Comparação de métodos heurísticos para o problema de modularização de software

1. Comparação de métodos heurísticos para o problema de modularizaçãode software Rodrigo de Carvalho

2. Sumário • Introdução • Descrição do Problema • Algoritmos • GRASP • S.A • AG • Planejamento Experimental • Objetivo • Instância e métricas • Design experimental • Teste estatístico • Análise Experimental • Conclusões

3. Introdução MANUTENÇÂO: Sistemas legados Falta de documentação

4. Introdução • Clusterizaçãode grafos direcionados e não ponderados.

5. Introdução • Particionar um grafo em subgrafos, de forma que o número de arestas entre pares de vértices em subgrafos distintos seja minimizado, bem como, o número de arestas internas a cada subgrafo seja maximizado.

6. Introdução • N = 10  115.975 • N = 15  1.382.958.545

7. Algoritmos • GRASP

8. Algoritmos • SimulatedAnnealing

9. Algoritmos • AG

10. Objetivo do Experimento • Verificar a existência de diferença significativa no desempenho dos algoritmos quando aplicados ao problema de clusterização em grafos (modularização de software).

11. Instâncias • 12 instâncias • 10 a 100 nós • 30 a 1200 arestas

12. Métrica • MQ - Qualidade de Modularização (Dovallet al.,1999) • Esta medida leva em consideração a quantidade de arcos internos interligando vértices em um mesmo cluster, denominada intraconectividade, e a quantidade de arcos interligando vértices entre clusters diferentes, denominada interconectividade (Bi j).

13. Design Experimental

14. Planejamento Experimental • Hipótese: • H0: os algoritmos não apresentam diferença no desempenho quando aplicados ao problema estudado; • Fator: Algoritmo • Níveis: GRASP,SimulatedAnnealing, AG. • Blocos: por instância; • Replicações: 10. • Região de rejeição: Consiste em todos os valores da estatística do teste utilizado ,tais que sua probabilidade de ocorrência , sob H0, não supere α = 0,05 (nível de significância) .

15. Teste estatístico • Teste de Friedman • Planejamento em blocos com único fator; • Uma alternativa robusta onde não é possível afirmar/justificar sobre a normalidade dos dados; (Teste não paramétrico); • Para aplicar o teste calcula-se o valor de uma estatística χ02; • Quando se tem uma amostra relativamente grande é possível mostrar que χ02tem uma distribuição aproximadamente qui-quadrada com k-1 gl.

16. Ambiente Experimental • Algoritmos implementados na linguagem C++; • Testes realizados em um computador com: • Intel Core i3 2.3 GHz; • 4 Gb RAM; • Windows 7. • Para cada replicação foi dado um tempo aproximado de 40 segundos de processamento.

17. Amostras Obtidas • Algoritmo x instância x replicação • 3 x 12 x 10 = 360 valores • 60 valores ignorados

18. Análise estatística • Para teste de hipótese realizado foi considerado um nível de confiança de 95% ( α = 0,05); • O valor crítico: 5,991

19. Análise estatística procedimento de comparação múltipla

20. Conclusão • O teste realizado indica a existência de diferença estatisticamente significativa quanto ao desempenho dos algoritmos avaliados; • Baseado na média dos ranks e no intervalo de confiança pode ser perceber que o método GRASP é promissor para resolver esse problema.

21. DOVAL, D., MANCORIDIS, S. E MITCHELL, B. S., “AutomaticClusteringof Software System using a GeneticAlgorithm”. Proc. Ofthe Int. Conf. On Software ToolandEnginneringPractice, pp 73-81,1999. • DIAS, C.R. Desenvolvimento e Análise Experimental de Algoritmos Evolutivos para o Problema de Clusterização Automática em Grafos Orientados , Univ. UFF,2004, Dissertação de Mestrado. • D. C. Montgomery e G. C. Runger. Applied statistics and probability for engineers. John Wiley, 3 edição, 2003.