Resumen

La estimación precisa del esfuerzo de desarrollo de software es esencial para la gestión y el control eficaces de los proyectos de desarrollo de software. En la literatura se han propuesto muchos métodos de estimación del esfuerzo de software, incluidos modelos de inteligencia computacional. Sin embargo, ninguno de los modelos existentes ha demostrado ser adecuado en todas las circunstancias; es decir, su rendimiento varía de un conjunto de datos a otro. El objetivo de un modelo de conjunto es gestionar automáticamente los puntos fuertes y débiles de cada uno de sus modelos individuales, lo que permite tomar la mejor decisión posible en conjunto. En este artículo, hemos desarrollado diferentes conjuntos homogéneos y heterogéneos de modelos híbridos optimizados de inteligencia computacional para la estimación del esfuerzo de desarrollo de software. Se han utilizado diferentes combinadores lineales y no lineales para combinar los aprendices híbridos base. Hemos realizado un estudio empírico para evaluar y comparar el rendimiento de estos conjuntos utilizando cinco conjuntos de datos populares. Los resultados confirman que los modelos individuales no son fiables, ya que su rendimiento es inconsistente e inestable en diferentes conjuntos de datos. Aunque ninguno de los modelos ensemble fue sistemáticamente el mejor, muchos de ellos se situaron con frecuencia entre los mejores modelos para cada conjunto de datos. El conjunto homogéneo de regresión de vectores de soporte (SVR), con el combinador no lineal de sistemas adaptativos de inferencia neurofuzzy-clustering sustractivo (ANFIS-SC), fue el mejor modelo si se considera el rango medio de cada modelo en los cinco conjuntos de datos.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:rendimiento, modelos individuales, muchos métodos de estimación del esfuerzo de software, sistemas de inferencia neurofuzzy adaptativos, modelos híbridos de inteligencia computacional, estimación del esfuerzo de desarrollo de software, aprendices híbridos de base, mejor decisión posible, modelos de inteligencia computacional, esfuerzo de desarrollo de software
• Keywords:performance, individual models, many software effort estimation methods, adaptive neurofuzzy inference systems, hybrid computational intelligence models, software development effort estimation, base hybrid learners, best possible decision, computational intelligence models, software development effort