Page 1

XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software Dr. Jerffeson Teixeira de Souza GOES.UECE - Grupo de Otimização em Engenharia de Software Universidade Estadual do Ceará


Prazer em conhecer,

Jerffeson Teixeira de Souza Universidade Estadual do Cearรก Professor Adjunto http://goes.comp.uece.br/ prof.jerff@gmail.com


Nosso tempo está dividido desta forma Parte 01 Parte 02 Parte 03 Parte 04 Parte 05

Otimização em Engenharia de Software Introdução a Metaheurísticas Aplicação de Metaheurísticas em Engenharia de Software Considerações Finais Discussões (se o tempo permitir)


XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software PARTE 01 – OTIMIZAÇÃO EM ENGENHARIA DE SOFTWARE


Espere um minuto. Antes, vamos definir ...


Engenharia de Software

Otimização


Engenharia de Software


Disciplina da engenharia que se ocupa de todos os aspectos da produção de software, desde os estágios iniciais de especificação até a manutenção desse sistema.

Sommerville


Otimização βελτιστοποίησης


Otimização “Otimização consiste em encontrar uma ou mais soluções válidas para um determinado problema que correspondem a valores extremos (ou ótimos) de uma ou mais funções que valoram tais soluções.”


Tipos de Otimização Mono-objetiva Uma única função a ser otimizada Possui uma Ordenação Total Busca uma única solução (ótima)

Multi-objetiva Duas ou mais funções a serem otimizadas Possui uma Ordenação Parcial Busca um conjunto de soluções


f(x)

f(y) ou f(x)

f(y), para todo x e y

Ordenação Total Ordenação Parcial f(x)

f(y), f(x)

f(y) ou (f(x) / f(y) e f(x) / f(y)) para algum x e y


Na Otimização multi-objetiva, o conceito de Dominância substitui o conceito “melhor-pior-igual”

Dominância “Uma solução S1 domina uma solução S2 se S1 é melhor ou igual a S2 em todos os critérios, e estritamente melhor em pelo menos um deles”


EXEMPLO ILUSTRATIVO

Problema Escolher um voo entre São Paulo e Fortaleza, minimizando o custo, que deve ser no máximo de R$ 800,00, e que possua o menor tempo de voo possível.


EXEMPLO ILUSTRATIVO

Tempo de Voo (horas)

2

1

2

3,5

4

6

7

8

Custo (R$)

300,00

700,00

900,00

650,00

400,00

100,00

300,00

600,00

Voos Disponíveis

Problema Escolher um voo entre São Paulo e Fortaleza, minimizando o custo, que deve ser no máximo de R$ 800,00, e que possua o menor tempo de voo possível.


EXEMPLO ILUSTRATIVO

Tempo de Voo (horas)

2

1

2

3,5

4

6

7

8

Custo (R$)

300,00

700,00

900,00

650,00

400,00

100,00

300,00

600,00

Voos Disponíveis Solução Inválida

Problema Escolher um voo entre São Paulo e Fortaleza, minimizando o custo, que deve ser no máximo de R$ 800,00, e que possua o menor tempo de voo possível.


S1 domina S2 1.000,00 900,00 800,00 700,00 600,00 custo() (R$) 500,00 400,00 300,00 200,00 100,00 0,00

S2 S1

0

1

2

3

4

5

6

7

8

9

10

tempo_de_voo() (horas)

Objetivo: Minimizar tempo_de_voo() e custo()


S1 n達o domina S2 e S2 n達o domina S1

1.000,00 900,00 800,00 700,00 600,00 custo() (R$) 500,00 400,00 300,00 200,00 100,00 0,00

S1 S2

0

1

2

3

4

5

6

7

8

9

10

tempo_de_voo() (horas)

Objetivo: Minimizar tempo_de_voo() e custo()


1.000,00 900,00 800,00 700,00 600,00 custo() (R$) 500,00 400,00 300,00 200,00 100,00 0,00

Pior Indiferente Indiferente Melhor

0

1

2

3

4

5

6

7

8

9

10

tempo_de_voo() (horas)

Objetivo: Minimizar tempo_de_voo() e custo()


Soluções Não Dominadas

Soluções Dominadas

1.000,00 900,00 800,00 700,00 600,00 custo() (R$) 500,00 400,00 300,00 200,00 100,00 0,00 0 Frente de Pareto

1

2

3

4

5

6

7

8

9

10

tempo_de_voo() (horas)

Objetivo: Minimizar tempo_de_voo() e custo()


Funções a Minimizar/Maximizar

minimizar f m(x)

m 1,..., M Restrições

sujeito a : g j(x) 0 hk (x) 0 xi

( L)

j 1,..., J

k 1,..., K (U ) x i x i i 1,..., n

Definem as Soluções Válidas

Formulação de Um Problema da Otimização


Resolvendo Problemas Multi-objetivos

1

Métodos à priori Decisor explicita suas preferências antes do processo de busca

2

Métodos à posteriori Decisor explicita suas preferências após o processo de busca

3

Métodos Interativos Decisor explicida suas preferências durante o proceso de busca, guiando o processo iterativamente


1

Métodos à Priori

Atribui-se um peso a cada objetivo, explicitando as preferências do decisor, assim técnicas de otimização mono-objetivo podem ser utilizadas diretamente. n

f ( x)

n

wi f i ( x) i 1

wi

1

i 1

Técnicas de Resolução: Métodos Exatos, Métodos Aproximativos, Heurísticas, Metaheurísticas Mono-objetivas.


2

Métodos à Posteriori

Selecionam um conjunto de soluções não dominadas, que deverão ser analisadas posteriormente pelo decisor. Técnicas de Resolução: Metaheurísticas Multiobjetivas.


Engenharia de Software

Otimização


Otimização em Engenharia de Software

?

Por que, quando e como aplicar. Recapitulando...


Otimização em Engenharia de Software Novo ramo da Engenharia de Software dedicado a resolução automática de problemas complexos dessa área, modelados como problemas de otimização


Otimização em Engenharia de Software = Search-based Software Engineering (SBSE)


Otimização em Engenharia de Software óri

Por que ?


Por que ? Sistemas cada vez mais complexos Abordagens automáticas se tornam cada vez mais necessárias.

Escalabilidade Soluções convencionais sofrem com problemas de escalabilidade em grandes projetos. SBSE é escalável, dado o aumento no poder de processamento.

Independência Resultados são gerados a partir de análises ausentes de qualquer vício ou pré-conceitos.


Otimização em Engenharia de Software óri

Quando ?


Quando ? Problemas Complexos

1: Grande Espaço de Busca 2: Ausência de Solução Ótima Conhecida


Otimização em Engenharia de Software óri

Como ?


Aplicando Otimização em Engenharia de Software Escolha de uma Representação para as soluções do problema

Definição da Função(ões) de Avaliação e das Restrições do problema

Escolha e Aplicação de Algoritmos de Busca


Exemplos de Problemas Complexos em Engenharia de Software Planejamento de Releases Estimativa de Custos Alocação de Pessoal


Exemplos de Problemas Complexos em Engenharia de Software Otimização de Código Fonte Otimização de Projeto Geração, Seleção e Priorização de Casos de Teste


Um Pouco de

Hist贸ria


até 2001 Diversos trabalhos esparsos, especialmente em teste de software, tratam problemas de Engenharia de Software como problemas de busca.

2007 Mark Harman publica o artigo “The Current State and Future of Search Based Software Engineering”.

Maio de 2009 1st International Symposium on Search Based Software Engineering, na cidade de Windsor, UK

2008

2001

Chamada para Edição Especial do periódico IEEE Transactions on Software Engineering em Search-Based Optimization for Software Engineering.

Mark Harman e Bryan Jones introduzem o termo Search-based Software Engineering em um artigo de mesmo nome.

Agosto de 2009 Chamada para Edição Especial do periódico Software—Practice and Experience em Practical Aspects of Search-Based Software Engineering


XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software PARTE 02 - INTRODUÇÃO A METAHEURÍSTICAS


Metaheurística Combinação de duas palavras gregas: heuriskein, que significa “encontrar”, e o sufixo meta significando “além, em um nível mais alto”.

Refere-se a uma estratégia inteligente de alto nível que guia um processo de busca, explorando eficientemente um espaço de soluções a procura de soluções ótimas ou sub-ótimas.


Discutiremos as seguintes Metaheurísticas Mono-objetivas

Algoritmos Genéticos Têmpera Simulada GRASP

Multi-objetiva

NSGA II


Algoritmos GenĂŠticos


Introdução Método de busca inspirado na Teoria da

Evolução Natural de Charles Darwin Introduzido por John Holland (1975) e popularizado por um dos seus alunos, David Goldberg (1989).


•Naturalista Britânico •1859 – Livro “A Origem das Espécies”

•Conceitos Fundamentais •Evolução é natural •Seleção Natural •Sobrevivências dos mais adaptados •Propagação genética •Mutação

Charles Darwin (1809 – 1882)


procedimento ALGORITMO_GENÉTICO() cria_população_inicial(P); repita P’ ← avaliação_da_população(P); P’’ ← seleção_dos_pais (P); P’ ← recombinação_dos_pais(P’’); mutação(P’’); P ← P’’; enquanto condições de parada não for atingida fim ALGORITMO_GENÉTICO

Pseudocódigo do Algoritmo Genético


Representação Genética Um AG processa populações de cromossomos. Um cromossomo é uma estrutura de dados, geralmente vetor ou cadeia de bits (cadeia de bits é a estrutura mais tradicional, porém nem sempre a melhor), que representa uma possível solução do problema a ser otimizado. O primeiro passo para resolver um problema utilizando AGs é representar uma possível solução deste problema na forma de um cromossomo.


População Inicial Um Algoritmo Genético começa com uma população inicial de N cromossomos.

Essa população pode ser gerada de forma aleatória ou a partir de conhecimentos prévios do problema.

O tamanho da população inicial deve ser determinado de acordo com cada problema.


Seleção

Inspirado no processo de seleção natural de seres vivos.

O AG seleciona os melhores cromossomos (aqueles de alta aptidão) com maior probabilidade para gerar cromossomos filhos (que são variantes dos pais) através dos operadores de cruzamento e mutação.


Métodos de Seleção Método da Roleta • Seleciona um cromossomo com probabilidade proporcional a sua aptidão. Método de Torneio • Seleciona um cromossomo a partir de competições, normalmente envolvendo dois cromossomos.


Cruzamento (ou Crossover) Processo de combinação de dois cromossomos para a geração de dois filhos.

Garante a propagação de material genético.

Respeita uma Taxa de Cruzamento (entre 60 e 90%) determinada a priori.


Métodos de Cruzamento Cruzamento de 1 ponto

• Realiza um corte único de cada cromossomo e combina os materiais genéticos divididos. Cruzamento de 2 pontos • Realize dois cortes, e similarmente combina os materiais genéticos divididos.


Mutação Processo de alteração genética aleatório.

Permite a adição de material genético inédito.

Respeita uma Taxa de Mutação (até 5%) determinada a priori.


Calibragem dos Parâmetros Tamanho da População

Número de Populações

Taxa de Reprodução

Taxa de Mutação


Critério de Parada

Alternativas • • • •

Número de Gerações Qualidade da Solução Ausência de Evolução Tempo


TĂŞmpera Simulada


Introdução Simulação do processo de tratamento térmico de têmpera de um sólido. Aplicação a problemas de otimização, em que a pesquisa pelo mínimo de uma função objetivo corresponderá a procurar o valor mínimo de energia na matéria solidificada após tratamento térmico de têmpera.


Têmpera Real X

Têmpera Simulada Microestados

Soluções viáveis

Energia de um Microestado

Qualidade de uma solução

Perturbação de um Microestado

Transição para uma solução vizinha

Temperatura

Parâmetro de controle

Tempo de arrefecimento

Número de iterações

Microestado de energia mínima

Solução ótima global


procedimento TEMPERA_SIMULADA() s ← GerarSoluçãoInicial() T ← T0 enquanto condições de parada não for atingida faça s’ ← EscolherRandomicamente(N(s)) se (f(s ) < f(s)) então s ← s senão Aceita s’ com probabilidade e -(f(s ) - f(s))/T fim se Atualiza(T) fim enquanto Critério de Metrópolis fim TEMPERA_SIMULADA


Análise do Critério de Metrópolis e

-(f(s ) - f(s))/T

Quanto maior f(s ) - f(s), menor a probabilidade de aceitação

Quanto maior T, maior a probabilidade de aceitação


Calibragem dos Par창metros

Temperatura Inicial

Taxa de Resfriamento


Critério de Parada

Alternativas • • • •

Congelamento Número de iterações sem melhora Número de iterações (soluções visitadas) Qualidade da Solução Tempo


GRASP


Introdução Proposto por Feo e Resende (1995)

Possui duas fases 1. Construcão Encontra uma solução viável utilizando método semiguloso (utiliza fator aleatório)

2. Busca Local Procura o mínimo local a partir da solução obtida na fase Construção


procedimento GRASP() enquanto condições de parada não for atingida faça s ConstruirSolucaoGulosaRandomica() BuscaLocal(s) GuardarMelhorSolucaoEncontrada() fim enquanto fim GRASP


Fase de Construção

Fase de Busca Local

...

...

...

...

...

...

...

Melhor Solução


procedimento GRASP() enquanto condições de parada não for atingida faça s ConstruirSolucaoGulosaRandomica() BuscaLocal(s) GuardarMelhorSolucaoEncontrada() fim enquanto fim GRASP


Fase de Construção ?? de candidatos válidos IniciaComo com lista

Reduz essa lista para uma Lista Restrita de Candidatos (RLC)

Escolhe aleatoriamente um elemento na RLC


procedimento ConstruirSolucaoGulosaRandomica() Solução Inicializar o conjunto dos candidatos C E Avaliar os custos incrementais dos elementos candidatos enquanto Solução não estiver completa faça

cmin min{c(e)|e C} cmax max{c(e)|e C} LRC {e C|c(e) cmin + (cmax – cmin)} Selecionar um elemento s LRC randomicamente Solução Solução {s} Atualizar C Reavaliar os custos incrementais dos candidatos fim enquanto retorne Solução fim ConstruirSolucaoGulosaRandomica

Fase de Construção do GRASP


Análise da LRC LRC

{e

C|c(e)

cmin +

(cmax – cmin)}

varia de 0 a 1

Quando

= 1, LRC = C

Quando

= 0, LRC = {e

C|c(e)

cmin}


Fase de Busca Local Retorna melhor solução da vizinhança


GRASP Reativo Ajuste dinâmico do valor de encontradas

de acordo com as soluções

Conjunto de valores possíveis de

Probabilidade inicial de escolha de cada é igual a 1/ n, onde n é o número de valores possíveis de


NSGA-II


Introdução AG multi-objetivo desenvolvido em Deb et al. (2000)

Utiliza dois algoritmos de ordenação 1. Non-dominated Sorting Algorithm Busca por soluções próximas a Frente de Pareto

2. Crowding Distance Sorting Busca por soluções bem distribuídas no espaço


Crowding Distance Sorting

pop

F1 F2

pop

F3

filhos Rejeitado

Non-Dominated Sorting


Non-dominated Sorting Para cada solução calcula-se quantas outras soluções a dominam e quais soluções são dominadas por ela Faz-se um ciclo no qual a cada iteração são retiradas as soluções que não são dominadas e diminui-se o contador das soluções dominadas por estas que foram retiradas A cada ciclo, uma nova frente é criada com as soluções retiradas do conjunto


Crowding Distance Sorting Utiliza uma função de cálculo de distância entre soluções que estejam no mesmo front para garantir um melhor fitness àquelas que estejam em áreas menos povoadas no espaço de busca. Para cada função objetivo as soluções com valores extremos são classificadas como tendo distância infinita. As outras soluções tem sua distância recalculada de acordo com uma fórmula normalizada que utiliza a diferença de valores para esta solução e as duas mais próximas a ela.


XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software PARTE 03 - APLICAÇÃO DE METAHEURÍSTICAS EM ENGENHARIA DE SOFTWARE


Roteiro de Aplica莽玫es

Engenharia de Requisitos Problema do Pr贸ximo Release (Mono-objetivo)

Problema do Pr贸ximo Release (Multi-objetivo)

Planejamento de Releases


Roteiro de Aplicações

Alocação de Pessoal Teste de Software Priorização de Casos de Teste


!

ATENÇÃO Notações e formulação serão respeitadas integralmente


Fonte: Bagnall, A., Rayward-Smith, V., e Whittley, I. The Next Release Problem. Information and Software Technology, 43:883-890(8), 2001.

Empresas desenvolvedoras de sistemas complexos para vários clientes precisam determinar quais requisitos serão incluidos no próximo release. Demanda de vários clientes por requisitos individuais Requisitos possuem pré-requisitos

Clientes tem importâncias diferentes Requisitos possuem custo

Problema do Próximo Releases (Mono-Objetivo)


Problema

Selecionar um conjunto de requisitos que possam ser implementados dentro de um orรงamento restrito e que satisfaรงam as demandas de clientes importantes

Problema do Prรณximo Releases (Mono-Objetivo)


Formulação R é o conjunto de requisitos

Cada cliente, i, possui um conjunto de requisitos, Ri indica a importância desse clientes para a empresa

R, e um peso, wi, o qual

Associado com o conjunto R está um grafo G = (R,E), direcionado e acíclico, onde (r,r´)

E sss r é um pré-requisito de r´

Se a empresa decide satisfazer os requisitos do cliente i, ela deve também desenvolver não somente Ri, mas também, parents(Ri), onde parents(Ri) = {r

R | (r,r´)

E , r´ Ri}

Problema do Próximo Releases (Mono-Objetivo)


Formulação R*i = Ri parents(Ri ) contêm todos os requisitos que devem ser implementados para satisfazer o cliente i. Cada r possui um custo associado, cost(r)

Z+

Para um subconjunto de requisitos R´, temos que cost (R´) = ({cost(r)|r R´} Assumindo que a empresa tem n clientes, a tarefa é encontrar um subconjunto de clientes, S {1,2,3,…,n}, cujo requisitos serão satisfeitos

Problema do Próximo Releases (Mono-Objetivo)


Maximização da Importância

Maximizar

wi i S

Restrição de Custo

sujeito a cost

R

*

i

B

i S

Problema do Próximo Releases (Mono-Objetivo)


Resultados

Foram avaliados vários algoritmos (Método Exato, GRASP, Busca Local, Subida em Encosta e Têmpera Simulada) sobre problemas gerados aleatoriamente contendo entre 100 clientes e 140 tarefas e 500 clientes e 3250 tarefas.

No menor dos problemas, o Método Exato se mostrou satisfatório. Enquanto nos outros, a Têmpera Simulada encontrou as melhores soluções com baixo custo computacional, obtendo em médio resultados somente 1.5% piores que os ótimos conhecidos.

Problema do Próximo Releases (Mono-Objetivo)


Fonte: Zhang, Y., Harman, M., e Mansouri, S. A. The multi-objective next release problem. Anais do IX Annual Conference on Genetic and Evolutionary Computation. 2007.

Extensão da formulação anterior

Considera o custo como objetivo, e não como restrição

Problema do Próximo Releases (Multi-Objetivo)


Problema

Selecionar um conjunto de requisitos que possam maximizar o valor total e minimizar o custo requerido.

Problema do Pr贸ximo Releases (Multi-Objetivo)


Formulação Conjunto de clientes, C = {c1, . . .,cm} e conjunto de requisitos, R = {r1, . . .,rm} todos independentes

Cada requisito possui um certo custo, dado por Cost = {cost1, . . .,costm} Cada cliente têm uma importância, dado por Weight = {weight1, . . .,weightm} Cada cliente indica um valor para cada requisito, dado por value(ri,cj), onde value(ri,cj) > 0 se possui esse requisito, ou value(ri,cj) = 0, ao contrário.

A importância total de um requisito ri é dada por scorei=

m j=1 value(ri,cj)

A tarefa é encontrar um vetor de decisão x = {x1, . . .,xn} que o requisito foi selecionado, e 0 que não.

{0,1}, onde 1 indica

Problema do Próximo Releases (Multi-Objetivo)


Maximização da Importância n

Maximizar

scorei xi i 1

Minimização do Custo

n

Maximizar -

costi xi i 1

Problema do Próximo Releases (Multi-Objetivo)


Resultados Foram avaliados vários algoritmos (NSGA-II, Algoritmo Genético de Pareto (Pareto GA), Algoritmo Genético Mono-Objetivo, Busca Randômica) sobre dois problemas de tamanhos variados.

A metaheurística NSGA-II obteve os melhores resultados em todos os casos.

Quando maior o conjunto de teste, maior foi a diferença de desempenho entre o NSGA-II e o Pareto GA, que obteve o segundo melhor resultado nos experimentos.

Problema do Próximo Releases (Multi-Objetivo)


Fonte: Colares, F., Souza, J., Carmo, R., Pádua, C. e Mateus, G. A New Approach to the Software Release Planning. Anais do XXIII Simpósio Brasileiro de Engenharia de Software. 2009.

Extensão da formulação anterior Trata a dependência entre requisitos e risco

Planeja todos os releases, e não somente o próximo Aspectos Considerados

Planejamento de Releases

• Satisfação dos Clientes • Priorização de Requisitos (pelo risco) • Interdependência entre Requisitos • Recursos Limitados


Problema

Distribuir um conjunto de requisitos entre diversos releases com os objetivos de aumentar a satisfação dos clientes e diminuir os riscos do projeto, respeitando a quantidade de recursos disponíveis em cada release e a interdependência entre requisitos.

Planejamento de Releases


Formulação

Conjunto de Requisitos, R = {r1, r2, ..., r|R|} Conjunto de Clientes, S = {s1, s2,..., s|S|}

Conjunto de Releases, K = {k1, k2,..., k|K|} Conjunto de Recursos, P = {p1, p2, ..., p|P|}

Planejamento de Releases


Formulação Cada cliente possui um peso, Weight = {weight1, . . .,weight|S|}

Cada cliente tem uma prioridade para cada requisito, prioritys,r

Cada requisito tem um custo relativo a cada recurso, efforti

Planejamento de Releases


Formulação

Há um valor disponível para cada recurso em cada iteração, Available_resources = {available_resources1, . . .,available_resources iority|K|} Cada requisito tem um risco associado, Risk = {risk1, . . .,risk|R|}

Deseja-se calcular o vetor x = {x1, ..., r|R|}, onde cada xi varia de 1 até |K|, indicando em qual release o requisito i será implementado.

Planejamento de Releases


Maximizar

weights s S r R

Minimizar

prioritys ,r total _ prioritys

risk r xi

K

xi

Maximização da Satisfação

r R

Minimização do Risco

Sujeito a

effortr

available _ resourcesi , i | 1 i

K

r R

xi

x j , (ri

rj )

Restrição de Recursos

Restrição de Precedência

Planejamento de Releases


Resultados A metaheurística NSGA-II foi avaliada sobre um problema com 19 requisitos, 5 releases, 5 clientes e 3 recursos diferentes.

A metaheurística NSGA-II obteve melhores resultado que uma busca aleatória.

Comparado com os resultados gerados por 5 profissionais, o NSGA-II os superou significantemente.

Planejamento de Releases


Fonte: Burdett, G. e Li, R. Quantitative Approach to the Formation of Workgroups. Anais do ACM SIGCPR Conference on Supporting Teams, Groups, and Learning inside and Outside the IS Function: Reinventing IS. 1995

Alocação de pessoas para a execução de uma determinada conjunto de tarefas Considera as preferências e as habilidades de cada pessoa

Alocação de Pessoal


Problema Alocar um conjunto de pessoas a um conjunto de tarefas minimizando o custo salarial, priorizando as habilidades de cada pessoa e respeitando suas preferĂŞncias.

Alocação de Pessoal


P

N

Minimizar

Sal p Aap Dura p 1 a 1 P

S

N

R ps Aap SI s p 1 s 1 a 1 N

P

N

P

Ppa Aap a 1 p 1 N

P

Pmpa Aap a 1 p 1

P

Pp1 p 2 Aap1 Aap2 X p1 p 2 a 1 p1 1 p 2 1

Alocação de Pessoal


Formulação Duração da Atividade a, Dura Tempo de finalização da Atividade a, FTa

Número de instâncias da Habilidade s requeridas para a Atividade a, Isa Peso da performance na função objetivo,

Alocação de Pessoal


Formulação Peso das preferências na função objetiva,

Número total de Atividades, N Número total de Pessoas, P

Preferência da gerência pela Pessoa P na Atividade a, Pma Preferência da Pessoa p pela Atividade a, Ppa

Alocação de Pessoal


Formulação

A Pessoa 1 prefere trabalhar com a Pessoa 2, Pp1p2

Ranking da Pessoa p na Habilidade s, Rps Custo salarial da Pessoa p por unidade de tempo, Salp Importância da Habilidade s, SIs

Tempo de inicialização da Atividade a, STa

Alocação de Pessoal


Onde ...

Aap = 1 se a Pessoa p for alocada para a Atividade a, e 0, caso contrário

Aap1 = 1 se a Pessoa p1 for alocada para a Atividade a, e 0, caso contrário Aap2 = 1 se a Pessoa p2 for alocada para a Atividade a, e 0, caso contrário

Alocação de Pessoal


Onde ...

Das = 1 se a Atividade a demanda a habilidade s, e 0, caso contrário Xp1p2 = 1 se a Pessoa p1 é diferente da pessoa p2, e 0, caso contrário

Alocação de Pessoal


P

N

Minimizar

Sal p Aap Dura p 1 a 1 P

S

Custo Salarial

N

R ps Aap SI s p 1 s 1 a 1 N

P

N

P

Ppa Aap a 1 p 1 N

P

Pmpa Aap a 1 p 1

P

Pp1 p 2 Aap1 Aap2 X p1 p 2 a 1 p1 1 p 2 1

Alocação de Pessoal


P

N

Minimizar

Sal p Aap Dura p 1 a 1 P

S

N

R ps Aap SI s p 1 s 1 a 1

Priorização das Habilidades

N

P

N

P

Ppa Aap a 1 p 1 N

P

Pmpa Aap a 1 p 1

P

Pp1 p 2 Aap1 Aap2 X p1 p 2 a 1 p1 1 p 2 1

Alocação de Pessoal


P

N

Minimizar

Sal p Aap Dura p 1 a 1 P

S

N

R ps Aap SI s p 1 s 1 a 1 N

P

N

P

Ppa Aap a 1 p 1

Priorização das Preferências por Atividades

N

P

Pmpa Aap a 1 p 1

P

Pp1 p 2 Aap1 Aap2 X p1 p 2 a 1 p1 1 p 2 1

Alocação de Pessoal


P

N

Minimizar

Sal p Aap Dura p 1 a 1 P

S

N

R ps Aap SI s p 1 s 1 a 1 N

Priorização das Preferências por Pessoas

P

N

P

Ppa Aap a 1 p 1 N

P

Pmpa Aap a 1 p 1

P

Pp1 p 2 Aap1 Aap2 X p1 p 2 a 1 p1 1 p 2 1

Alocação de Pessoal


Resultados A metaheurística Têmpera Simulada foi avaliada sobre dados gerados aleatoriamento contendo 10, 20, 50 e 100 pessoas, onde foram selecionadas equipes de 5 ou 10 pessoas. A solução ótima foi encontrado pela Têmpera Simulada para equipes de 5 pessoas de um total de 10, 20, 50 e 100 pessoas, com baixo custo computacional. Para equipes de 10 pessoas, como as soluções ótimas não eram conhecidas, os resultados obtidos pela Têmpera Simulada não puderam ser avaliados.

Alocação de Pessoal


Fonte: Maia, C. , Carmo, R., Campos, G. e SOUZA, J. A Reactive GRASP Approach for Regression Test Case Prioritization. Anais do XL Simpósio Brasileiro de Pesquisa Operacional. 2008.

Modificações em um software pode causar problemas em outras funcionalidades Re-testar todo o software pode ser inviável

A ordenação de casos de teste permite a seleção de um subconjunto destes Um caso de teste é avaliado pela quantidade de erros que ele encontra

Calcular esse valor é impossível sem executar o caso de teste

Priorização de Casos de Teste

Métricas de cobertura (de bloco, de linhas de comando e de decisão) são utilizadas


Problema Ordenar os casos de teste de forma que somente um subconjunto de casos de teste possa ser executado, com somente pequena, ou nenhuma, perda de efetividade.

Priorização de Casos de Teste


Formulação Suíte de testes, T, com n casos de teste que cobre um conjunto B de m blocos de código Seja TBi o primeiro caso de teste na ordem T´, de T, que cobre o bloco i. A métrica APBC (Average Percentage Block Coverage) para a ordem T´ é dada por 1 – (TB1 + TB2 + ... + TBm)/nm + 1/2n As métricas APDC (Average Percentage Decision Coverage) e APSC (Average Percentage Statement Coverage) são calculadas de forma similar

Priorização de Casos de Teste


1

Casos de Teste

Entendendo a Métrica APBC

Blocos 2

3

A

X

B

X

X

X

C

X

X

X

4

5

6

7

8

9

10

X

X

X

X

X

D

X

X X

X

X

X

E

Percentual de Cobertura de Blocos

Ordenação T1: A – B – C – D – E 100 90 80 70 60 50 40 30 20 10 0

APBC = 46% 0,0

0,2

0,4

0,6

0,8

1,0

Fração do Suíte de Teste

Priorização de Casos de Teste


1

Casos de Teste

Entendendo a Métrica APBC

Blocos 2

3

A

X

B

X

X

X

C

X

X

X

4

5

6

7

8

9

10

X

X

X

X

X

D

X

X X

X

X

X

E

Percentual de Cobertura de Blocos

Ordenação T1: C – E – B – A – D 100 90 80 70 60 50 40 30 20 10 0

APBC = 82% 0,0

0,2

0,4

0,6

0,8

1,0

Fração do Suíte de Teste

Priorização de Casos de Teste


Maximizar APBC

Priorização de Casos de Teste


Resultados A metaheurística GRASP Reativo foi comparada com os métodos Guloso, Guloso Adicional e Algoritmo Genético. Foram usados 5 programas de tamanhos variados, onde foram avaliadas as métricas APBC, APDC e APSC. O algoritmo Guloso Adicional teve o melhor desempenho de todos, superando significantemente o método Guloso e Algoritmo Genético, que surpreendentemente obteve a pior performance de todos.

O GRASP Reactivo obteve o segundo melhor resultado, gerando resultados insignificantemente piores do que o Guloso Adicional. Não foram encontradas diferenças de performance nas diferentes métricas.

Priorização de Casos de Teste


XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software PARTE 04 - CONSIDERAÇÕES FINAIS


Considerações Finais

A Otimização em Engenharia de Software (Search-based Software Engineering) se apresenta como novo ramo de pesquisa da Engenharia de Software.

Tem alcançado um crescente interesse mundial (ver slide a seguir), e gerado resultados relevantes rapidamente, especialmente por combinar conhecimentos consolidados. Muito ainda precisa ser feito no sentido de popularização desses resultados fora do meio acadêmico.


Histórico de Publicações em SBSE 100 90 80 70 60 50 40 30 20 10 0

FONTE: SEBASE


Pesquisa em Otimização em Engenharia de Software Novos Problemas Geração de novas formulações para problemas da engenharia de software. Extensão de formulações existentes . Tratamento multi-objetivo para formulações monoobjetivas.

Novas Abordagens Aplicações de novos métodos de busca em problemas existentes. Estudos comparativos de técnicas de busca.

Competitividade Humana Análise da competitividade dos resultados gerados automaticamente em comparação com resultados produzidos por humanos.


Pesquisa em Otimização em Engenharia de Software Análise de Sensibilidade Avaliação da influência de variáveis na qualidade de resultados gerados e na dificuldade de resolver certos problemas.

Otimização Interativa Estratégias de incorporação do julgamento humano durante o processo de otimização.

Hibridização Combinação de métodos na geração de abordagens mais eficientes.


Oportunidades Cooperação O Grupo de Otimização em Engenharia de Software (GOES.UECE) está a disposição.

Divulgação/Aprendizado 2nd International Symposium on Search Based Software Engineering, em Setembro de 2010 na Cidade de Benevento, Itália

1o Workshop Brasileiro de Otimização em Engenharia de Software, em conjunto com o SBES´2010 (a confirmar)


Chegamos ao fim! Obrigado pelo tempo e pela atenção.


Chegamos ao fim! Obrigado pelo tempo e pela atenção.


XXIV Simpósio Brasileiro de Banco de Dados XXIII Simpósio Brasileiro de Engenharia de Software Fortaleza, 05 a 09 de Outubro de 2009

Metaheurísticas Aplicadas a Problemas Complexos da Engenharia de Software

prof.jerff@gmail.com http://goes.comp.uece.br/ Universidade Estadual do Ceará GOES.UECE - Grupo de Otimização em Engenharia de Software

GOES.UECE - SOES Especial Minicurso SBES 2009  

Nesta apresentação são cobertos os tópicos conceituais importantes na área de Otimização em Engenharia de Software. Além disso, são apresent...

Read more
Read more
Similar to
Popular now
Just for you