Modelos de optimización metaheurística en datos complejos

Abstract

RESUMEN: La planificación de proyectos de software incluye como una de sus principales actividades la predicción del esfuerzo de desarrollo de software (SDEP por sus siglas en inglés de Software Development Effort Prediction). El esfuerzo (medido en horas-persona) es útil para presupuestar, planear y licitar los proyectos. El esfuerzo en proyectos de software corresponde a una de las variables que más se pretende predecir, de hecho, se han publicado cientos de estudios sobre SDEP. Por tanto, se propone un nuevo aporte a la ciencia que consiste en la aplicación de metaheurísticas para optimizar los parámetros de las ecuaciones de regresión estadística (SRE por sus siglas en ingles Statistical Regression Equations) aplicadas a SDEP. La propuesta incorpora dos elementos en el diseño de metaheurísticas: la selección del modelo SDEP y el ajuste automático de sus parámetros. La precisión de predicción del SRE optimizado a través de metaheurísticas se comparó con la de un modelo SRE. Estos modelos se entrenaron y probaron utilizando ocho conjuntos de datos de proyectos de software nuevos y de mejora obtenidos de un repositorio público internacional de proyectos. Los resultados de la aplicación de pruebas de significancia estadística mostraron que la propuesta utilizando la metaheurística en PSO (Particle Swarm Optimization) fue mejor que el SRE en seis conjuntos de datos al 99% de confianza, en un conjunto de datos al 95% y estadísticamente igual al SRE en el conjunto de datos restante. En el caso del uso de la metaheurística MAO (Mexican Axolotl Optimización) los resultados fueron muy buenos con funciones de optimización unimodal y multimodal (mejor en cinco de siete y cuatro de seis bancos de datos, respectivamente) y tiene un buen desempeño para las funciones de competencia (mejor en siete de diez bancos de datos), por lo que se puede concluir que las metaheurísticas se pueden utilizar con las modificaciones propuestas para optimizar ecuaciones SDEP teniendo en cuenta el tipo de desarrollo, plataforma de desarrollo y tipo de lenguaje de programación de los proyectos de software. ABSTRACT: Software project planning includes software development effort prediction (SDEP) as one of its main activities. Effort (measured in person-hours) is useful for budgeting, planning, and bidding on projects. The effort in software projects corresponds to one of the variables that is most predicted, in fact, hundreds of studies on SDEP have been published. Therefore, a new contribution to science is proposed that consists of the application of metaheuristics to optimize the parameters of the statistical regression equations (SRE for its acronym in English Statistical Regression Equations) applied to SDEP. The proposal incorporates two elements in the design of metaheuristics: the selection of the SDEP model and the automatic adjustment of its parameters. The prediction accuracy of the SRE optimized through metaheuristics was compared with that of an SRE model. These models were trained and tested using eight data sets of new and upgraded software projects obtained from an international public project repository. The results of the application of statistical significance tests showed that the proposal using the metaheuristics in PSO (Particle Swarm Optimization) was better than the SRE in six data sets at 99% confidence, in one data set at 95% and statistically equal to the SRE in the remaining data set. In the case of the use of the MAO (Mexican Axolotl Optimization) metaheuristic, the results were very good with unimodal and multimodal optimization functions (better in five out of seven and four out of six data banks, respectively) and it has a good performance for the functions of competition (better in seven out of ten databases), so it can be concluded that the metaheuristics can be used with the proposed modifications to optimize SDEP equations taking into account the type of development, development platform and type of programming language of software projects.