融合生成式人工智能的多目标差分进化算法优化软件成本估算

《Scientific Reports》：An adaptive multi-objective differential evolution algorithm to fine-tune the constructive cost model constants for software effort estimation

　　

摘要

软件工作量和成本估算的主要目标是确定项目成本、缩短开发时间，并提供可靠的预测结果。这一问题也被归类为一个多目标优化问题。本文提出了一种基于适应度的新型多目标差分进化算法，该算法结合了生成式人工智能（AI）技术来调整参数，从而解决这些问题。新算法采用了基于帕累托原理的变异技术，并利用生成式AI来增加候选解的多样性。新的变异操作符提供了更多的“带宽”（即变异操作的灵活性），有助于差分进化算法避免陷入局部最优解。研究还应用了一种非支配排序技术来降低计算复杂度，以便更有效地处理帕累托优先级判断。文章通过进一步调整参数，实现了多目标建设性成本模型的优化，利用生成式AI准确预测软件成本。软件成本估算的目标是在保证预测准确性的同时尽量减少误差，最终降低整个项目的成本。与现有的现代多目标进化优化算法相比，本文提出的集成生成式AI的方法在NASA-93和COCOMO-81数据集上表现出更优秀的预测性能和更低的误差率。