Chaos-based Modified Morphological Genetic Algorithm for Software Development Cost Estimation

We have proposed a morphological approach based on an evolutionary learning for software development cost estimation (SDCE). The dilation–erosion perceptron (DEP) method which is a hybrid artificial neuron is built on mathematical morphology (MM) framework. This method has its roots in the complete lattice theory. The proposed work also presents an evolutionary learning procedure, i.e., a chaotic modified genetic algorithm (CMGA) to construct the DEP (CMGA) model overcoming the drawbacks arising in the morphological operator’s gradient estimation in the classical learning procedure of DEP. The experimental analysis was conducted on estimation of five different SDCE problems and then analyzed using three performance measurement metrics.

الگوریتم ژنتیک اصلاح‌شده مبتنی بر آشوب برای تخمین هزینه نرم‌افزار

ما یک رویکرد ریخت‌شناسی مبتنی بر یادگیری فرگشتی برای تخمین هزینه توسعه نرم‌افزار (SDCE)را پیشنهاد کردیم. روش dilation - erosion (DEP)که یک نورون مصنوعی ترکیبی است بر روی قالب مورفولوژی ریاضیاتی (MM)ساخته شده‌است. این روش ریشه در تیوری شبکه کامل دارد. این کار پیشنهادی همچنین یک روند یادگیری تکاملی را ارایه می‌کند، یعنی، یک الگوریتم ژنتیک اصلاح‌شده (CMGA)برای ایجاد مدل DEP (CMGA)برای غلبه بر اشکالات ناشی از تخمین گرادیان عملگر مورفولوژیکی در روش یادگیری کلاسیک of. تجزیه و تحلیل تجربی بر روی برآورد پنج مشکل SDCE مختلف انجام شد و سپس با استفاده از سه معیار سنجش عملکرد مورد تجزیه و تحلیل قرار گرفت.