适应策略，基于调整所选择的原始解决方案来生成更成功的准确估计。在这项研究中，我们发现有三个相互关联的决策变量对自适应方法的成功有很大的影响：（1）最近的类比数（k），（2）适应所需的最佳特征集，（3）适应权重。为了找到关于这些变量的正确决策，需要研究所有可能的组合并单独评估它们，以选择可以改善所有预测评估措施的组合。现有的评价措施通常表现不同，有时在评价预测方法时呈现相反的趋势。这意味着改变一个决策变量可以改善一个评价指标，同时降低其他指标。因此，本研究的主题是如何找出最佳的决策变量，以改善适应策略，从而提高整体的评价措施，而不降低其他。这些决定的影响还没有被调查之前，因此，我们建议把建设的适应过程作为一个多目标优化问题。在优化多个评价指标的基础上，利用粒子群优化算法（PSO）对这些决策变量进行寻优

2016-11-29cs.AIcs.SE

工作量估计的超参数优化

Hyperparameter Optimization for Effort Estimation

软件分析在软件工程中被广泛用于许多任务，例如生成软件项目的工作量估计。软件分析的“黑魔法”之一是调整控制数据采掘算法的参数。这种超参数优化在其他软件分析领域（例如，缺陷预测和文本挖掘）中已经得到了广泛的研究，但到目前为止，还没有被广泛探索的努力估计。因此，本文寻求简单，自动化，有效和快速的方法来找到良好的自动软件工作量估计调优。我们介绍了一个超参数优化架构称为OIL（优化归纳学习）。我们使用来自945个软件项目的数据在各种超参数优化器上测试OIL。在调整之后，观察到工作量估计准确性的大幅改善（以标准化准确性衡量）。从这些结果中，我们建议使用回归树（CART）调整不同的进化结合默认的基于类比的估计。这种学习器和优化器的特殊组合通常在几个小时内实现其他优化器需要几天到几周的CPU时间才能完成的任务。这种分析的一个重要部分是它的可重复性和可反驳性。我们所有的脚本和数据都在线。希望本文将促进和使更多的研究更好的方法来调整软件工作量估计。

2019-01-31cs.SE

为深度学习系统优化努力，以驱动准确性测试输入的标注和验证：一种混合整数线性规划方法

Effort-Optimized, Accuracy-Driven Labelling and Validation of Test Inputs for DL Systems: A Mixed-Integer Linear Programming Approach

University of Ottawa（渥太华大学）

本文提出OPAL方法，通过混合整数线性规划在最小化人工努力的同时实现高准确性测试输入的标注和验证，实验表明其在准确率和效率上均优于现有方法。

2026-03-30cs.CVcs.SE

为敏捷工作量估算提供足够的文档：应该记录哪些信息？

Towards Just-Enough Documentation for Agile Effort Estimation: What Information Should Be Documented?

工作量估算是敏捷迭代开发中活动计划的一个组成部分。敏捷团队根据通常通过文档传达的可用信息来估计任务的工作量。然而，由于文档在敏捷中具有较低的优先级，因此很少有人知道如何在实现准确估计的同时优化文档工作。因此，为了帮助从业者获得足够的工作量估计文档，我们调查了从业者认为对工作量估计有用的不同类型的文档化信息。我们对25个国家的121名敏捷实践者进行了调查研究。我们的调查结果显示：（1）尽管文档在敏捷实践中的优先级较低，但98%的受访者认为文档信息在估计工作量时具有中等到极其重要的意义，（2）73%的受访者表示，当文档信息发生变化时，他们会重新估计任务，（3）功能需求，用户故事，完成定义，UI线框，验收标准，和任务依赖性被列为最有用的类型的文件化信息的努力估计。然而，许多答复者报告说，这些有用的记录信息有时会发生变化或丢失。基于我们的研究结果，我们为敏捷实践者提供了关于如何通过专注于足够的文档来改进工作量估计的建议。

2021-07-06cs.SE

软件工作量估计的阴性结果

Negative Results for Software Effort Estimation

背景：超过一半的软件工作量估算（SEE）的文献都集中在新估算方法的比较上。令人惊讶的是，没有研究将最先进的方法与几十年前的方法进行比较。目的：检查新的SEE方法是否比旧方法产生更好的估计值。方法：首先，收集从“经典”COCOMO（对预定属性集的参数估计）到“现代”（通过使用基于谱的聚类加上实例和特征选择的类比推理，以及最近在ACM Transactions on软件工程中提出的“基线方法”）。其次，对导致后COCOMO估计方法发展的异议列表进行编目。第三，第四，使用四个COCOMO风格的数据集，（从1991年，2000年，2005年，2010年），并运行这些比较实验。使用Scott-Knott程序比较不同估计量的性能，使用（i）A12效应量排除“小”差异，（ii）99%置信bootstrap程序，以检查统计学上不同的治疗分组）。结果如下：本文的主要负面结果是，对于COCOMO数据集，我们所研究的没有比Boehm的原始程序更好。结论：当COCOMO风格的属性可用时，我们强烈建议（i）使用该数据和（ii）使用COCOMO生成预测。我们这样说是因为本文的实验表明，至少对于努力估计，数据是如何收集的比什么学习者应用于该数据更重要。

2016-09-29cs.SE

SE3M：一种基于预训练嵌入模型的软件工作量估计模型

SE3M: A Model for Software Effort Estimation Using Pre-trained Embedding Models

UTFPR - Federal University of Technology Paraná（巴拉那联邦理工大学）；UFPR - Federal University of Paraná（巴拉那联邦大学）

基于需求文本的工作量估计面临着许多挑战，特别是在获得可行的功能来推断工作量方面。为了探索一种更有效的技术来表示文本需求，以通过类比来推断工作量估计，本文提出了评估预训练嵌入模型的有效性。为此，使用两种嵌入方法，无上下文和上下文化模型。两种方法的通用预训练模型都经历了微调过程。生成的模型用作应用深度学习架构的输入，具有线性输出。结果是非常有希望的，意识到预先训练的合并模型可以用于仅基于需求文本来估计软件工作量。我们强调了在单个项目存储库中应用预训练的BERT模型并进行微调所获得的结果，其值为平均绝对误差（MAE）为4.25，标准差仅为0.17，与类似作品相比，这是一个非常积极的结果。所提出的估计方法的主要优点是可靠性，泛化的可能性，速度和低计算成本提供的微调过程，并推断新的或现有的要求的可能性。

2020-06-30cs.CLcs.LGcs.SE