16861

مطالعه‌اي بر روي يادگيري تقويتي عميق قابل توضيح براي بازسازي خودكار نرم‌افزار

1403

دكتر مهرداد اشتيانى

دكتر حسن نادري

هدف از بازسازي خودكار نرم‌افزار، افزايش قابليت نگهداري بدون تغيير عملكرد يك برنامه است. با اين حال، مشكلاتي در استفاده از اتوماسيون وجود دارد زيرا راه‌حل‌هاي خودكار توجيه كافي براي دليل انتخاب يك اقدام خاص ارائه نمي‌دهند. اين امر منجر به عدم اعتماد توسعه‌دهندگان به استفاده از راه‌حل‌هاي خودكار در برنامه‌هاي دنياي واقعي مي‌شود. به همين دليل، پيشرفت‌هاي اخير در روش‌هاي يادگيري تقويتي عميق (DRL) براي آموزش عامل‌ها براي يادگيري روش‌هاي بازسازي با استفاده از رابط كاربري آنها با نمايش‌هاي كد منبع و يادگيري از سيگنال‌هاي پاداش متمركز بر قابليت نگهداري، صورت گرفته است. يكي از چالش‌هاي مهم اكثر سياست‌هاي DRL اين است كه آنها به عنوان جعبه‌هاي سياه عمل مي‌كنند. بنابراين، درك نحوه تصميم‌گيري آنها دشوار است. اين تحقيق به بررسي چگونگي ادغام روش‌هاي هوش مصنوعي قابل توضيح (XAI) با راه‌حل‌هاي بازسازي خودكار مبتني بر DRL مي‌پردازد. به طور خاص، اين مطالعه بازسازي را به عنوان يك فرآيند تصميم‌گيري ماركوف (MDP) رسمي مي‌كند. حالت‌هاي MDP حاوي اطلاعاتي در مورد ويژگي‌هاي موجود در كد منبع هستند، اقدامات ممكن، تبديل‌هاي بازسازي موجود هستند و پاداش‌هايي كه عامل دريافت مي‌كند به بهبود معيارهاي كيفيت كد كمك مي‌كند. به منظور ايجاد شفافيت در مورد نحوه تعيين بازسازي، اين مطالعه يك چارچوب DRL قابل توضيح ايجاد مي‌كند كه تكنيك‌هاي انتساب ويژگي (مانند SHAP)، تجسم‌هاي مبتني بر توجه و روش‌هاي درون‌نگري را تركيب مي‌كند تا توضيحات قابل فهم براي انسان را براي هر اقدام بازسازي انجام شده توسط عامل ارائه دهد. چارچوب DRL قابل توضيح، يك روش ارزيابي مبتني بر معيارهاي عملكرد (يعني پاداش پيشرفت، كارايي زمان اجرا، اعتبار بازسازي) و همچنين معيارهاي قابليت توضيح (يعني وفاداري، وضوح و پذيرش انسان) ارائه مي‌دهد. اين تحقيق به ايجاد يك طبقه‌بندي براي روش‌هاي DRL قابل توضيح براي مهندسي نرم‌افزار كمك مي‌كند و يك چارچوب مفهومي براي محققان فراهم مي‌كند تا مطالعه خود را در مورد توسعه روش‌هاي شفاف، قابل اعتماد و ... ادامه دهند.

2/21/2026 12:00:00 AM

89736

1404/12/02

A study on Explainable Deep Reinforcement Learning for Automated Software Refactoring

يادگيري تقويتي عميق (DRL) , هوش مصنوعي قابل توضيح (XAI) , بازسازي نرم‌افزار , دِب فني , كيفيت كد

Deep Reinforcement Learning (DRL) , Explainable Artificial Intelligence (XAI) , Software Refactoring , Technical Debt , Code Quality