Comparing Soft Computing Techniques For Early Stage Software Development Effort Estimations
准确估计软件的规模、成本、工作量和进度可能是软件开发人员今天面临的最大挑战。它对软件开发的管理有着重大的影响，因为高估和低估都对软件公司造成损害有直接的影响。多年来，各种研究人员提出了许多模型来进行努力估计。另外，一些关于早期阶段努力估计的研究表明了早期估计的重要性。新的范例提供了替代方案来估计软件开发工作，特别是计算智能（CI），利用人类和过程领域知识之间的交互机制，旨在构建智能系统（IS）。在信息系统中，人工神经网络和模糊逻辑是两种最流行的软件开发工作量估计的软计算技术。在本文中，神经网络模型和Mamdani FIS模型已被用来预测早期阶段的努力估计使用的学生数据集。已经发现，与基于神经网络模型的模型相比，Mamdani FIS能够更有效地预测早期阶段的努力。
2012-04-28 cs.SE
Analyzing the Non-Functional Requirements in the Desharnais Dataset for Software Effort Estimation
研究系统的质量需求（也称为非功能需求（NFR））在需求工程中至关重要。许多软件项目的失败是因为在软件生命周期开发周期中忽略或未能纳入NFR。基于Desharnais数据集，分析了质量需求属性在软件工作量估算模型中的重要性。Desharnais数据集是由加拿大软件公司开发的12个属性的81个软件项目的集合。分析包括研究每个质量需求属性的影响，以及使用回归和人工神经网络（ANN）模型计算软件工作量时所有质量需求属性的影响。本研究中使用的评价标准包括相对误差幅度的平均值（MMRE）、预测水平（PRED）、均方根误差（RMSE）、平均误差和决定系数（R2）。结果表明，在计算软件工作量时，质量属性语言是最显着的。此外，如果所有的质量需求属性在训练阶段被淘汰，软件工作量预测的基础上，软件的大小，误差（MMRE）的值是两倍。
2014-06-14 cs.SE
Software stage-effort estimation based on association rule mining and fuzzy set theory
依靠早期的工作量估计来预测所需的资源数量通常是不够的，并且可能导致低估或高估。人们普遍认为软件开发过程应该定期地进行改进，而在软件开发早期所做软件预测仍然是一种猜测。即使是良好的预测也不足以应对固有的不确定性和风险。阶段工作量估算允许项目经理重新分配正确数量的资源，重新安排项目进度，并控制项目进度，使其在预算内按时完成。在本文中，我们提出了一种方法，利用以前的努力记录来预测阶段的努力。该模型结合了模糊集理论和关联规则挖掘的概念。结果是良好的预测精度方面，并有潜力提供良好的阶段努力估计。
2017-03-13 cs.SE
Closing the Loop for Software Remodularisation -- REARRANGE: An Effort Estimation Approach for Software Clustering-based Remodularisation
通过聚类对软件进行二次开发是提高软件内部质量的一种常用方法。然而，只有开发人员遵循推荐的重构建议，软件集群的真正好处才能实现，这可能是复杂和耗时的。简单地产生聚类结果不足以实现重新建模的好处。为了让推荐的重构操作产生影响，开发人员必须坚持到底。然而，由于某些重构操作的复杂性和耗时性，这通常是一项困难的任务。
2023-03-11 cs.SE
Investigating Effort Prediction of Software Projects on the ISBSG Dataset
在过去的三十年里，已经提出了许多成本估算模型。在这项研究中，我们研究模糊ID3决策树作为软件工作量估计的方法。结合ID3决策树的原理和模糊集合论的概念，设计了模糊ID软件工作量估算模型，使该模型能够处理不确定和不精确的软件项目数据。MMRE（相对误差的平均幅度）和Pred（l）（在水平l的预测）被用作本研究的预测准确度的测量。使用ISBSG软件项目数据集进行了一系列实验。模糊树生长使用不同的模糊控制阈值。结果表明，优化模糊ID3参数可以大大提高软件成本估算的准确性。
2012-04-11 cs.SE
Software Effort Estimation using Radial Basis and Generalized Regression Neural Networks
软件开发工作量估算是软件项目管理中最重要的活动之一。已经提出了一些模型来构建软件规模和工作量之间的关系，但我们仍然有问题的努力估计。这是因为在项目初始阶段获得的项目数据往往不完整、不一致、不确定和不清楚。在软件行业中，准确的工作量估计仍然是一个挑战。人工神经网络模型更适合这种情况。本文研究了基于人工神经网络的软件工作量估算模型。这些模型的目的是提高网络的性能，适合COCOMO模型。人工神经网络模型使用径向基和广义回归。基于COCOMO 81数据库的案例研究比较了所提出的神经网络模型与中间COCOMO。采用MMRE、MARE、VARE、平均BRE和预测五种不同的评价标准对结果进行分析。据观察，径向基神经网络提供了更好的结果
2010-07-26 cs.SE
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。
2018-04-02 cs.SE
Efficient Indicators to Evaluate the Status of Software Development Effort Estimation inside the Organizations
开发工作是项目管理中不可否认的一部分，它对项目的成功有很大的影响。不准确、不可靠的工作量估算很容易导致项目失败。由于软件项目的特殊性，对软件项目的工作量进行准确的估算是一项重要的管理活动，为了避免不可预见的结果，必须认真地进行估算。然而，许多努力估计方法已被提出在这一领域中，估计的准确性是不能令人满意的，并不断尝试，以改善估计方法的性能。在这一领域进行的先前的研究主要集中在数值和定量的方法，有一些研究工作，调查背后的不准确的工作量估计的软件开发工作的根本问题和问题。在本文中，提出了一个框架来评估和调查的情况下，组织的努力估计。建议的框架包括各种指标，涵盖了软件开发工作量估计领域的关键问题。由于组织的能力和不足的努力估计是不一样的，拟议的指标可以导致有一个系统的方法，在该领域的努力估计的优势和劣势的组织被发现。
2012-09-12 cs.SE
A Neuro-Fuzzy Model with SEER-SEM for Software Effort Estimation
软件工作量估算是软件工程的重要组成部分。虽然许多技术和算法模型已经开发和实现的从业者，准确的软件工作量预测仍然是一个具有挑战性的努力。为了解决这个问题，一个新的软计算框架先前开发。我们的研究利用这个新的框架，开发了一种方法，结合神经模糊技术与系统评估和资源估计-软件估计模型（SEER-SEM）。此外，我们的研究评估所提出的模型的性能，通过设计和进行评估与已公布的工业项目数据。在分析了我们的模型的性能相比，单独的SEER-SEM努力估计模型，该模型证明了提高估计精度的能力，特别是在其能力，以减少大的平均相对误差（MRE）。此外，这项研究的结果表明，一般的神经模糊框架可以与各种算法模型，以提高软件工作量估计的性能。
2015-07-31 cs.SE
Measurement of software development effort estimation bias: Avoiding biased measures of estimation bias
在本文中，我们提出了改进如何估计偏差，例如，测量低估努力的趋势。所提议的办法强调需要知道估计数的含义，即，我们评估的估计类型，以及给定的估计类型与使用的偏差度量之间匹配的必要性。我们表明，即使完美的估计的平均努力不会导致零估计偏差的期望时，经常使用的偏见措施：（实际努力-估计的努力）/实际努力。这种措施反而会奖励低估平均努力的人。我们还提供了偏置措施，匹配的平均值和中位数的努力估计的例子，并认为，有，在一般情况下，没有实际的偏置措施的估计最有可能的努力。本文的结论与软件开发工作量估计的偏差评估的影响。
2022-03-29 cs.SE
Soft computing techniques for software effort estimation
投入到软件项目中的努力可能是近年来项目管理过程中最重要和最受分析的变量之一。算法工作量预测模型的局限性在于它们无法在早期开发阶段处理软件项目周围的不确定性和不精确性。最近，注意力已经转向各种机器学习方法，特别是软计算来预测软件开发工作。软计算是以模糊逻辑、人工神经网络和演化计算为中心的一个方法论联盟。在此必须指出，这些方法是相辅相成和协同增效的，而不是相互竞争的。它们以一种或另一种形式提供灵活的信息处理能力，用于处理现实生活中的模糊情况。这些方法目前用于可靠和准确的估计软件开发工作，这一直是一个挑战，软件行业和学术界。本研究的目的是分析现有模型中的软计算技术，并根据不同的测试数据集以及它们的优点和缺点，对行业和文献中存在的软件和项目评估技术进行深入审查
2013-10-19 cs.SE
The more Product Complexity, the more Actual Effort? An Empirical Investigation into Software Developments
[背景]软件工作量预测方法和模型通常假设软件产品复杂度和开发工作量之间存在正相关关系。然而，从我们使用COCOMO81数据集的经验中可以看到相互矛盾的观察结果，即产品复杂性和实际工作量之间的负相关性。[Aim鉴于我们对所观察到的现象是否是巧合的怀疑，本研究试图调查产品复杂性的增加是否会导致软件开发项目中的上述反直觉趋势。[方法：]将一种改进的关联规则挖掘方法应用于转换后的COCOMO81数据集。为了减少分析的噪声，该方法使用恒定的前因（复杂性增加，而工作量减少）来挖掘潜在的后果与修剪。[结果]实验分别从一般、嵌入和有机项目数据中挖掘出4条、5条和7条关联规则。挖掘规则的后果建议两个主要方面，即人的能力和产品规模，在这项研究中特别关注。[结论]复杂性与努力程度的负相关在特定条件下并非巧合。在软件项目中，产品复杂性与其他因素（如程序员能力和分析员能力）之间的相互作用不可避免地会在削弱产品复杂性对实际开发工作的实际影响方面发挥“摩擦”作用。
2015-09-28 cs.SE
Ensemble Regression Models for Software Development Effort Estimation: A Comparative Study
University of Pernambuco（伯南布哥大学）
随着对计算机软件的需求不断增加，软件的范围和复杂性变得比以往任何时候都高。软件行业确实需要对正在开发的项目进行准确的评估。软件开发工作量估算是软件项目管理的主要过程之一。然而，高估和低估都可能导致软件产业的损失。这项研究确定了哪种技术具有更好的努力预测精度，并提出了组合技术，可以提供更好的估计。基于平均绝对残差（MAR）准则和统计检验，对8种不同的集成模型进行了比较。结果表明，所提出的集成模型，除了提供高效率相比，它的同行，并产生最佳的响应软件项目的努力估计。因此，在这项研究中提出的集成模型将有助于项目经理与开发质量的软件。
2020-07-03 cs.AI cs.SE
Recent Advances in Software Effort Estimation using Machine Learning
Facultad de Matemáticas（数学学院）；Universidad Autónoma de Yucatán（尤卡坦自治大学）
越来越多的软件公司已经意识到存储项目相关数据作为训练预测模型的宝贵信息来源的重要性。这种建模为实施量身定制的策略打开了大门，以提高整个工程师团队工作量估计的准确性。在这篇文章中，我们回顾了最新的机器学习方法，用于评估非敏捷和敏捷方法的软件开发工作。我们分析了采用敏捷方法的好处，在工作量估计的可能性，如建模的编程模式和错误估计模式的个别工程师。最后，我们分析了当前和未来的趋势，通过数据驱动的预测模型进行软件工作量估计。
2023-03-06 cs.LG cs.SE
Circumstantial-Evidence-Based Judgment for Software Effort Estimation
软件工作量估算的专家判断是通过专家的经验，针对类似项目或活动的实际工作量的直接证据。然而，直接证据的可用性意味着需要合适的专家和过去的数据。本文提出的基于环境证据的判断方法，注重人类知识中积累的开发经验，通过理性推理，可以对新项目不同方案的实施努力进行定性评估。为了演示基于环境证据的判断过程，本文采用基于命题学习理论的诊断推理方法，在不同技术和环境下实现Web服务组合项目时，对不同的工作量估计进行了推断和比较。范例表明，我们提出的工作可以帮助确定项目实施前的努力权衡。总的来说，基于环境证据的判断不是专家判断的替代品，而是对专家判断的补充，以促进和改善软件工作量估计。
2013-02-09 cs.SE
Software Effort Estimation using Neuro Fuzzy Inference System: Past and Present
Delhi Technological University（德里理工大学）；Dehradun Institute of Technology（德拉敦理工学院）
项目失败的最重要原因是工作量估计不足。软件开发工作量估计需要分配适当的团队成员进行开发，分配软件开发资源，绑定等。不准确的软件估计可能会导致项目延迟，超出预算或取消项目。但是，努力估计模型不是很有效。在本文中，我们正在分析的新方法，即神经模糊推理系统（NFIS）的估计。它是一种将人工神经网络与模糊逻辑相结合的混合模型。
2019-12-26 cs.LG cs.SE
Enhancing Software Effort Estimation through Reinforcement Learning-based Project Management-Oriented Feature Selection
本研究提出基于强化学习的MARLFS特征选择算法，结合数据要素市场，有效解决了传统方法的局限性，显著提升了软件工作量估算的准确性。
2024-03-25 cs.SE
Measuring the Impact of Technical Debt on Development Effort in Software Projects
本研究针对软件项目中技术债务影响开发效率的问题，结合开源与企业项目数据实证分析技术债务带来的额外工作量及推迟偿还的长期影响，提出技术债务管理框架以助力相关人员管控其对生产力和成本的影响。
2025-02-22 cs.SE
Using Multi Expression Programming in Software Effort Estimation
估算软件系统的工作量是软件工程中的一个重要课题，可靠而准确地对软件进行估算是软件开发阶段的重要组成部分。许多研究人员利用不同的方法和技术来寻找解决这个问题的方法，这些技术包括COCOMO，SEER-SEM，SLIM等。最近，人工智能技术被用来解决这些问题，不同的研究已经发布的技术，如神经网络NN，遗传算法GA，和遗传编程GP集中。这项工作使用了GP的线性变体之一，即：多表达式编程（MEP），旨在找到最佳估计软件工作量的方程。基准数据集（基于以前的项目）用于学习和测试。结果与GP使用不同的适应度函数得到的结果进行比较。结果表明，MEP是更好地发现有效的功能，估计约6个数据集，每个数据集包括几个项目。
2018-04-30 cs.SE
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。
2019-01-31 cs.SE
Testing the Stationarity Assumption in Software Effort Estimation Datasets
软件工作量估计（SEE）模型通常是基于一个基本假设开发的，即所有数据点都与未来项目的工作量预测同等相关。软件工程过程的几个方面的动态特性可能意味着这种假设至少在某些情况下不成立。本研究采用三个核估计函数来测试平稳性假设在三个软件工程数据集已被用于构建软件工作量估计模型。核估计用于生成非均匀权重，随后用于加权线性回归建模。预测误差进行比较，从统一的模型。我们的研究结果表明，对于表现出潜在的非平稳过程的数据集，均匀模型比非均匀模型更准确。相比之下，表现出平稳过程的数据集的均匀和非均匀模型的准确性基本上是相等的。我们的研究结果也证实了先前的研究结果，努力估计模型的准确性是独立的类型的核估计函数在模型开发中使用。
2020-12-16 cs.SE
Toward an effort estimation model for software projects integrating risk
根据Standish Group International的一项研究，44%的软件项目的成本高于预期，持续时间也长于预期。工作量估计越准确，企业组织得就越好，软件项目就越尊重预算、时间和质量方面的承诺。提高工作量估计的准确性仍然是软件专业人员面临的一个持续挑战。有几个因素会影响工作量估算的准确性，即信息系统项目的非物质方面、新技术和缺乏经验回报。然而，成本和延迟增加的最重要因素是软件风险。软件风险是一个不确定的事件，对软件项目有负面影响。在这篇文章中，我们提出了一种方法来考虑风险暴露分析的努力估计模型。在文献中，这个问题是很少解决，很少的方法进行了调查。在这项研究工作中，我们首先介绍了这些方法及其局限性的概述。然后，我们提出了一个努力估计模型，提高估计的准确性，通过集成软件风险。最后，我们将此模型应用于案例研究，并将其结果与经典模型的结果进行比较。
2015-09-02 cs.SE stat.CO
A Hybrid Model for Estimating Software Project Effort from Use Case Points
早期的软件工作量估算是成功的软件项目管理的标志。建立可靠的工作量估算模型通常需要历史数据。不幸的是，由于在软件开发的早期阶段可用的信息是稀缺的，建议使用软件规模度量作为工作量估计的关键成本因素。用例点（UCP）是一个主要为面向对象项目设计的突出的规模度量。然而，目前还没有一个成熟的模型可以将UCP转化为相应的努力，因此，大多数模型都将生产力作为第二成本驱动因素。这些模型中的生产率通常是由专家猜测的，不依赖于历史数据，这使得它具有不确定性。因此，这些模型没有使用大量的历史数据进行很好的检验。在本文中，我们设计了一个混合模型，包括分类和预测阶段，使用支持向量机和径向基神经网络。所提出的模型是在从工业和学生项目中收集的大量观察结果上构建的。该模型与以前的UCP预测模型进行了比较。验证和实证结果表明，所提出的模型显着优于所有数据集上的这些模型。主要结论是：利用UCP的环境因子可以对生产力进行分类和评价。
2016-10-08 cs.SE
Development Effort Estimation in Free/Open Source Software from Activity in Version Control Systems
工作量估计模型是软件管理中的一个基本工具，用于预测与软件开发相关的资源、约束和成本。对于自由/开放源码软件（FOSS）项目，工作量估算尤其复杂：专业开发人员与偶尔的志愿开发人员一起工作，因此整体工作量（以人月计）变得非常难以确定。这项工作的目标是根据开发人员工作的历史数据，为自由和开放源码软件项目开发一个简单的工作估算模型。该模型由开发人员直接反馈，以确保其准确性。在从6个大型FOSS项目中提取了数千名开发人员的个人发展概况之后，我们要求他们填写一份问卷，以确定他们是否应该被视为他们所工作的项目的全职开发人员。他们的反馈被用来微调工作阈值的值，超过该阈值的开发人员可以被视为全职。在收到的1,000多份调查问卷的帮助下，我们能够确定样本中每个项目的提交阈值，该阈值将全职开发人员与非全职开发人员区分开来。并且最小化I型和II型错误。我们最终提供了将我们的模型应用于使用版本控制系统的FOSS项目的指南和工具。
2022-03-18 cs.SE
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。
2010-04-19 cs.SE
Impacts of Bad ESP (Early Size Predictions) on Software Effort Estimation
早期规模预测（ESP）可能会导致软件项目工作量预测的错误。这个问题在为规模因素赋予额外权重的参数努力模型中尤为严重（例如，COCOMO模型假设努力与项目规模成指数比例）。目的：测试工作量估计是否被不良ESP削弱。方法：记录早期规模估计的不准确性。使用这些误差大小来确定这些不准确性的影响，通过蒙特卡罗扰动分析的努力模型和分析的方程中使用的努力模型。结果：虽然许多项目的ESP误差高达+/-100%，但这些误差对总体工作量估计误差的影响很小。具体来说，我们发现在将ESP误差从0增加到+/-100%后，估计误差没有统计学显著差异。对工作量估算模型的分析解释了为什么会这样：与估算模型中的其他误差源相比，ESP误差的净附加影响相对较小。结论：ESP错误对努力估计的影响相对较小。一旦模型使用规模估计和其他因素来预测项目工作量，那么ESP错误就不会对估计过程造成严重影响
2018-02-19 cs.SE
Is it Possible to Disregard Obsolete Requirements? - An Initial Experiment on a Potentially New Bias in Software Effort Estimation
工作量估计是决策中的一个复杂领域，并且受到可能增加估计误差的各种因素的影响。在规范中有过时的需求对工作量估计准确性的影响还没有被研究。本研究旨在填补这一空白。共有150名学生被要求提供不同数量的要求的努力估计，其中一组被明确告知忽略一些给定的要求。结果表明，即使额外的文本指示参与者排除估计任务中的要求，有受试者给出更高的估计。在需求规格说明书和软件工作量估计积压的过时需求的影响是没有考虑到足够的今天，这项研究提供了经验证据，它可能应该。我们还提出了不同的心理学解释所发现的效果。
2019-04-04 cs.SE
Statistical Software Engineering with Tuned Variables
Traigent
本文提出将统计软件工程中的治理空间作为核心对象，强调在变化环境中通过调优变量维持程序质量与安全性的方法。
2026-04-20 cs.SE
A Comparison Between Decision Trees and Decision Tree Forest Models for Software Development Effort Estimation
University of Western Ontario（西安大略大学）；Applied Science University（应用科学大学）；NFA Estimation Inc.（NFA Estimation 公司）
准确的软件工作量估计一直是许多软件从业者和项目经理的挑战。低估导致项目估计成本和交付中断。另一方面，高估会导致出价过高和商业上的财务损失。存在许多软件评估模型;然而，没有一个被证明在所有情况下都是最好的。本文将决策树森林（DTF）模型与传统的决策树（DT）模型以及多元线性回归模型（MLR）进行了比较。评估使用ISBSG和Desharnais工业数据集进行。结果表明，DTF模型是有竞争力的，可以作为一种替代的软件工作量预测。
2015-08-28 cs.AI cs.SE
A Baseline Model for Software Effort Estimation
软件工作量估算（SEE）是所有软件过程和开发生命周期中的核心活动。在过去30年中，人们考虑了一系列越来越复杂的方法来预测努力，结果往往好坏参半，相互矛盾。因此，在考虑如何最好地预测一系列项目类型的工作量时，对工作量预测方法进行比较评估已成为一种常用方法。不幸的是，这些评估使用各种各样的抽样方法和误差测量，使比较与其他工作困难。本文提出了一个自动转换线性模型（ATLM）作为一个合适的基线模型与SEE方法进行比较。ATLM很简单，但在一系列不同的项目类型上表现良好。此外，ATLM可以用于混合数字和分类数据，不需要参数调整。它也是确定性的，这意味着所获得的结果可以复制。这些和其他参数使用ATLM作为一个基线模型，和参考实现描述和提供。我们建议，ATLM应作为一个基线的努力预测质量的所有未来的模型比较SEE。
2021-02-05 cs.SE
Software Effort Estimation Accuracy Prediction of Machine Learning Techniques: A Systematic Performance Evaluation
软件工作量估计的准确性是有效计划、控制和在预算和进度内交付成功软件项目的关键因素。高估和低估都是未来软件开发的关键挑战，因此，软件工作量估计（SEE）的准确性是一个持续的需求。研究人员和从业人员正在努力确定哪种机器学习估计技术基于评估措施、数据集和其他相关属性提供更准确的结果。相关研究的作者通常不知道以前发表的机器学习工作量估计技术的结果。本研究的主要目的是帮助研究人员了解哪种机器学习技术在软件开发中产生有前途的工作量估计精度预测。在本文中，性能的机器学习集成技术的研究与独奏技术的基础上，两个最常用的准确性评价指标。我们使用了Kitchenham和Charters提出的系统性文献综述方法。这包括搜索最相关的论文，应用质量评估标准，提取数据和绘制结果。我们评估了28个选定研究（14个集合，14个单独）的最先进的准确性性能，使用平均相对误差幅度（MMRE）和PRED（25）作为一组可靠的准确性指标，用于两种技术之间的准确性性能评估，以报告本研究中提出的研究问题。我们发现，机器学习技术是最常见的集成努力估计（ESTA）技术的建设。本研究的结果显示，与单技术相比，双技术通常产生有希望的估计精度。
2021-01-26 cs.SE
Leveraging AI for Enhanced Software Effort Estimation: A Comprehensive Study and Framework Proposal
Savvycom Software（Savvycom软件公司）
本研究综述2017至2023年AI在软件工作量估算中的应用，通过比较多种机器学习模型确定最有效方法，并提出增强项目规划与资源分配的AI框架。
2024-02-08 cs.AI cs.SE
Applying Software Defect Estimations: Using a Risk Matrix for Tuning Test Effort
应用软件缺陷模拟技术，并在一个紧凑而有影响力的决策表中展示这些信息，可以向协作团队清楚地说明这个位置在整个开发周期中的重要性。这里描述的测试风险矩阵已经被证明是对管理工具和方法的一个有价值的补充，这些管理工具和方法用于在几个版本上开发大规模软件。在开发计划会议中使用该矩阵可以澄清伴随的风险和执行或绕过特定测试活动的可能后果。
2007-11-11 cs.OH cs.SE
Prediction of rate of improvement of software quality and development effort on the basis of Degreeof excellence with respect to number of lines of code
这项研究工作的目的是通过消除软件中的异常数量来提高卓越程度。现代人更关心软件的质量。目前正在这方面进行广泛的研究。软件质量的提高速度在很大程度上取决于开发时间。这一开发时间主要以时钟小时计算。然而，开发时间并不反映开发人员所付出的努力。一个更好的参数可以是质量水平的改进率或优良程度相对于时间的改进率。现在这个参数需要在软件开发的特定阶段预测误差水平和卓越程度。本文探讨了一种尝试，开发一个系统来预测在一个特定的时间点的软件质量的改进率相对于在软件中存在的代码行数。在计算了两个时间点上的错误水平和卓越程度之后，我们可以继续估计软件质量相对于时间的改进率。这个参数可以估计软件开发过程中所付出的努力，并且可以为软件工程领域中对软件质量的理解增加一个新的维度。为了获得结果，我们使用了本土的工具，软件质量预测和数据的图形表示，我们使用了Microsoft Office 2007图形图表。
2014-04-19 cs.SE
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。
2017-03-13 cs.SE
Software Development Effort Estimation Using Regression Fuzzy Models
软件工作量估算在项目管理中起着至关重要的作用。错误的结果可能导致高估或低估工作量，这可能对项目资源造成灾难性的后果。机器学习技术在该领域越来越受欢迎。特别是模糊逻辑模型，被广泛用于处理不精确和不准确的数据。本研究的主要目标是设计和比较三种不同的模糊逻辑模型来预测软件估计工作量：Mamdani，Sugeno与恒定输出和Sugeno与线性输出。为了帮助设计的模糊逻辑模型，我们进行了回归分析，一种方法，我们称之为回归模糊逻辑。采用最先进的无偏性能评估标准，如标准化准确度、效应量和平均平衡相对误差，以及统计检验来评估模型。使用来自国际软件基准标准组（ISBSG）数据集的工业项目对模型进行了训练和测试。结果表明，数据异方差影响模型的性能。发现模糊逻辑模型对异常值非常敏感。我们的结论是，当使用回归分析来设计模型时，具有线性输出的Sugeno模糊推理系统优于其他模型。
2019-02-10 cs.SE
Aspects of complexity in automotive software systems and their relation to maintainability effort. A case study
本研究以Scania AB的两个大型车载软件系统为对象开展案例研究，明确了影响可维护性工作量的内外部复杂性来源，验证了复杂性作为可维护性工作量代理指标的有效性，并提出需构建涵盖内外维度的复杂性度量体系。
2025-05-19 cs.SE
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。
2012-11-06 cs.SE
Time-Aware Models for Software Effort Estimation
软件工程实践的动态特性意味着软件工作量估计（SEE）建模应该考虑项目的开始和完成日期，这似乎是合乎逻辑的。也就是说，我们应该只根据已完成项目的数据为未来的项目建立模型;我们应该更喜欢最近类似项目的数据，而不是以前类似项目的数据。SEE模型的研究通常忽略了这些建议。在这项研究中，两种不同的模型开发方法，考虑到项目的时间被应用到两个公开的数据集和结果进行比较，从三个基线（非时间意识）模型。我们的结果表明：使用项目时间信息建立精确的工作量估算模型是可行的;就所包括的参数及其权重而言，这些模型不同于不考虑时间的模型;就准确性而言，两种模型建立方法中哪一种更优越，没有统计学显著差异。
2020-12-02 cs.SE
Critical Considerations on Effort-aware Software Defect Prediction Metrics
本文探讨了感知工作量的软件缺陷预测指标（EAMs）中工作量与代码度量（如LOC或McCabe复杂度）的假设关系对评估结果的影响，指出当前EAMs实为感知大小而非感知工作量，在分析工作量不依赖大小时可能产生误导。
2025-04-27 cs.SE
Effort and Size Estimation in Software Projects with Large Language Model-based Intelligent Interfaces
Zscaler Inc.（奇安信公司）；Santa Clara University（圣克拉拉大学）
本文针对基于LLM智能接口的软件设计场景，提出一种结合数据源、接口和算法来增强自然语言问题规范的新方法，以改进开发工作量估算，并与传统方法进行了对比验证。
2024-06-28 cs.LG cs.SE
Use Case Point Approach Based Software Effort Estimation using Various Support Vector Regression Kernel Methods
Department of Computer Science（计算机科学系）
在软件开发生存周期的早期阶段，当需求的细节通常没有被清楚地识别时，软件工作量估计是一项关键的工作。各种优化技术有助于提高工作量估计的准确性。支持向量回归（SVR）是几种不同的软计算技术之一，有助于获得最佳估计值。SVR的思想基于在高维特征空间中计算线性回归函数，其中输入数据经由非线性函数映射。此外，SVR核方法可以应用于变换输入数据，然后基于这些变换，可以获得可能输出之间的最佳边界。本文研究工作的主要目的是利用用例点方法来估计软件工作量。用例点方法依赖于用例图来估计软件项目的规模和工作量。然后，尝试优化使用各种SVR核方法从用例点分析获得的结果，以实现更好的预测精度。
2014-01-15 cs.LG cs.SE
Improving Software Effort Estimation Using Neuro-Fuzzy Model with SEER-SEM
我们的研究的目的是评估所提出的神经模糊模型的预测性能与系统评估和资源估计软件估计模型（SEER-SEM）在软件估计实践中，并应用所提出的架构，结合了神经模糊技术与不同的算法模型。本文提出了一种将神经模糊技术与SEER-SEM工作量估计算法相结合的方法。该模型具有良好的学习能力，降低敏感性，有效的推广，并引入神经模糊技术的知识集成。此外，连续的评级值和语言值可以输入该模型，以避免类似项目之间的估计偏差大。所提出的模型的性能是通过设计和进行评估与已公布的项目和工业数据访问。评估结果表明，我们提出的神经模糊模型，包括SEER-SEM的估计相比，仅使用SEER-SEM算法的估计结果有所改善。同时，本研究的结果也表明，一般的神经模糊框架可以与各种算法模型，以提高软件工作量估计的性能。
2015-07-24 cs.SE
Applying Fuzzy ID3 Decision Tree for Software Effort Estimation
Mohammed Vth –Souissi University（穆罕默德五世苏伊西大学）；ENSIAS（国立应用科学与技术学院）
Web工作量估算是一个预测任何软件项目系统在资金、进度和人员方面的工作量和成本的过程。在过去的三十年里，许多估算模型已经被提出，并且被认为是必须的，以用于：预测，风险分析，项目计划和控制，以及项目改进投资分析。本文研究了模糊ID3决策树在软件成本估算中的应用，该模型结合了ID3决策树的原理和模糊集合论的概念，使模型在描述软件项目时能够处理不确定和不精确的数据，大大提高了估算的准确性。MMRE和Pred被用作本研究预测准确性的测量。一系列的实验报告使用两个不同的软件项目数据集，即Tukutuku和COCOMO'81数据集。将结果与ID3决策树的简洁版本所产生的结果进行比较。
2011-11-01 cs.AI cs.SE
Analyzing the Stationarity Process in Software Effort Estimation Datasets
软件工作量估计模型通常是基于一个基本假设开发的，即所有数据点都与未来项目的工作量预测同等相关。软件工程过程的几个方面的动态特性可能意味着这种假设至少在某些情况下不成立。本研究采用三个核估计函数来测试平稳性假设在五个软件工程数据集，已被用于构建软件工作量估计模型。核估计用于生成非均匀权重，随后用于加权线性回归建模。在每个模型中，较早的项目被赋予较小的权重，而最近完成的项目被赋予较大的权重，以反映它们与需要估计的当前或未来项目的潜在更大相关性。预测误差进行比较，从统一的模型。我们的研究结果表明，对于表现出潜在的非平稳过程的数据集，均匀模型比非均匀模型更准确;也就是说，基于核估计函数的模型比没有加权的模型更差。相比之下，表现出平稳过程的数据集的均匀和非均匀模型的精度基本上是相等的。我们的分析表明，随着数据集的异质性增加，平稳性的影响被覆盖。我们的研究结果也证实了先前的研究结果，努力估计模型的准确性是独立的类型的核估计函数在模型开发中使用。
2021-07-04 cs.SE
Agile Software Effort Estimation using Regression Techniques
Addis Ababa University（亚的斯亚贝巴大学）
本研究针对敏捷软件开发工作量估算问题，基于故事点方法结合LASSO与Elastic Net回归技术构建估算模型，经21个项目实验验证LASSO回归预测性能更优。
2025-10-06 cs.AI cs.SE
Optimizing Software Effort Estimation Models Using Firefly Algorithm
The University of Jordan（约旦大学）
软件开发工作量估算是软件开发生存周期以及项目成本、时间和质量管理的一项基本任务。因此，准确的评估是项目成功和降低风险的重要因素。近年来，软件工作量估算受到了研究人员的广泛关注，成为软件行业面临的一个挑战。在过去的二十年里，许多研究人员和从业者提出了基于统计和机器学习的软件工作量估计模型。在这项工作中，萤火虫算法被提出作为一种元启发式优化方法优化三个基于COCOMO模型的参数。这些模型包括基本COCOMO模型和文献中提出的作为基本COCOMO模型的扩展的另外两个模型。开发的估计模型进行评估，使用不同的评价指标。实验结果表明，萤火虫算法比遗传算法、粒子群算法等元启发式优化算法具有更高的精度和更小的误差。
2019-01-08 cs.AI cs.LG cs.NE
Estimating the Effort Overhead in Global Software Development
工作量和成本估计模型对于分布式软件开发以及并置软件和系统开发都很重要。标准的成本模型只考虑了分布式开发的特征，如不同站点的不同能力或由于远程协作而产生的显著开销。因此，分布式开发的显式成本模型是必要的。在这篇文章中，我们提出了一个西班牙的全球软件开发组织的成本开销模型的初步发展。该模型是使用CoBRA方法进行成本估算的。因此，确定了具体分布式开发环境的成本驱动因素，并在经验基础上量化了其影响。本文介绍了相关的工作，概述的方法，及其在工业环境中的应用。最后，我们勾画了列入该模型的系统任务分配的方法，并给出了未来工作的概述。
2014-01-13 cs.SE
Investigating the Significance of Bellwether Effect to Improve Software Effort Estimation
领头羊效应是指在历史数据集中存在用于提高预测性能的示例性项目（称为领头羊）。最近的研究表明，使用最近完成的项目（称为移动窗口）来提高预测精度的隐含假设。在本文中，我们研究了使用移动窗口的软件工作量估计精度的领头羊效应。领头羊的存在是基于六个假设的经验证明的。我们应用统计分层和马尔可夫链方法来选择领头羊移动窗口。由此产生的领头羊移动窗口被用来预测一个新项目的软件工作量。实证结果表明，领头羊效应存在于时序数据集与一组示范和最近完成的项目代表的领头羊移动窗口。研究结果表明，采用带高斯加权函数的Bellwether移动窗口可以显著提高预测精度。
2021-05-29 cs.SE
Neural Network Models for Software Development Effort Estimation: A Comparative Study
软件开发工作量估算是软件项目管理的主要任务之一。在投标过程中，项目经理有效地预测软件项目的工作量或成本是至关重要的，因为高估会导致投标损失，低估会导致公司亏损。存在几种SDEE模型;机器学习模型，特别是神经网络模型，是该领域最突出的模型之一。在这项研究中，四种不同的神经网络模型：多层感知器，一般回归神经网络，径向基函数神经网络，级联相关神经网络进行了比较，彼此基于：（1）预测精度为中心的平均绝对误差标准，（2）这样的模型是否倾向于高估或低估，以及（3）如何每个模型分类其输入的重要性。来自国际软件基准标准组（ISBSG）的工业数据集被用来训练和验证四个模型。ISBSG的主要数据集经过筛选，然后根据每个项目的生产力值分为五个数据集。结果表明，4种模型在80%的数据集上存在高估的倾向，且模型输入的显著性因所选模型而异。此外，级联相关神经网络在大多数基于平均绝对残差标准构建的数据集中优于其他三个模型。
2017-08-22 cs.SE
Locally Weighted Regression with different Kernel Smoothers for Software Effort Estimation
估计软件工作量几十年来一直是一个很大程度上未解决的问题。阻碍建立准确的估计模型的主要原因之一是具有复杂结构的软件数据的异质性。通常，从本地数据构建工作量估计模型往往比使用整个数据更准确。以前的研究集中在使用聚类技术和决策树来生成本地和连贯的数据，可以帮助建立本地预测模型。然而，这些方法可能会在某些方面有所不足，由于在寻找最佳聚类和处理噪声数据的限制。在本文中，我们使用了一种更复杂的局部性方法，可以减轻这些缺点，即局部加权回归（LWR）。该方法通过在基于k-近邻的模型中建立多个局部回归模型的估计模型，为从局部数据中学习提供了一种有效的解决方案。影响该方法精度的主要因素是用于推导局部回归模型权重的核函数的选择。本文研究了选择不同的核函数对软件工作量估计问题的局部加权回归性能的影响。通过对7个数据集、10个核、3个多项式次数和4个带宽值共840个局部加权回归变量的综合实验，我们发现：1）均匀核函数并不能优于非均匀核函数; 2）核类型、多项式次数和带宽参数对估计精度没有特定影响。
2022-09-12 cs.SE
Addressing Research Software Sustainability via Institutes
研究软件对现代研究至关重要，但它需要持续的人力来维持：不断适应依赖关系的变化，修复错误并添加新功能。软件可持续性研究所，除其他外，开发，维护和传播研究软件可持续性的最佳实践，并围绕它们建立社区。这些实践既可以减少所需的努力量，又可以创造一个努力得到赞赏和奖励的环境。英国SSI就是这样一个研究所，美国URSSI和澳大利亚AuSSI正计划成为研究所，这篇扩展摘要讨论了它们以及这种方法的优点和缺点。
2021-03-05 cs.SE
Predicting Software Effort from Use Case Points: A Systematic Review
背景：从用例点（UCP）方法预测软件项目工作量越来越多地被研究人员和实践者使用。然而，与其他工作估计领域不同，这一领域尚未得到系统的审查。目的：有必要进行系统的文献综述，为这一研究领域的努力估计提供方向和支持。具体而言，本研究的目的是双重的：分类UCP的努力估计论文的基础上的四个标准：贡献类型，研究方法，数据集类型和技术与UCP;并分析这些文件从不同的角度：估计精度，有利的估计上下文和UCP的准确性相结合的技术的影响。方法：我们使用了Kitchenham和Charters提出的系统性文献综述方法。这包括搜索最相关的论文，选择高质量的论文，提取数据和绘制结果。测试结果：UCP研究论文的作者通常不知道UCP努力估计领域以前发表的结果和结论。在顶级的软件工程期刊中缺乏UCP相关的出版物。由此得出结论，这些文件对社会没有用处。此外，大多数文章使用的项目数量很少，在大多数情况下无法支持概括结论。结论：UCP方法还有许多研究方向尚未得到研究，如基于工业数据验证UCP的代数结构。同时，也需要标准的自动化工具来管理将用例图转换成相应的UCP度量的过程。尽管研究人员越来越有兴趣收集工业数据并基于机器学习方法构建工作量预测模型，但数据的质量仍然存在争议
2020-12-13 cs.SE
Open Design Case Study -- A Crowdsourcing Effort to Curate Software Design Case Studies
基于案例研究的学习已经成功地融入到各种课程中，包括软件工程教育。在软件设计课程的背景下，使用案例研究往往需要分享真正成功或失败的软件开发。使用现实世界的案例研究的例子，使教育工作者能够加强基本设计概念的适用性和实用性，与利益相关者的要求评估设计权衡的重要性，并强调前期设计的重要性，缺乏工业经验的学生往往忽视。然而，使用真实世界的案例研究并不简单，因为1。缺乏真正的软件设计案例研究的开源存储库，2.）即使有案例研究，报告时也往往没有标准格式，这可能妨碍案例与预期学习成果之间的协调。为了解决缺乏软件设计案例研究的教育目的，我们提出了开放式设计案例研究的想法，一个知识库，众包，策展，并招募其他教育工作者贡献案例研究教学软件设计课程。该平台还将允许教育工作者和学生分享，集思广益，并讨论基于存储库上公开共享的案例研究的设计解决方案。
2023-01-12 cs.SE
