Метод моделирования программных систем для оценки их сложности разработки

Для оценки сложности существует достаточное количество метрик: Холстеда, Маккейба, Майерса, Джилба, Хансена, Вудворда. Однако все они подразумевают обязательное наличие для анализа либо текста самой программы, либо подробного алгоритма ее работы. Этот факт делает неприемлемым использование данных подходов на ранних этапах жизненного цикла ПС, когда у разработчика имеются только концептуальные модели архитектуры будущего ПС и отдельные эскизные проектные решения.

На ранних этапах процесса разработки ПС в качестве характеристики определяющей сложность создаваемого программного продукта обычно используется его размер. Использование размера ПС как единственной характеристики сложности, в рамках одного класса программ, является приемлемым допущением для решения задач оценки технико-экономических параметров проекта разработки ПС на ранних этапах жизненного цикла [Липаев, 2004]. Размер ПС в современной практике, среди всех факторов, влияющих на параметры проекта, изменяется в самом широком диапазоне на три — четыре порядка от 10⁴ до 10⁷ строк текста программ. Поэтому методам его оценивания уделяется большое внимание.

Таким образом, на начальных этапах жизненного цикла для обеспечения качественного планирования необходимо быстро получить достаточно точную оценку сложности разрабатываемого ПС для принятия решений по проекту. Для формирования такой оценки предлагается использовать метод определения размера ПС на основе оценок размера отдельных его программных объектов. Под программными объектами будем понимать структурные элементы ПС, для создания которых требуются большие трудозатраты. Все программные объекты в рамках одного типа ПС можно объединить в классы. Для каждого класса разрабатывается отдельная модель для оценки его сложности в зависимости от значений характеристик (свойств) программных объектов. Построение таких моделей подразумевает наличие базы данных статистики по уже реализованным проектам. Это позволит исключить или уменьшить влияние экспертных оценок и учесть массу факторов связанных с производительностью труда разработчиков.

Можно выделить следующие основные этапы процедуры оценки размера ПС:

Шаг 1. Выбор класса ПС. Выбор класса определяет набор программных объектов ПС и используемых прогнозных моделей для оценки их сложности, которые должны быть предварительно созданы и настроены по историческим данным.

Шаг 2. Подсчет экземпляров программных объектов, которые должны быть реализованы при создании ПС.

Шаг 3. Определение значений характеристик программных объектов, используемых в выбранной модели оценки их размера.

Шаг 4. Получение частных оценок размеров программных объектов разрабатываемого ПС с использованием настроенных моделей.

Шаг 5. Получение итоговой оценки размера ПС, путем аккумулирования значений частных оценок.

Ключевым этапом процедуры является построение моделей оценки размера объектов ПС на основе значений их характеристик. Сложность экземпляров класса объектов ПС определяется с помощью базы знаний (БЗ), построенной на правилах нечеткого вывода. Роль БЗ — идентификация нелинейной зависимости y = f (X), где X — вектор значений количественных свойств класса объектов ПС; y — значение размера объекта ПС в условных единицах измерения.

Для построения частных моделей оценки сложности объектов ПС предлагается использовать метод двухэтапной идентификации нелинейных зависимостей с помощью нечетких баз знаний. Первый этап? структурная идентификация? представляет собой формирование нечеткой базы знаний, которая грубо отражает взаимосвязь между входами и выходом с помощью лингвистических правил «ЕСЛИ — ТО». Лингвистические правила генерируются в результате экстракции нечетких знаний из имеющейся статистики. На втором этапе проводится параметрическая идентификация исследуемой зависимости путем нахождения таких параметров нечеткой базы знаний, которые минимизируют отклонение модельных результатов и имеющейся статистики. Данный подход реализуется путем использования нечетких нейронных сетей, способных одновременно формировать нечеткие правила и адаптировать функции принадлежности путем модификации весов связей в процессе обучения.

Основная особенность рассматриваемых моделей заключается в том, что заключения правил представляются не в виде принадлежности выходной переменной к нечетким множествам, а в форме функциональных зависимостей (нейронная продукционная сеть Такаги-Сугено-Канга) [Борисов и др., 2007]:

П_i: ЕСЛИ х₁ есть А_i1 И … И х_j есть А_ij И И х_m есть А_im,.

ТО ,.

где A_ij — нечеткое множество, отражающее значение характеристики программного объекта x_j, с функцией принадлежности (x_j); x_j — количественная характеристика объекта ПС, определяющая его сложность; y — четкая выходная переменная равная искомому размеру объекта ПС, определяемая четкой функцией от значений характеристик объекта ПС; n — количество правил; m — количество входных переменных.

При ограниченном наборе обучающих данных возможно использование упрощенной модели, когда заключения правил заданы синглетонами (выходная переменная представляется константой: у = c_i).

Использование разработанного метода позволит добиться следующих преимуществ:

• · метод позволяет использовать имеющуюся статистическую информацию по завершенным проектам разработки ПС как количественной, так и качественной природы, отображая ее в терминах естественного языка — в форме нечетких продукционных правил ЕСЛИ — ТО. Это позволяет учесть массу факторов связанных с технологическим процессом разработки ПС в конкретной проектной организации;
• · предлагаемый метод не предполагает наличия каких-либо сведений о виде функциональных зависимостей входов и выходов модели;
• · получаемые с помощью разработанного метода модели допускают достаточно понятную интерпретацию.