Algoritmo Genético e PSO Aplicados à Escolha dos Hiperparâmetros de uma Rede Neural MLP para Classificação de Requisitos Não-Funcionais

Abstract

Os requisitos não-funcionais (RNFs) desempenham um papel importante na área de Engenharia de Software (ES), estando associados à construção, ao funcionamento e à manutenção de uma aplicação de qualidade. O sucesso da tarefa manual de classificação de RNFs depende do conhecimento e da experiência do engenheiro de requisitos, além de demandar tempo. Trabalhos têm sido desenvolvidos visando a aplicação de algoritmos de aprendizagem de máquina para classificar automaticamente RNFs, cenário em que devem ser escolhidos os hiperparâmetros do modelo classificador. Neste trabalho, o Algoritmo Genético (GA, Genetic Algorithm) e o algoritmo de Otimização por Enxame de Partículas (PSO, Particle Swarm Optimization) são utilizados para encontrar hiperparâmetros da rede Neural Perceptron Multicamada (MLP, Multilayer Perceptron), com o objetivo de classificar RNFs presentes no conjunto de dados PROMISE_exp. O GA encontrou uma combinação de hiperparâmetros que resultou em F1 de 0,6349, enquanto o PSO encontrou uma combinação que obteve 0,6426 de F1.