Software Engineering with Computational Intelligence

زیرساخت‌های تکنولوژیکی دائماً در حال تکامل دنیای مودم چالش بزرگی را برای توسعه سیستم‌های نرم‌افزاری با افزایش اندازه، پیچیدگی و عملکرد ارائه می‌کند. رشته مهندسی نرم افزار شاهد تغییرات و نوآوری هایی برای مقابله با این چالش ها و سایر چالش های به طور مداوم در حال رشد با توسعه و پیاده سازی متدولوژی های مهندسی نرم افزار مفید بوده است. از جمله پیشرفت‌های اخیر، مواردی است که در زمینه قابلیت حمل نرم‌افزار، تکنیک‌های تأیید رسمی، اندازه‌گیری نرم‌افزار و استفاده مجدد از نرم‌افزار انجام شده است. با این حال، با وجود معرفی برخی پارادایم های مهم و مفید در رشته مهندسی نرم افزار، انتقال فناوری آنها در مقیاس بزرگتر به شدت تدریجی و محدود بوده است. برای مثال، بسیاری از سازمان‌های توسعه نرم‌افزار ممکن است تیم تضمین نرم‌افزار مشخصی نداشته باشند، که می‌تواند به عنوان یک عنصر کلیدی در توسعه یک محصول نرم‌افزاری با کیفیت بالا و قابل اعتماد در نظر گرفته شود. اخیراً، حوزه مهندسی نرم‌افزار ادغام یا ادغام فزاینده‌ای با حوزه هوش محاسباتی (Cl) مشاهده کرده است که عمدتاً از فناوری‌های بالغ منطق فازی، شبکه‌های عصبی، الگوریتم‌های ژنتیک، برنامه‌نویسی ژنتیک و مجموعه‌های ناهموار تشکیل شده است. سیستم‌های هیبریدی که دو یا چند مورد از این فناوری‌ها را ترکیب می‌کنند نیز در زیر چتر Cl طبقه‌بندی می‌شوند. مهندسی نرم‌افزار بر خلاف سایر رشته‌های مهندسی با پایه است، عمدتاً به دلیل عامل انسانی آن (طراحان، توسعه‌دهندگان، آزمایش‌کنندگان و غیره). ماهیت بسیار غیر مکانیکی و شهودی عامل انسانی بسیاری از مشکلات مرتبط با مهندسی نرم افزار را مشخص می کند، از جمله مواردی که در تخمین تلاش توسعه، پیش بینی کیفیت و قابلیت اطمینان نرم افزار، طراحی نرم افزار و تست نرم افزار مشاهده شده است.

The constantly evolving technological infrastructure of the modem world presents a great challenge of developing software systems with increasing size, complexity, and functionality. The software engineering field has seen changes and innovations to meet these and other continuously growing challenges by developing and implementing useful software engineering methodologies. Among the more recent advances are those made in the context of software portability, formal verification· techniques, software measurement, and software reuse. However, despite the introduction of some important and useful paradigms in the software engineering discipline, their technological transfer on a larger scale has been extremely gradual and limited. For example, many software development organizations may not have a well-defined software assurance team, which can be considered as a key ingredient in the development of a high-quality and dependable software product. Recently, the software engineering field has observed an increased integration or fusion with the computational intelligence (Cl) field, which is comprised of primarily the mature technologies of fuzzy logic, neural networks, genetic algorithms, genetic programming, and rough sets. Hybrid systems that combine two or more of these individual technologies are also categorized under the Cl umbrella. Software engineering is unlike the other well-founded engineering disciplines, primarily due to its human component (designers, developers, testers, etc. ) factor. The highly non-mechanical and intuitive nature of the human factor characterizes many of the problems associated with software engineering, including those observed in development effort estimation, software quality and reliability prediction, software design, and software testing.