Hybrid binary whale optimization algorithm based on taper shaped transfer function for software defect prediction

Reliability is one of the key factors used to gauge software quality. Software defect prediction (SDP) is one of the most important factors which affectsmeasuring software's reliability. Additionally, the high dimensionality of the features has a direct effect on the accuracy of SDP models.The objective of this paper is to propose a hybrid binary whale optimization algorithm (BWOA) based on taper-shape transfer functions for solving feature selection problems and dimension reduction with a KNN classifier as a new software defect prediction method. In this paper, the values of a real vector that representsthe individual encoding have been converted to binary vector by using the four types of Taper-shaped transfer functionsto enhance the performance of BWOA to reduce the dimension of the search space. The performance of the suggestedmethod (T-BWOA-KNN)was evaluatedusing eleven standard software defect prediction datasets from the PROMISE and NASA repositories depending on the K-Nearest Neighbor (KNN) classifier. Seven evaluation metrics have been used to assess the effectiveness of the suggested method. The experimental results have shownthat the performanceof T-BWOA-KNNproduced promising results compared to other methods including ten methods from the literature, four typesof T-BWOAwith the KNN classifier. In addition, the obtained results are compared and analyzed with other methods from the literature in termsof the average numberof selected features (SF) and accuracy rate (ACC) using the Kendall W test. In this paper, a new hybrid software defect prediction methodcalledT-BWOA-KNNhas been proposed which is concerned with the feature selection problem. The experimental results have provedthatT-BWOA-KNN produced promising performance compared with other methods for most datasets.

Niezawodność jest jednym z kluczowych czynników stosowanych do oceny jakości oprogramowania.Przewidywanie defektów oprogramowania SDP (ang. Software Defect Prediction) jest jednym z najważniejszych czynników wpływających na pomiar niezawodności oprogramowania. Dodatkowo, wysoka wymiarowość cech ma bezpośredni wpływ na dokładność modeli SDP.Celemartykułu jest zaproponowanie hybrydowego algorytmu optymalizacji BWOA (ang. Binary Whale Optimization Algorithm) w oparciu o transmitancję stożkową do rozwiązywania problemów selekcji cech i redukcji wymiarów za pomocą klasyfikatora KNN jako nowej metody przewidywania defektów oprogramowania.W artykule, wartości wektora rzeczywistego, reprezentującego indywidualne kodowanie zostały przekonwertowane na wektor binarny przy użyciu czterech typów funkcji transferu w kształcie stożka w celu zwiększenia wydajności BWOA i zmniejszenia wymiaru przestrzeni poszukiwań.Wydajność sugerowanej metody (T-BWOA-KNN) oceniano przy użyciu jedenastu standardowych zestawów danych do przewidywania defektów oprogramowania z repozytoriów PROMISE i NASA w zależności od klasyfikatora KNN. Do oceny skuteczności sugerowanej metody wykorzystano siedemwskaźników ewaluacyjnych. Wyniki eksperymentów wykazały, że działanie rozwiązania T-BWOA-KNN pozwoliło uzyskaćobiecujące wyniki w porównaniu z innymi metodami, w tym dziesięcioma metodami na podstawie literatury, czterema typami T-BWOA z klasyfikatorem KNN. Dodatkowo, otrzymane wyniki zostały porównanei przeanalizowane innymi metodami z literatury pod kątem średniej liczby wybranych cech (SF) i współczynnika dokładności (ACC), z wykorzystaniem testu W.Kendalla. W pracy, zaproponowano nową hybrydową metodę przewidywania defektów oprogramowania, nazwaną T-BWOA-KNN, która dotyczy problemu wyboru cech. Wyniki eksperymentów wykazały, że w przypadku większości zbiorów danych T-BWOA-KNN uzyskała obiecującą wydajnośćw porównaniu z innymi metodami.