遗传算法与深度学习驱动的大类恶臭检测自动化：94.21%精度方法

本文主要探讨了"基于遗传算法和深度学习的大类恶臭检测自动化"这一主题，发表在沙特国王大学学报上。大类恶臭，通常指的是软件设计中的大型类问题，这些问题可能导致软件质量属性下降，如复杂性、内聚度和耦合度不足。在软件工程（SE）中，有效地评估和检测这类问题是一项挑战，特别是如何选择合适的度量标准来确定问题的存在。 传统的软件质量评价往往依赖于人工识别和判断，例如通过大小度量、内聚度量和耦合度量来评估类设计。然而，这在确定最佳指标组合，以及设定阈值以自动识别大类恶臭方面仍存在局限。为此，作者提出了一种创新的方法——HA-LCBS（大类恶臭检测混合方法），它结合了遗传算法（GA）与深度学习技术。 遗传算法在这里被用来自动构建一个检测模块，这个模块由不同类型（如内聚度和耦合度）的度量组成。遗传算法模拟自然选择的过程，通过迭代优化来寻找最有效的度量组合。这种方法的优势在于能够减少人为干预，提高效率和精度。 一旦遗传算法生成了潜在的度量配对，这些数据会被输入到深度学习模型中进行训练。深度学习模型，如神经网络，能够学习并捕捉不同度量之间的复杂关系，从而自动识别是否存在大类恶臭。实验结果显示，该方法的准确性达到了94.21%，显示出显著的效果。 值得注意的是，本文的研究背景强调了软件设计质量的重要性，以及在面向对象编程（OOP）中遵循设计原则对于避免大类恶臭的关键作用。模块化和抽象原则被用来指导设计，确保软件结构清晰、易于维护和扩展。 总结来说，这篇文章提供了一个新颖的自动化工具，通过遗传算法和深度学习的结合，有效提升了软件设计的大类恶臭检测能力，对于提升软件质量评价的自动化水平具有重要的理论和实践意义。同时，文章还强调了开放访问许可，使研究人员可以自由地分享和利用这一研究成果。