Algoritmo genético de chaves aleatórias viciadas aplicado ao problema de clusterização de módulos de software

Megale, Geraldo Luiz Bourrus

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Alvim, Adriana Cesário de Faria
dc.contributor.author	Megale, Geraldo Luiz Bourrus
dc.date.accessioned	2018-06-26T21:39:44Z
dc.date.available	2018-06-26T21:39:44Z
dc.date.issued	2015-09-30
dc.identifier.citation	MEGALE, Geraldo Luiz Bourrus. Algoritimo genético de chaves aleatórias viciadas aplicada ao problema de clusterização de módulos de software. 2015. xiii; 87 f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2015.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/11807
dc.description	Dissertação também disponível em formato impresso, com o número de chamada CCET MI 2015/17.	pt_BR
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Algoritmo genético de chaves aleatórias viciadas aplicado ao problema de clusterização de módulos de software	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Alvim, Adriana Cesário de Faria
dc.contributor.referee	Barros, Márcio de Oliveira
dc.contributor.referee	Rosseti, Isabel Cristina Mello
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro, RJ.	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA	pt_BR
dc.subject.cnpq	CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Software Module Clustering	pt_BR
dc.subject.en	Biased Random Keys Genetic Algorithm	pt_BR
dc.subject.en	Search Based Software Engineering	pt_BR
dc.description.abstracten	A Software is made of several files that can be grouped in many different ways. This grouping process is called Software Module Clustering. Its main objective is to make it easier to understand a software thus facilitating its future maintenance and evolution. This masters’ dissertation main contribution is the development of a heuristic based on the Biased Random Key Genetic Algorithm (BKRGA) to solve the Software Module Clustering Problem. The proposed heuristic uses the following components: a coding algorithm, decoding algorithm and a local search. At first, given many possible choices for the BRKGA parameters and its components, 13 experiments were executed in order to find the best configuration for the proposed algorithm in a total of 9.120 executions. The next step used the best configuration of the proposed algorithm discovered on the previous experiment with 6 algorithms obtained from the literature (four genetic algorithms, one exact algorithm and one heuristic based on the metaheuristic Iterated local Search). At last, the best results taken from the literature were compared for 113 instances. The results indicate that, when compared to other genetic algorithms, the proposed heuristic is able to obtain, in most cases, better quality solutions. However, this improvement is obtained at a high computational cost if compared to other algorithms. Another contribution of this dissertation is the implementation of the BRKGA framework in C#.NET.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Um software é composto por um conjunto de arquivos que podem ser agrupados de muitas maneiras distintas. Esse processo de agrupamento é denominado de clusterização de módulos de software. O principal objetivo desse agrupamento é facilitar o entendimento de um software e, consequentemente, simplificar suas futuras manutenções e evoluções. A principal contribuição deste trabalho de dissertação de mestrado consiste no desenvolvimento de uma heurística, baseada no método algoritmos genéticos de chaves aleatórias viciadas (BRKGA), para resolver o problema de clusterização de módulos de software. A heurística proposta utiliza os seguintes componentes: algoritmo de codificação da solução, algoritmo de decodificação da solução e busca local. Inicialmente, considerando diversas escolhas possíveis para os parâmetros do framework BRKGA e para os componentes da heurística, 13 experimentos foram realizados a fim de eleger a melhor configuração para o algoritmo proposto, totalizando 9.120 execuções. Em seguida, comparou-se os resultados obtidos pela melhor versão do algoritmo proposto com seis métodos da literatura (quatro algoritmos genéticos, um método exato e uma heurística baseada na metaheurística Iterated Local Search), de forma isolada e, por fim, comparou-se com os melhores resultados da literatura para um conjunto de 113 instâncias. Resultados computacionais indicam que, quando comparada com outros métodos baseados em algoritmos genéticos, a heurística proposta é capaz de obter, na maioria dos casos, soluções de melhor qualidade. Entretanto, esta melhoria é conseguida com um custo computacional elevado, se comparado ao dos demais métodos. Outra contribuição deste trabalho foi a implementação do framework BRKGA na linguagem C#.NET.	pt_BR
dc.subject.pt	Clusterização de módulos de software	pt_BR
dc.subject.pt	Algoritmos genéticos de chaves aleatórias viciadas	pt_BR
dc.subject.pt	Engenharia de software baseada em busca	pt_BR