Bücher von Nagarajan Shivakumar

O livro está organizado da seguinte forma: O capítulo 1 descreve o processo de desenvolvimento de software, a necessidade de estimativa de esforço e as diferentes abordagens em técnicas algorítmicas de estimativa de esforço. O capítulo 2 apresenta um levantamento bibliográfico das abordagens existentes disponíveis na estimativa de esforço e fornece um relatório detalhado sobre a combinação não algorítmica de abordagens para melhorar a precisão da estimativa. O capítulo 3 propõe um novo método de estimativa de esforço baseado na lógica difusa com tamanho de ponto de função. A função de pertença fuzzy triangular é utilizada com o parâmetro de dimensão no ponto de função. Este modelo é comparado com o modelo COCOMO quanto à sua exatidão. O capítulo 4 propõe um esquema neuro-fuzzy adaptativo para integrar o conceito de rede neural artificial e lógica difusa. O capítulo 5 propõe a otimização por enxame de partículas e o algoritmo híbrido K means para agrupar os dados, e o esforço é estimado com uma rede neural e uma estimativa baseada na analogia. O Capítulo 6 é uma comparação de todos os modelos propostos em quatro experiências. As métricas utilizadas são MRE, MAE, MBRE e MIBRE. Os resultados mostram que os algoritmos neuro-fuzzy e de agrupamento são os melhores para estimar o esforço de software.

Das Buch ist wie folgt gegliedert: Kapitel 1 beschreibt den Softwareentwicklungsprozess, die Notwendigkeit der Aufwandsschätzung und die verschiedenen Ansätze der algorithmischen Aufwandsschätzungstechniken. Kapitel 2 stellt eine Literaturübersicht über die vorhandenen Ansätze zur Aufwandsschätzung vor und liefert einen detaillierten Bericht über die nicht-algorithmische Kombination von Ansätzen zur Verbesserung der Schätzgenauigkeit. In Kapitel 3 wird eine neue Methode zur Aufwandsschätzung vorgeschlagen, die auf Fuzzy-Logik mit Funktionspunktgröße basiert. Die dreieckige Fuzzy-Zugehörigkeitsfunktion wird mit einem Größenparameter im Funktionspunkt verwendet. Dieses Modell wird hinsichtlich seiner Genauigkeit mit dem COCOMO-Modell verglichen. In Kapitel 4 wird ein adaptives Neuro-Fuzzy-Schema vorgeschlagen, das das Konzept des künstlichen neuronalen Netzes und der Fuzzy-Logik integriert. Kapitel 5 schlägt die Partikelschwarmoptimierung und den K-Mittel-Hybridalgorithmus zum Clustern der Daten vor, und der Aufwand wird mit Hilfe eines neuronalen Netzes und einer analogiebasierten Schätzung geschätzt. Kapitel 6 ist ein Vergleich aller vorgeschlagenen Modelle in vier Experimenten. Die verwendeten Metriken sind MRE, MAE, MBRE und MIBRE. Die Ergebnisse zeigen, dass sowohl der Neuro-Fuzzy- als auch der Clustering-Algorithmus die beste Schätzung des Softwareaufwands darstellen.

El libro está organizado de la siguiente manera: El capítulo 1 describe el proceso de desarrollo de software, la necesidad de estimar el esfuerzo y los diferentes enfoques de las técnicas algorítmicas de estimación del esfuerzo. El capítulo 2 presenta un estudio bibliográfico de los enfoques existentes en la estimación del esfuerzo y proporciona un informe detallado sobre la combinación no algorítmica de enfoques para mejorar la precisión de la estimación. El capítulo 3 propone un nuevo método de estimación del esfuerzo basado en la lógica difusa con tamaño de punto de función. Se utiliza la función de pertenencia difusa triangular con parámetro de tamaño en punto de función. Este modelo se compara con el modelo COCOMO por su precisión. El capítulo 4 propone el esquema Adaptive Neuro-fuzzy propuesto para integrar el concepto de red neuronal artificial y lógica difusa. El capítulo 5 propone la optimización de enjambre de partículas y el algoritmo híbrido K means para agrupar los datos, y el esfuerzo se estima con la red neuronal y la estimación basada en la analogía. El capítulo 6 es una comparación de todos los modelos propuestos en cuatro experimentos. Las métricas utilizadas son MRE, MAE, MBRE y MIBRE. Los resultados muestran que tanto los algoritmos neuro-fuzzy como los de clustering son los mejores en la estimación del esfuerzo de software.

Il libro è organizzato come segue: Il capitolo 1 descrive il processo di sviluppo del software, la necessità di stimare l'effort e i diversi approcci alle tecniche di stima algoritmica dell'effort. Il capitolo 2 presenta un'analisi della letteratura sugli approcci esistenti disponibili per la stima dell'effort e fornisce una relazione dettagliata sulla combinazione non algoritmica di approcci per migliorare l'accuratezza della stima. Il capitolo 3 propone un nuovo metodo di stima dell'effort basato sulla logica fuzzy con funzione di appartenenza al punto. Viene utilizzata la funzione di appartenenza fuzzy triangolare con il parametro della dimensione del punto funzione. Questo modello viene confrontato con il modello COCOMO per la sua accuratezza. Il capitolo 4 propone lo schema Adaptive Neuro-fuzzy, proposto per integrare il concetto di rete neurale artificiale e di logica fuzzy. Il capitolo 5 propone l'ottimizzazione dello sciame di particelle e l'algoritmo ibrido K means per la clusterizzazione dei dati, mentre lo sforzo viene stimato con una rete neurale e una stima basata sull'analogia. Il capitolo 6 è un confronto tra tutti i modelli proposti in quattro esperimenti. Le metriche utilizzate sono MRE, MAE, MBRE e MIBRE. I risultati mostrano che gli algoritmi neuro-fuzzy e di clustering sono i migliori per stimare l'impegno del software.

Le livre est organisé comme suit : Le chapitre 1 décrit le processus de développement de logiciels, la nécessité d'estimer l'effort et les différentes approches des techniques algorithmiques d'estimation de l'effort. Le chapitre 2 présente une étude documentaire des approches existantes en matière d'estimation de l'effort et fournit un rapport détaillé sur la combinaison non algorithmique des approches afin d'améliorer la précision de l'estimation. Le chapitre 3 propose une nouvelle méthode d'estimation de l'effort basée sur la logique floue avec une taille de point de fonction. La fonction d'appartenance triangulaire floue est utilisée avec le paramètre de taille dans le point de fonction. Ce modèle est comparé au modèle COCOMO pour sa précision. Le chapitre 4 propose un schéma neuro-flou adaptatif qui intègre le concept de réseau neuronal artificiel et de logique floue. Le chapitre 5 propose l'optimisation par essaim particulaire et l'algorithme hybride K means pour le regroupement des données, et l'effort est estimé à l'aide d'un réseau neuronal et d'une estimation basée sur l'analogie. Le chapitre 6 est une comparaison de tous les modèles proposés dans quatre expériences. Les mesures utilisées sont MRE, MAE, MBRE et MIBRE. Les résultats montrent que les algorithmes neuro-flous et de clustering sont les meilleurs pour estimer l'effort logiciel.

The book organized as follows: Chapter 1 describes the Software development process, need for effort estimation, and different approaches in algorithmic effort estimation techniques. chapter 2 presents literature survey of existing approaches available in the effort estimation, and provide a detailed report on the non-algorithmic combination of approaches to improve the estimation accuracy. Chapter 3 proposes a new effort estimation method based on fuzzy logic with function point size. The triangular fuzzy membership function is used with size parameter in function point. This model is compared with COCOMO model for its accuracy. Chapter 4 proposes Adaptive Neuro-fuzzy scheme proposed to integrate the concept of Artificial Neural network and fuzzy logic. Chapter 5 proposes particle swarm optimization and K means hybrid algorithm for clustering the data, and effort is estimated with neural network and analogy based estimation. Chapter 6 is a comparison of all the proposed models in four experiments. The metrics used are MRE, MAE, MBRE and MIBRE. The results show that both neuro-fuzzy and clustering algorithms are the best in estimating the software effort.