Abonnez-vous à DeepL Pro pour éditer ce document.

Visitez www.DeepL.com/Pro pour en savoir plus.

Modèles de prédiction de la qualité des logiciels

basés sur l'apprentissage machine : État de l'art
Hamdi A. Al-Jamimi et Moataz Ahmed
Département de l'information et de
l'informatique Université du pétrole et des
minéraux Roi Fahd
Dhahran, Arabie Saoudite
{aljamimi, moataz}@kfupm.edu.sa

une qualité externe d'intérêt, le concepteur du logiciel serait

Résumé - La quantification des paramètres affectant la qualité intéressé à prédire la maintenabilité de sa conception
des logiciels est l'un des aspects importants de la recherche dans
le domaine du génie logiciel. Dans cet article, nous présentons une
étude bibliographique complète des principales études sur le
moulage de qualité. L'enquête aborde deux points de vue : (1) la
quantification des paramètres affectant la qualité des logiciels ; et
(2) l'utilisation de techniques d'apprentissage automatique pour
prédire la qualité des logiciels. L'article conclut que la
transparence des modèles est un défaut commun à toutes les
études étudiées.

Mots clés- Qualité des logiciels ; évaluation de la qualité ;

modèle de prédiction ; apprentissage machine, transparence

I. INTRODUCTION
La qualité des logiciels signifie dans quelle mesure un
système ou un processus satisfait aux exigences identifiées [1].
En effet, la qualité décrit et mesure ce qu'un système fait, ainsi
que la façon dont il est construit et fonctionne. Selon la
définition de la norme ISO 9126, la qualité d'un logiciel est
"l'ensemble des caractéristiques et attributs d'un produit
logiciel qui influent sur son aptitude à satisfaire des besoins
déclarés ou implicites" [2]. Les caractéristiques et attributs des
logiciels peuvent être classés en deux groupes différents :
internes et externes. Les attributs de qualité internes peuvent
être mesurés directement au cours des différentes étapes du
cycle de développement du logiciel ainsi qu'après la livraison,
tandis que l'attribut de qualité externe peut être considéré
comme multidimensionnel dans la mesure où de nombreux
facteurs de qualité sont liés à d'autres facteurs de qualité, et où
chacun dépend d'un certain nombre d'attributs de qualité
internes [3].
Un modèle de qualité logicielle peut être utilisé pour
spécifier divers attributs externes qui intéressent les parties
prenantes et leur niveau d'importance. Il décrit également la
relation fonctionnelle entre les attributs externes d'intérêt et les
attributs internes correspondants que nous pouvons mesurer.
Plutôt que d'utiliser des modèles de qualité pour évaluer les
attributs externes après coup, il est plus courant d'utiliser des
modèles de qualité pour prévoir les attributs externes de
qualité avant qu'il ne soit trop tard. En d'autres termes, le
modèle de qualité permet de prédire les attributs de qualité
externes en fonction de plusieurs autres variables qui sont en
fait des attributs de qualité internes mesurables. Dans ce cas,
ces attributs internes servent de prédicteurs pour prévoir les
futurs attributs de qualité externes à des stades précoces du
cycle de développement. Par exemple, si la maintenabilité est

à partir de certains attributs internes (par exemple, le
couplage et la cohésion) qui sont mesurables pendant le
processus de conception, plutôt que d'attendre d'évaluer
l'effort et le coût de maintenance après coup.
L'évaluation/prévision d'un attribut de qualité externe
particulier implique deux tâches principales : l'identification
des facteurs ou des attributs de qualité internes contribuant à
l'attribut externe visé ; et l'identification de la relation
fonctionnelle entre l'attribut externe et les attributs internes
correspondants. Différents modèles génériques de qualité des
logiciels ont été proposés par divers chercheurs, tels que le
modèle de Boehm [4], le modèle de McCall [5], le modèle
ISO/IEC 9126 [6] et le modèle de Dromey [7]. Ces modèles
ont été développés pour permettre de définir et de mesurer la
qualité des logiciels dans différentes perspectives en décrivant
et en évaluant un ensemble d'attributs des logiciels.
Cependant, ces modèles importants fournissent davantage de
cadres pour évaluer et prédire la qualité des logiciels que des
modèles concrets prêts à être appliqués par les praticiens. En
particulier, ces modèles de qualité ne fournissent pas de
relations fonctionnelles spécifiques entre les attributs internes
et externes. Il convient de noter ici que dans la plupart des
cas, ces relations pourraient être plus complexes qu'une
simple relation linéaire. Guidés par ces modèles de premier
plan, de nombreuses tentatives ont été proposées dans la
978-1-4799-0604-8/13/$31.00 ©2013 IEEE
littérature pour traiter principalement des relations
fonctionnelles. Dans le présent document, nous présentons une
étude complète qui aborde deux points de vue sur ces
tentatives. Alors que la section II introduit la quantification
des paramètres affectant la qualité du logiciel, la section III
passe en revue les études qui utilisent les techniques
d'apprentissage machine (ML) pour prédire la qualité du
logiciel. Ensuite, les questions en suspens et les lacunes des
études étudiées sont examinées dans la section IV.
II. QUANTIFICATION DES PARAMÈTRES DE QUALITÉ
Actuellement, la quantification des paramètres affectant les
logiciels
La qualité est un domaine important de la recherche en génie
logiciel (SWE). Différents paramètres sont quantifiés dans
diverses études en raison de leurs effets sur la qualité des
logiciels. Les modèles de qualité des logiciels peuvent être
classés en deux catégories : les modèles fixes et les modèles
"définissez votre propre modèle" [8].
A. L'approche du modèle fixe
Ce type de modèles spécifie un ensemble particulier de
qualités lorsque l'ensemble des attributs identifiés par le client
est un
dans le modèle prédéfini. Afin de mesurer et de contrôler un coûts lors de l'évaluation des différentes alternatives de
attribut de qualité particulier, il est nécessaire d'utiliser les conception et lors du passage d'une alternative à l'autre.
sous-caractéristiques, les mesures et les relations associées au Les modèles définis indirectement - proviennent à l'origine
modèle fixe. de deux domaines principaux, à savoir l'intelligence artificielle
Le modèle de Boehm [4] a été défini pour fournir un et les mathématiques. Le modèle de qualité pourrait être
ensemble de "caractéristiques bien définies et bien influencé par la technique choisie et son
différenciées de la qualité des logiciels". Ce modèle est
considéré comme un modèle hiérarchique, dans lequel les
différents critères de qualité du modèle sont subdivisés au fur
et à mesure que la hiérarchie du modèle s'étend. Deux niveaux
de critères de qualité sont identifiés, de sorte que le niveau
intermédiaire est encore divisé en caractéristiques mesurables.
Le modèle McCall [5] était destiné aux développeurs de
systèmes et devait être utilisé pendant le processus de
développement. Le modèle identifie trois domaines de travail
du logiciel : le fonctionnement du produit, la révision du
produit et la transition du produit. Il reflète les priorités des
développeurs ainsi que les points de vue des utilisateurs.
Dromey
[7] a proposé un modèle pour la qualité des produits logiciels.
Ce modèle établit le lien entre les caractéristiques du produit et
des attributs de qualité moins tangibles. En d'autres termes, le
modèle illustré fournit un processus explicite pour intégrer des
propriétés porteuses de qualité dans les logiciels. À leur tour,
ces propriétés impliquent des attributs de qualité spécifiques.
En outre, le modèle peut aider à mener une recherche
systématique des défauts de qualité dans les logiciels.
Lamouchi et ses collaborateurs [9] ont quantifié les
facteurs de qualité des logiciels par un modèle hiérarchique.
Les facteurs sont subdivisés en critères et sous-critères à
différents niveaux. Le dernier niveau a quantifié différentes
mesures logicielles affectant les différents facteurs. Srivastava
et ses collaborateurs [10] ont quantifié les paramètres de la
qualité du logiciel selon différentes perspectives : celle du
développeur, du gestionnaire de projet et de l'utilisateur. Ils
ont pris en compte la moyenne pondérée des différents
facteurs pour obtenir la qualité réelle du logiciel.
Kanellopoulos et al (11) ont évalué la qualité du code source
et le comportement statique d'un système logiciel, sur la base
de la norme ISO/IEC-9126 (6), à l'aide du modèle AHP
(Analytical Hierarchy Process)

B. L'approche "Définissez votre propre modèle

Cette approche contraste avec l'approche des modèles fixes
en ce sens qu'aucun attribut de qualité spécifique n'est défini.
En revanche, un consensus sur les attributs de qualité
pertinents est reconnu pour un système spécifique en
coopération avec l'utilisateur. Ensuite, les attributs définis sont
décomposés en caractéristiques de qualité qui peuvent être
mesurées et leurs paramètres. La décomposition peut être
guidée par un modèle de qualité existant. Les relations entre
les attributs et les caractéristiques de qualité pourraient alors
être définies de deux manières. Premièrement, par un modèle
directement défini par les acteurs du projet. Deuxièmement,
par un modèle défini indirectement qui peut être généré
automatiquement.
Les modèles directement définis sont considérés comme
des graphiques de dépendance. Des exemples de ces
approches ont été présentés dans [12, 13]. Samoladas et al.
[12] ont présenté un modèle de qualité hiérarchique pour
évaluer le code source ainsi que les processus
communautaires. Lazić et al. [13] ont proposé un modèle qui
peut être utilisé pour suivre les décisions de conception ainsi
que les alternatives potentielles. Cela peut aider à réduire les
paramètres. Néanmoins, la technique utilisée n'a pas d'impact meilleur de manière appropriée. Dans un travail
direct sur le modèle de qualité des résultats. En effet, les supplémentaire [34], ils ont utilisé le modèle AHP flou et plus
relations de qualité représentées dans ces modèles sont particulièrement la méthode des moindres carrés
compliquées, ce qui affecte négativement la compréhension logarithmiques flous pour estimer la qualité des logiciels.
des parties prenantes du projet. Mago et al.
[35] a utilisé FL pour analyser la qualité de la conception de
logiciels orientés objet.
III. PRÉVISION DE LA QUALITÉ DES LOGICIELS
BASÉE SUR L'APPRENTISSAGE
MACHINE
Les techniques de ML ont été utilisées dans de nombreux
domaines de problèmes différents car ce domaine se
concentre sur la construction d'algorithmes qui ont la capacité
d'améliorer leurs performances automatiquement par
l'expérience. L'application des techniques de ML à l'ETS a
donné des résultats prometteurs et encourageants [14].
La machine à vecteur de soutien (SVM) a été appliquée
avec succès dans de nombreux modèles de prévision de
l'ETS. Le SVM a été utilisé pour la prédiction de l'effort de
maintenance [15]. De plus, différentes études ont utilisé le
SVM pour la prédiction des modules de prédictivité des
défauts du logiciel [16-18].
Le réseau bayésien (BN) a été utilisé dans diverses études
dans le domaine de l'ETS en raison de sa capacité à intégrer à
la fois des données empiriques et des avis d'experts. Certaines
études ont porté sur la prévision de la qualité des logiciels
[19] et sur les efforts de développement [20]. Wagner
[21] a proposé un cadre pour la création d'un BN pour la
prévision de la qualité des logiciels en utilisant les modèles de
qualité basés sur les activités. De même, Radliński [22] a
proposé un modèle BN pour la prédiction intégrée de la
qualité des logiciels. L'auteur a ensuite amélioré le cadre
proposé en utilisant à nouveau le BN [23]. D'autres études ont
utilisé le BN pour évaluer et prédire la maintenabilité du
logiciel [24].
Kanmani et al (25) ont introduit l'utilisation des réseaux
neuronaux (NN) comme outil de prédiction des défauts des
logiciels. Yang et al.
[26] a également proposé un modèle de prévision de la qualité
des logiciels basé sur un NN flou pour identifier les erreurs de
conception des produits logiciels dans les premières étapes du
cycle de vie d'un logiciel. De plus, les NN ont été utilisés
pour prédire à un stade précoce des attributs de qualité
spécifiques, par exemple la fiabilité [27] et l'effort de
maintenance [28].
Comme la relation entre les attributs de qualité internes et
externes est entourée d'impression et d'incertitude, différentes
études dans la littérature ont tenté d'utiliser la capacité de la
logique floue (FL) pour estimer la qualité du logiciel. Mittal
et ses collaborateurs [29] ont proposé une approche basée sur
la FL pour quantifier la qualité des logiciels, où les logiciels
examinés ont reçu des notes de qualité sur la base de deux
mesures. Srivastava et ses collaborateurs (30) ont essayé de
classer la qualité des logiciels en utilisant l'approche floue à
critères multiples. Cette approche a permis de classer les
logiciels sur la base des documents de spécifications des
exigences logicielles. Ils ont réalisé une analyse similaire en
utilisant le modèle de qualité ISO/IEC 9126 [31]. Yang [32] a
proposé une approche pour mesurer la qualité des produits
logiciels avec les normes ISO basées sur la technique FL. Un
modèle AHP flou a été proposé par Yuen et al (33) pour
évaluer la qualité du logiciel et pour sélectionner le
fournisseur du logiciel en cas d'incertitude. Le modèle classe
les différents logiciels pour permettre de sélectionner le
 Diverses études ont été consacrées à la prédiction de la Toutefois, le système résultant de la procédure de formation
maintenabilité des logiciels. De nombreuses approches basées souffre d'une lacune qui nuit à la transparence. Cela est
sur le FL ont été proposées pour mesurer les attributs de principalement dû au fait que le processus de formation
qualité après coup. Par exemple, Mittal et al (36) ont proposé modifie le nombre de valeurs linguistiques possibles pour
une approche basée sur le FL pour évaluer la productivité de la chaque
maintenance des systèmes logiciels. Sharam et al (37) ont
introduit une approche basée sur le FL pour la prédiction de la
maintenabilité des systèmes basés sur des composants. De
plus, une autre approche basée sur le FL a été proposée par
Singh et al (38) pour prédire la maintenance des logiciels.
Dans notre travail précédent [39], nous avons présenté les
premières expériences de construction de modèles basés sur le
FL pour prédire la maintenabilité des logiciels. D'autres
chercheurs ont envisagé différentes techniques de FL pour
prédire la maintenabilité du logiciel. De même, différentes
approches de FL ont été introduites pour évaluer différents
attributs de qualité tels que la facilité d'utilisation [40], la
compréhensibilité [41] et la réutilisabilité [42, 43],
et la fiabilité [44].
Il convient de noter ici qu'aucune des tentatives évoquées
ci-dessus n'a considéré le modèle de transparence comme un
objectif. À notre connaissance, les modèles proposés
précédemment n'étaient pas suffisamment transparents pour
que l'homme puisse y intégrer ses connaissances.

IV. DISCUSSION ET QUESTIONS OUVERTES

La transparence du modèle fait référence à la propriété du
modèle où les relations fonctionnelles sont interprétables par
l'homme ; elle permet d'incorporer deux types de
connaissances : les connaissances d'expert et les connaissances
cachées dans les données. Les experts seraient en mesure de
manipuler directement la structure du modèle pour tout ajout
ou modification nécessaire [45, 46].
La transparence constitue une contrainte importante pour
que les modèles de qualité soient efficaces. En effet, l'apport
des experts offre une part importante d'informations lorsqu'il
s'agit de construire des modèles de prévision de qualité ; les
données historiques fournissent l'autre part. Les données
historiques fournissent des mesures quantitatives numériques
provenant de projets antérieurs concernant les attributs de
qualité internes et externes. Les experts humains utilisent leur
expérience pour fournir des descriptions qualitatives de la
corrélation entre les attributs de qualité internes et externes.
Les experts utilisent des valeurs linguistiques, par exemple,
haute, moyenne et basse, qui sont imprécises par nature. Il en
va de même pour les relations suggérées par les experts ; elles
sont également imprécises.
À cet égard, le FL présente des caractéristiques
importantes par rapport aux autres approches en raison de sa
capacité à représenter naturellement les connaissances
linguistiques qualitatives fournies par les experts, à s'adapter
aux données imprécises et à appliquer des règles d'inférence
souples. En ce qui concerne la transparence, bien qu'une
hypothèse implicite affirme que les règles naturellement floues
peuvent être interprétées facilement, cela ne pourrait pas être
vrai tout le temps. L'hypothèse pourrait être fausse lorsque la
partition générée est dénuée de sens pour les experts ou
lorsqu'il s'agit de systèmes multivariables complexes [45]. Un
exemple du manque de transparence, lorsqu'on utilise un
modèle de logique floue pour prédire un attribut particulier
d'un logiciel. Différents ensembles flous sont utilisés, alors
que ces ensembles devraient être partagés entre toutes les
règles. Rappelons que les ensembles flous peuvent être
générés à partir de données ou donnés par des experts.
 NTIS AD/A-049 016,
variable linguistique. Principalement, la procédure de U. S. Department of Commerce, rédacteur en chef 1977.
formation augmente le nombre de valeurs linguistiques au fur [6] Norme, I.I.I., génie logiciel - Qualité des produits - Partie 1 : Modèle de
et à mesure que le nombre de règles augmente. qualité. 2001.
Pour avoir une idée précise de la question, examinons la
représentation physique d'un modèle flou. Supposons que
nous utilisions un modèle avec trois variables d'entrée (X, Y
et Z), où deux valeurs linguistiques différentes (ensembles
flous) ont été définies pour chaque variable d'entrée. Les
règles représentent les différentes valeurs linguistiques pour
chaque variable, où chaque combinaison de valeurs
linguistiques a sa propre réponse. En d'autres termes, la
variable d'entrée X sera représentée dans chaque règle par x1
ou x2, et la même chose pour les variables Y et Z. Lors de
l'initialisation des règles, les experts savent clairement quelle
est la signification des variables linguistiques utilisées.
Cependant, après avoir formé le modèle flou, il ne se
retrouvera pas avec les mêmes ensembles flous pour chaque
variable d'entrée (c'est-à-dire deux ensembles pour chacune).
Les ensembles flous de la variable X peuvent être le même
nombre que le nombre de règles (par exemple, si le nombre
de règles est n, alors les ensembles flous de X sont x1, x2,
x3,...,xn), ce qui n'a pas de sens pour l'expert.
Dans cette optique, nous étudions l'impact de la
génération automatique de règles et de l'optimisation des
structures sur la transparence des modèles [47]. Nous
présentons un processus générique pour la construction de
modèles de prévision de qualité à base de flou. Ce processus
est conçu pour servir de cadre d'évaluation de la qualité que
les praticiens peuvent utiliser en fonction des données
disponibles. Une étude de cas a été réalisée en utilisant la
maintenabilité comme attribut externe d'intérêt. Notre objectif
à long terme est de mener des expériences similaires à l'avenir
sur d'autres attributs externes également lorsque des données
sont disponibles ; et d'aboutir à un modèle de qualité général.

V. CONCLUSION
Dans cet article, nous avons réalisé une étude
bibliographique complète des approches actuelles de
modélisation de la prédiction de la qualité des logiciels. Notre
objectif est d'identifier l'état de l'art en ce qui concerne
l'utilisation des deux principales sources de connaissances
pour la construction de modèles. La condition préalable à une
combinaison efficace des sources de connaissances est la
transparence du modèle. L'enquête a révélé qu'aucun des
modèles actuels ne traite la question de la transparence du
modèle.

REMERCIEMENTS
Les auteurs souhaitent remercier l'Université King Fahd
du pétrole et des minéraux pour son soutien à cette recherche.

RÉFÉRENCES
[1] Gillies et A. C, Software Quality : Theory and management, 1992,
Londres : Chapman et Hall.
[2] Norme, I.I., ISO-9126 Évaluation des produits logiciels -
Caractéristiques de qualité et lignes directrices pour leur utilisation,
1991.
[3] Fenton, N.E. et S.L. Pfleeger, Software Metrics : A Rigorous and
Practical Approach1998, Boston, MA, USA PWS Publishing Co.
[4] Boehm, B.W., et al, Characteristics of Software Quality, 1978 : North
Holland Publishing Company.
[5] McCall, J.A., P.K. Richards et G.F. Walters, Factors in Software
Quality I. Vol. I et III, Rapports du Centre de développement aérien de
Rome aux États-Unis - NTIS AD/A-049 014, NTIS AD/A-049 015 et
[7] Dromey, R.G., Un modèle pour la qualité des produits logiciels. IEEE
Transactions on Software Engineering, 1995. 21(146-162).
[8] Trendowicz, A. et T. Punter. Quality Modeling for Software Product
Lines. in : 7th ECOOP Workshop on Quantitative Approaches in Object-
Oriented Software Engineering (QAOOSE'03). 2003.
[9] Lamouchi, O., A.R. Cherif et N. Lévy. A framework based
measurements for evaluating an IS quality. in Proceedings of the fifth on
Asia-Pacific conference on conceptual modelling. 2008. Wollongong,
NSW, Australie.
[10] Srivastava, P.R. et K. Kumar. An Approach towards Software Quality
Assessment. in Communications in Computer and Information Systems
Series (CCIS Springer Verlag). 2009.
[11] Kanellopoulos, Y., et al, Code Quality Evaluation Methodology Using
The Iso/Iec 9126 Standard. International Journal of Software
Engineering & Applications (IJSEA), 2010. 1(3) : p. 17-36.
[12] Samoladas, I., et al, The SQO-OSS quality model : measurement based
open source software evaluation. 2008.
[13] Lazić, L., A. Kolašinac, et D. Avdić, Le modèle économique de la
qualité des logiciels pour l'optimisation des projets logiciels. WSEAS
transactions on computers, 2009. 8(1) : p. 21-47
[14] Zhang, D. et J.J.P. Tsai, Apprentissage automatique et génie logiciel.
Software Quality Journal, 2003. 11(2) : p. 87-119.
[15] Jin, C. et J.-A. Liu. Applications of Support Vector Mathine and
Unsupervised Learning for Predicting Maintainability using Object-
Oriented Metrics. in The Second International Conference on
MultiMedia and Information Technology. 2010
[16] Singh, Y., A. Kaur et R. Malhotra. Software Fault Proneness Prediction
Using Support Vector Machines. in Proceedings of the World Congress
on Engineering. 2009. Londres, Royaume-Uni.
[17] Malhotra, R., A. Kaur et Y. Singh, Empirical validation of object-
oriented metrics for predicting fault proneness at different severity levels
using support vector machines. Int J Syst Assur Eng Manag (juillet-
septembre), 2010. 1(3) : p. 269-281.
[18] Al-Jamimi, H. et L. Ghouti. Efficient prediction of software fault
proneness modules using support vector machines and probabilistic
neural networks. in 5th Malaysian Conference in Software Engineering
(MySEC). 2011.
[19] Radliński, Ł., A conceptual Bayesian net model for integrated software
quality prediction Journal of Annales UMCS Informatica, 2011. 11(4) :
p. 49-60.
[20] Radlinski, L., A Survey of Bayesian Net Models for Software
Development Effort Prediction. International Journal of Software Eng.
and Computing, 2010. 2 : p. 95-109.
[21] Wagner, S. A Bayesian Network Approach to Assess and Predict
Software Quality Using Activity-Based Quality Models. in : 5th Int.
Conf. on Predictor Models in Software Engineering. 2009. ACM Press,
New York.
[22] Radliński, Ł. A Framework for Integrated Software Quality Prediction
Using Bayesian Nets. in ICCSA 2011. 2011.
[23] Radliński, Ł. Enhancing Bayesian Network Model for Integrated
Software Quality Prediction. in The Fourth International Conference on
Information, Process, and Knowledge Management. 2012.
[24] Jeet, K. et R. Dhir, Bayesian and Fuzzy Approach to Assess and Predict
the Maintainability of Software : A Comparative Study. International
Scholarly Research Network ISRN Software Engineering, 2012.
[25] Kanmani, S., et al, Object oriented software fault prediction using neural
networks. Information and Software Technology, 2007. 49(5) : p. 483-
492.
[26] Yang, B., L. Yao et H.Z. Huang. Early Software Quality Prediction
Based on a Fuzzy Neural Network Model. in Proceedings of the Second
International Conference on Innovative Computing, Information and
Control. 2007. Washington DC, États-Unis.
[27] Su, Y.-S. et C.-Y. Huang, approches basées sur les réseaux neuronaux
pour l'estimation de la fiabilité des logiciels à l'aide de modèles
combinatoires pondérés dynamiques. The Journal of Systems and
Software, 2007. 80 p. 606-615.
[28] Shukla, R. et A.K. Misra. Estimating Software Maintenance Effort A
Neural Network Approach. dans les Actes de la 1ère conférence indienne
sur le génie logiciel ISEC '08. 2008. Hyderabad, Inde.
[29] Mittal, H., P.K. Bhatia et P. Goswami, Software Quality Assessment
Based on Fuzzy Logic Technique. International Journal of Software
Computing Applications, 2008( 3) : p. 105-112.
[30] Srivastava, P.R., A.P. Singh, et K.V. Vageesh, Assessment of Software
Quality : A Fuzzy Multi - Criteria Approach, in Evolution of
Computation and Optimization Algorithms in Software Engineering :
Applications and Techniques, 2010, IGI Global USA. p. 200-219.
[31] Srivastava, P.R., et al. Software quality factor evaluation using Fuzzy
multicriteria approach. in Proceedings of the 4th Indian International
Conference on Artificial Intelligence (IICAI 2009). Décembre 2009.
Tumkur, Karnataka, Inde.
[32] Yang, H., Measuring Software Product Quality with ISO Standards Base
on Fuzzy Logic Technique Affective Computing and Intelligent
Interaction : Advances in Intelligent and Soft Computing, 2012 (Progrès
de l'informatique intelligente et de l'informatique douce). 137 : p. 59-67.
[33] Yuen, K.K.F. et H.C.W. Lau. Evaluating Software Quality of Vendors
using Fuzzy Analytic Hierarchy Process. in Proceedings of the
International Multi Conference of Engineers and Computer Scientists
Vol I (IMECS 2008). Mars 2008. Hong Kong.
[34] Yuen, K.K.F. et H.C.W. Lau, Fuzzy group analytical hierarchy process
approach for software quality assurance management : Méthode des
moindres carrés logarithmiques flous. Systèmes experts avec
applications : An International Journal, août 2011. 38(8) : p. 10292-
10302.
[35] Mago, J. et P. Kaur. Analysis of Quality of the Design of the Object
Oriented Software using Fuzzy Logic. in International Conference on
Recent Advances and Future Trends in Information Technology. 2012.
[36] Mittal, J.P., P. Bhatia et H. Mittal, Software maintenance productivity
assessment using fuzzy logic. ACM SIGSOFT Software Engineering
Notes, sept. 2009. 34(5).
[37] Sharma, A., P.S. Grover, et R. Kumar, Predicting Maintainability of
Component-Based Systems by Using Fuzzy Logic in Contemporary
Computing : Communications in Computer and Information Science,
2009. p. 581-591.
[38] Singh, Y., P.K. Bhatia, et O. Sangwan, Predicting software maintenance
using fuzzy model. ACM SIGSOFT Software Engineering Notes 2009
34 (4) : p. 1-6.
[39] Al-Jamimi, H.A. et M. Ahmed. Prediction of Software Maintainability
Using Fuzzy Logic. in IEEE 3rd ICESS. 2012. Beijing, Chine.
[40] Chang, E. et T.S. Dillon, A Usability-Evaluation Metric Based on a Soft-
Computing Approach. IEEE TRANSACTIONS ON SYSTEMS, MAN,
AND CYBERNETICS-PART A : SYSTEMS AND HUMANS, mars
2006. 36(2).
[41] Lin, J.-C. et K.-C. Wu. Evaluation of Software Understandability Based
Based On Fuzzy Matrix. in in IEEE International Conference on Fuzzy
Systems (FUZZ 2008). 2008.
[42] Sandhu, P.S., D.S. Salaria, et H. Singh, A Comparative Analysis of
Fuzzy, Neuro-Fuzzy and Fuzzy-GA Based Approaches for Software
Reusability Evaluation. Académie mondiale des sciences, de l'ingénierie
et de la technologie, 2008.
[43] Nerurkar, N.W., A. Kumar et P. Shrivastava, Assessment of reusability
in aspect-oriented systems using fuzzy logic. ACM SIGSOFT Software
Engineering Notes archive, 2010 35 (5) : p. 1-5
[44] Sharmaa, R.K., D. Kumarb et P. Kumarb, Fuzzy modeling of system
behavior for risk and reliability analysis. International Journal of
Systems Science, 2008 39(6) : p. 563-581.
[45] Guillaume, S., Conception de systèmes d'inférence floue à partir de
données : un examen axé sur l'interprétabilité. IEEE Trans. Fuzzy
Systems, 2001. 9 p. 426-443.
[46] Paiva, R.P. et A. Dourado, Interpretability and learning in neuro-fuzzy
systems. Fuzzy Sets and Systems, 2004. 147 p. 17-38.
[47] Ahmed, M.A. et H.A. Al-Jamimi, Approches d'apprentissage
automatique pour la prédiction de la maintenabilité des logiciels : A
Fuzzy-based Transparent Model. IET Software, 2013.