كلية علوم الحاسوب والرياضيات

مناقشة اطروحة دكتوراه فلسفة علوم الحاسوب في رحاب كلية علوم الحاسوب والرياضيات – قسم علوم الحاسوب بعنوان

(IMPROVING A MACHINE LEARNING ALGORITHM FOR MEASURING SOFTWARE QUALITY)

استمراراً لحركة البحث العلمي وبمتابعة وحضور السيدة عميد كلية علوم الحاسوب والرياضيات

الأستاذ الدكتور ضحى بشير عبد الله المحترمة

اذ نوقشت على قاعة المناقشة في كلية علوم الحاسوب والرياضيات في جامعة الموصل يوم الاحد الموافق 28/4/2024

أطروحة الدكتوراه والموسومة (تحسين خوارزمية  لتعلم الاَلة لقياس جودة البرمجيات)

للطالب: زكريا عبد الواحد حميد باشراف الأستاذ الدكتور صفوان عمر حسون

تناولت الأطروحة التي تقدم بها الطالب (زكريا عبد الواحد حميد) تحسين خوارزميات تعلم الالة التي يمكنها قياس جودة البرمجيات بالاعتماد على تنبؤ عيوب البرمجيات. حيث تم اقتراح نوعين من نماذج SDP  المبنية على تحسين تقنية تعلم الالة لمعالجة المشكلات التي تواجه نماذج SDP للحصول على أداء تنبؤي عالي.

يتضمن النوع الأول اقتراح خوارزمية تحسين الحوت الثنائي الهجين (BWOA) استنادًا إلى وظائف نقل الشكل المستدق لحل مشكلات اختيار الميزات وتقليل الأبعاد حيث تم اقتراح نموذج جديد للتنبؤ بعيوب البرامج. تم تحويل قيم المتجه الحقيقي الذي يمثل التشفير الفردي إلى متجه ثنائي باستخدام الأنواع الأربعة من وظائف النقل ذات الشكل المستدق لتعزيز أداء BWOA وتقليل أبعاد فضاء البحث. لأول مرة، اعتمد مصنف الجار الأقرب (KNN) على المقترح (T-BWOA) للتحقق من كفاءة نموذج ال (SDP) المقترح. بعد ذلك، تم تطبيق ثلاثة مصنفات قياسية، وهي التحيز الساذج (NB)، وشجرة القرار (DT)، والغابة العشوائية (RF)، على (T-BWOA) بدلاً من KNN لنفس الغرض.

أما النوع الثاني فيشمل تهجين خوارزمية الأرانب الاصطناعية (ARO) مع الشبكة العصبية المعدلة للارتباط الوظيفي للمتجه العشوائي (MRVFL) وذلك بالاعتماد على نهجين. يعتمد النهج الأول على استخدام خوارزمية الهدف الواحد (SARO) لتدريب الشبكة العصبية (MRVFL) , بينما تم استخدام الطريقة الثانية لتدريب الشبكة العصبية (MRVFL) أيضًا، وذلك بالاعتماد على استخدام خوارزمية متعددة الأهداف (MARO) .تتضمن عملية التدريب ضبط أوزان الشبكة والمتغيرات الاخرى للشبكة العصبية (MRVFL) بناءً على قيمة اللياقة. بالنسبة لنموذج (SARO-MRVFL)، يتم تمثيل قيمة اللياقة بهدف واحد فقط؛ بينما بالنسبة لنموذج (MARO-MRVFL) فإن قيمة اللياقة تتمثل بثلاثة أهداف.

تم تقييم أداء النماذج المقترحة باستخدام عشر مجموعات بيانات قياسية للتنبؤ بعيوب البرمجيات من مستودعات ناسا. تحتوي كل مجموعة بيانات على عدد مختلف من الميزات والأنماط. كما تم استخدام سبعة مقاييس تقييم لتقييم فعالية النماذج المقترحة. أظهرت النتائج التجريبية أن أداء T2-BWOA-KNN أنتج نتائج واعدة مقارنة بالطرق الأخرى بما في ذلك عشر طرق من الأدبيات. بالإضافة إلى ذلك، كان أداء المصنفات NB و DT و RF على (T-BWOA) مقبولاً مع وجود اختلافات طفيفة فيما بينها. علاوة على ذلك، يتمتع نموذج (MARO-MRVFL) بأداء متفوق مقارنة بالنماذج الأخرى المقترحة والطرق الحديثة الأخرى بمعدل دقة (90.15%) ومعدل AUC (86.43%) مما يدل على الأداء الممتاز. علاوة على ذلك، يؤكد التحليل الإحصائي باستخدام اختبار (Kendall W) واختبار (Paired samples t-test) على أهمية نموذج (MARO-MRVFL) المقترح مقارنة بنماذج SDP البديلة الأخرى.

ترأس لجنة المناقشة  أ.د. لهيب محمد ابراهيم وعضوية كل من

أ.د. فوزية محمود رمو                               عضواﹰ

أ.د. شهباء ابراهيم خليل                             عضواﹰ

أ.م.د. يسرى فيصل محمد                           عضواﹰ

أ.م.د. ميوان بهجت عبدالرزاق                        عضواﹰ

أ.د. صفوان عمر حسون                عضواﹰ ومشرفاﹰ