Resumen

Con el fin de mejorar la calidad del software y la eficiencia de las pruebas, este documento implementa la predicción de defectos de software basada en el aprendizaje profundo. De acuerdo con las respectivas ventajas y desventajas del algoritmo de enjambre de partículas y el algoritmo de enjambre de lobos, los dos algoritmos se mezclan para realizar las ventajas complementarias de los algoritmos. Al mismo tiempo, el algoritmo híbrido se utiliza en la búsqueda de optimización de hiperparámetros del modelo, la función de pérdida del modelo se utiliza como la función de aptitud, y la capacidad de búsqueda colaborativa de la población de inteligencia de enjambre se utiliza para encontrar la solución óptima global en múltiples espacios de solución local. A través del análisis de los resultados experimentales de seis conjuntos de datos, en comparación con el método tradicional de optimización de hiperparámetros y un único algoritmo de inteligencia de enjambre, el modelo que utiliza el algoritmo híbrido tiene mayores y mejores indicadores. Y, bajo el procesamiento del autoencoder, el rendimiento del modelo se ha mejorado aún más.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:algoritmo híbrido, población de inteligencia de enjambre, espacio de soluciones locales, algoritmo de enjambre de partículas, métodos de optimización de hiperparámetros, algoritmo de inteligencia de enjambre, algoritmo de enjambre de lobos, soluciones óptimas globales, búsqueda de modelo, predicción de software
• Keywords:hybrid algorithm, swarm intelligence population, local solutions space, particles swarm algorithm, hyperparameter optimization methods, swarm intelligence algorithm, wolf swarm algorithm, global optimal solutions, search of model, prediction of software