文摘

全球软件开发的需求正在增长。nonavailability软件专家在一个地方或一个国家的原因增加了全球软件开发的范围。软件开发人员都位于世界各地的和多样化的必要技能成功完成一个项目在软件开发领域中发挥重要作用。使用软件开发人员的技能和专业知识在世界各地,人们可以得到任何组件开发或任何it相关问题解决。最好的软件技能和工具都分散在全球各地,但这些技能和工具集成在一起,让他们为解决现实世界的问题是一个具有挑战性的工作任务。风险管理学科给了另一种策略来管理风险,软件专家在当今世界面临的竞争力。本研究旨在预测相关风险,成本和资源所面临的这些是全球软件开发环境的分布式团队。检查这些因素的相对影响,在本研究中,神经网络方法像Levenberg-Marquardt,贝叶斯正则化,并实现了按比例缩小的共轭梯度预测项目相关风险的反应时间,成本和资源参与全球软件开发。比较分析这三个算法也可以执行确定最高精度的算法。本研究的结果证明了贝叶斯正则化表现很好MSE(验证)的标准相比Levenberg-Marquardt和共轭梯度方法。

1。介绍

过去20年已经改变了世界1]。看过去,你不得不步行去满足您的亲戚,让一旁面对面交谈的人在世界的另一端。地球村的概念并不是一个直接的结果过多的餐馆或高层结构,但由于使用先进技术的有效和高效的信息交换。同样,软件开发的领域也经历了迅速适应变化的世界的影响按他们的客户的需求。为了提供优于传统技术应用于软件开发、本地化环境改变了分布式环境中(2]。在过去的十年中,许多软件公司开始发现或测试的分布式软件开发设施和分包的项目寻找便宜的和技术资源作为替代3]。因此,软件开发已经成为一个多点,多样化,和全球分布式的工作。各级,设计师,工程师,经理,和官员参与软件开发已经面临社会和文化多样性的挑战在完成任务3,4]。

由于技术进步,软件开发的领域是在本地和全球增长速度非常快,现在被称为全球软件开发(德牧),由外包离岸软件开发或开发。软件外包是企业层面所采用的策略在过去的二十年,是获得成熟5]。软件外包是德牧以较低的成本生产高质量的软件外包模型6,7]。尽管日益增长,软件开发行业有进入壁垒随着行业缺乏执行的定义模型(8]。全球化,简单来说是“一个世界连接在一起。然而,技术不理解人类。人类是不同的自然本质上意味着它是绝对说全球化这个词意味着文化异质性(9,10]。今天,企业、公司和非政府组织将金融资本投资开发和理解人类动力学。公司目前卷入增强其跨文化理解和培养跨文化沟通技能和强化管理能力。所有这一切都需要大量的时间和金钱,但公司愿意做这些,因为组织考虑到文化背景的团队通常更大的项目的成功经验(11]。

德牧是现代的典范。软件团队成员分散操作在不同的地理位置,在不同的时区和组织边界,同时使用工具沟通,交换信息不考虑时差和物理边界12]。在整个组织和行业,德牧很受欢迎。大量的全球项目员工从这个行业的工作,因为它提供的好处。是非常耗时的,但非常有益。德牧的优点包括全球发展、廉价而熟练的劳动力,更好的产品质量,昼夜不停地发展,工作效率、经济效益,和许多更多2,13,14]。除了所有这些关键因素和福利,劳动在德牧工作环境也面临着许多困难和挑战,如战略问题、缺乏沟通或沟通不当,不同的社会文化背景,项目管理也可能是最主要的担心之一(4,15]。问题与德牧的示意图如图1(16]。

德牧项目可分为离岸和在岸。海外项目是不被认为是成功的。这是由于物理时间的限制,知识水平和文化差异。缺乏沟通的过程也妨碍了两队之间的知识和数据共享在海上和陆上的工作地点(17]。这将导致更少的生产力和质量和相对消耗更多的时间18,19]。建议项目经理负责任何项目之前,涉及多个国家或不同的分布式领域必须通知所有这些困难和运营风险,他们可能会面临18- - - - - -21]。

风险也可以被定义为一个事件发生的可能性,这可能最终产生消极或积极影响总体目标(22]。管理策略的关键功能之一就是风险管理。它是特定的内部控制机制驱动的设计实践和程序,以妥善管理系统中的漏洞。此外,它还包括识别、分析、处理、评估、检查和回顾风险(23,24]。

在项目管理中,风险管理起着至关重要的作用在防止和减轻风险,有可能影响所需的结果。在中小企业(中小企业),预防措施整合风险降到最低保险和建立储备等风险管理过程的一部分(25]。所有的中小企业都需要一个精心策划的风险管理的策略来对付任何不利影响的一个意想不到的问题在项目(26]。

除了利益和风险,威胁也在管理涉及德牧的项目。随着团队位于不同地区的几个国家或者指定,像地理风险可能存在障碍,语言障碍,政治问题,工作时要考虑天气问题在全球软件开发项目。(27]。

在本研究中,基于人工神经网络(ANN)技术的训练算法,Levenberg-Marquardt (LM),贝叶斯正规化(BR)和缩放共轭梯度(SCG)实现预测德牧环境中的风险。结果给出了使用性能情节,训练状态图,错误直方图和回归的阴谋。确定最佳的性能,比较分析三种实现算法也被执行。

大多数软件组织在德牧环境中面临的风险。他们减轻风险使用传统的风险管理工具。此外,他们意识到,传统的风险管理方法缺乏地址德牧的关键特征的能力在任何重要的细节。这就是为什么利用机器学习(ML)技术来管理风险是有益的自学习和自愈ML算法的性质。它变得方便,因为这样的ML算法可以处理非结构化的信息。这个研究表明毫升提供了有效的技术,有助于预测与德牧相关的风险。它有一个巨大的贡献来优化德牧的过程,使其竞争和有效的满足公司的需求取决于It基础设施。这样的工具可以帮助项目经理决策以这样一种方式,他们可以预测未来风险对项目时间、成本和资源需要完成的项目。

本文由五(5)部分。第一部分介绍研究的介绍。相关工作对研究部分中解释2。人工神经网络算法及其技术用于这项研究中讨论部分3。研究方法阐述了部分4。部分5讨论结果和发现,最后一个部分总结本研究。

2。相关工作

在[28),作者建立了一个多层前馈神经网络backpropagation-based利用七缺陷从承诺库的数据集。Levenberg-Marquardt (LM),贝叶斯正规化(BR)和弹性反向传播(RP)训练算法实现的标准统计估计MSE和R2的结果,和界限混淆矩阵的计算。BR培训技术优化与LM和RP方法相比减小均方误差和2型错误,因此增加精度,灵敏度,R2值。精度大于90%取得了BR的七个数据集。

需求复杂性的程度被用作预测软件复杂性的作者(29日]。数据模式很难画一个需要和其复杂性之间的联系。为此,本文试图创建一个连接模型连接软件需求的复杂性和软件复杂性预测利用人工神经网络技术和Levenberg-Marquardt和贝叶斯规则算法。结论提出了Levenberg-Marquardt方法优越以来基于复杂性需求预测软件复杂性产生的均方误差较低。

模糊逻辑(FL)和神经Nnetwork (NN)方法被研究者在使用30.]预测软件可靠性。本文利用四种不同的技术来估计的可靠性的数据集来自约翰·穆萨在贝尔实验室。神经网络是一种混合模糊神经网络和网络。分析数据后,选别方法产生最好的结果被认为是。Levenberg-Marquardt算法训练模糊神经的神经元的方法。我们的建议方法考验利用测试数据,代表数据集的数据总量15%的失败。

软件缺陷预测的三个成本敏感的增强算法的研究人员一直在研究[31日提高神经网络。将组织对not-fault-prone阈值模块被使用的第一个算法正确组织取决于阈值移动。上,增加额外的重量的样品与未分类defect-prone模块,其余的两个weight-updating-based错认价格算法集成到weight-update规则。误分类的规范化的预期成本(NECM)确定通过测量上述算法的性能已经评估了四个数据集的帮助下从NASA-based项目。从实验结果,它已被观察到,阈值移动发现最好的选择,使软件更敏感的成本。它还预测了缺陷和提高了神经网络中所有的软件算法考虑专门开发这些类型的数据集的帮助下面向对象的语言。

慢性肾脏疾病(CKD)就是这样一种疾病,在32)的研究人员已经开发出一种使用人工神经网络检测系统。这里的想法是使用智能系统的概率计算一个特定的疾病否则正常人。他们使用UCI毫升库的输入数据进行训练,验证和测试,他们发现Levenberg-Marquardt是最好的效率与Levenberg相比,贝叶斯正规化。他们用Levenberg-Marquardt算法报告99.8%的准确率。这是一个很好的例子,使用神经网络来找到一个经济CKD检测解决方案。

研究人员在33)使用Levenberg-Marquardt、贝叶斯正规化和比例共轭梯度学习算法来预测糖尿病患者的生存在医学诊断作为练习。他们讨论这些监督机器学习算法的性能通过回归分析他们使用糖尿病数据集的皮马印第安人住在亚利桑那州,theUSA、训练和测试网络。他们还发现,Levenberg-Marquardt算法是最合适的预测算法。

cryptocurrency和电子货币快速增长作为法定货币的替代品。作者在34]利用前馈神经网络(FNN)预测比特币的行为是非常受欢迎的分散式cryptocurrency当代。比特币的价格特征的非平稳、非线性信号,根据作者使神经网络技术更适合研究他们的行为在时间的经典模型不能处理非线性。Levenberg-Marquardt的研究人员发现,使用反向传播算法(FNN-LM)工作更好的预测比特币的价格相比比例共轭梯度(SCG)反向传播算法。FNN-LM的更好的性能是有趣的,因为人会假设SCG算法更好地工作在这种情况下的大型网络和数据集。

由于改善沟通,世界已经成为一个地球村导致大部分软件开发集团位于不同国家之间发生。软件复杂性的测量是很重要的,因为一个代码的水平被认为是“good-complexity”容易理解,更快的调试,舒适的维护,并含有更少的错误。“good-complexity”水平是什么?要回答这个问题,不同的软件复杂性度量包括行代码中使用公制,霍氏度量和可维护性指数提到几个。研究人员在35]证明了神经网络是相当准确的计算软件复杂性度量。他们认为在他们的论文中,贝叶斯正则化算法的结果显示平均体积的差异只有0.09%,1.08%的努力,0.36%的项目长度与霍氏指标相比。这表明,神经网络是一种有效的工具的评估软件的复杂性。

研究人员在36)神经网络算法用于预测超导体的物理性质和得出结论,Levenberg-Marquardt提供了最佳的性能,因为它给出了一个相当准确的预测对于超导体的临界温度,作者通过策划了SOM(自组织映射)来自申请通过神经模糊网络数据集。神经网络算法可以很大的帮助(我)缩小合适的材料参数与准备新材料实验室和(2)的准确预测临界温度(37]。

3所示。问题陈述

软件专家在全球软件开发环境正面临着许多挑战。此外,风险是一个巨大的挑战与其他挑战。在德牧,团队成员在不同的地理位置和不同的时区工作,相关风险项目时间、成本和资源应该考虑,项目经理可以采取更好的决策来减少这些风险。本文研究旨在关注神经网络的实现方法(Levenberg-Marquardt、贝叶斯正规化和比例共轭梯度)预测总体项目风险根据时间,成本和资源,将有助于决策者评估时间,预算和资源需要进行一个项目。

4所示。人工神经网络

人工神经网络(ann)模型的灵感来自于生物网络,特别是神经网络在人类或动物的大脑。它试图模仿人类大脑的功能像语音识别,模式识别,人脸识别,只是一些人类的大脑的神经过程执行(38]。网络学习的例子和继续向前和向后传播的迭代过程。完成这个过程,直到输出符合为反应提供了某些预期的准确性。每个例子包括一系列的输入和相应的输出也被称为反应,通过内部关系和网络使变化称为权重(39]。一个典型的安由三层(见图2(40):(1)一个输入层,(2)一个隐藏层,和(3)一个输出层。例如,一个输入层可以是一个对象(比如一个立方体),和输出的目标是识别这个立方体和准确识别它。认识到多维数据集的任务是执行隐层的帮助下通过一个迭代的过程。输入层、隐藏层和输出层连接使用的连接(或渠道)由实线所示。

三种方法相关的人工神经网络算法命名为Levenberg-Marquardt,贝叶斯正规化,比例共轭梯度训练算法实现在各种研究论文检查相对效率这三种方法的预测能力。

4.1。Levenberg-Marquardt

这是一个算法,火车安相对比反向传播算法更快。在这种方法中,最小的一个函数表示为一个非线性函数的平方和。(41]。Levenberg-Marquardt方法实现了阻尼最小二乘法对重量(42- - - - - -44]。的Levenberg-Marquardt反向传播算法使用共轭梯度技术减少平方和在每一次迭代45]。它是不计算海赛矩阵46]。

4.2。按比例缩小的共轭梯度

按比例缩小的共轭梯度算法属于共轭梯度方法的组(41]。它开始最初与最速下降方向,允许其收敛于最小误差(42]。这种方法避免了线搜索/学习文学通过使用步长扩展机制,这使得该算法速度比其他二阶算法。按比例缩小的共轭梯度控制提供了一种学习算法具有超线性收敛速度(43]。共轭方法相对规模速度比标准的反向传播,因为它不包含任何关键user-dependent参数。它可以训练任何网络只要体重、净输入,传输函数导数函数(44]。

这个算法是建立在共轭方向,而不是一个线搜索。停止标准时代的最大数量或最大的时间超过或下面的性能达到最小梯度(46,47]。

4.3。贝叶斯正则化

与标准的反向传播方法,贝叶斯正则化相对更健壮,不需要交叉验证(44]。它提供了一个概率分布用于定量推理分析。贝叶斯正则化算法包含一个目标函数,其中包括剩余平方和之和平方重量减小估计误差获取所需的模式45,46]。

它属于群概率图形模拟基于一组随机变量和有向无环图展示可能的变量之间的依赖关系(48]。

一些研究人员已经使用这三个安技术与各种各样的应用程序。在[49安),作者应用这三种技术的预测山洪,发现贝叶斯正则化一个高效的技术比其他两种技术。作者在50安)用于水库petro-physical属性如孔隙度、渗透率、含水饱和度。在[51相比),作者相对Levenberg-Marquardt和贝叶斯正则化方法的预测能力四个cryptocurrencies价格的数据,即比特币,比特币现金,Litecoin,涟漪,发现贝叶斯正则化方法给出了减少预测误差与Levenberg-Marquardt的大型数据但方法发现几乎同样有效的对小数据。研究人员在52)使用了贝叶斯正则化方法来预测股票时间序列和工作改进的贝叶斯正则化方法提高时间序列数据的预测能力研究中使用。作者在53)四个反向传播神经网络应用于探索相关,如何把数据加载,入住率,和当地天气因素影响预测用电量。作者在54]研究减少复杂性的挑战,失败,和时间领域的软件开发和使用模糊神经网络由模糊规则寻求解决方案来克服这些挑战。

5。研究方法

伞下的人工神经网络算法,Levenberg-Marquardt,贝叶斯正规化,共轭梯度训练算法实现了全球软件开发项目的风险预测。

5.1。研究设计

本研究利用实验和仿真研究设计。使用方便取样,共计274中型和大型的软件组织在巴基斯坦,澳大利亚,和美国已确定从哪里可以收集数据。然而,首先,深入研究可用的文学进行了识别项目风险,成本和资源。

共有54相关风险项目的时间,成本和资源从文献回顾发现,足以妥协的有效性和可行性在软件开发中软件项目。54列表确定风险因素被业内行家;业内专家降低了54 26风险因素(见表1),可能影响负面德牧的工程环境。问卷调查是为了解决26风险因素强调由软件专家。调查问卷被送到760年中期和大型软件开发公司在巴基斯坦、澳大利亚和美国。数据清洗已经完成,因为一些组织离开某些问题的不完整的。

主要有三种类型的风险因素累计与德牧相关项目的整体风险,即。、时间风险、成本风险、资源风险。然而,每个风险因素可能带来的风险程度不同weightage或效果的整体风险。因此,一个彻底检查的三个风险是需要找到每个风险的程度有助于项目的总体风险。为了解决这个问题,三种神经网络方法命名为Levenberg-Marquardt (LM),贝叶斯正规化(BR)和缩放共轭梯度(SCG)已经实现预测德牧的这些风险。

最后,取得结果,比较分析LM, BR,和SCG已经完成对项目时间、成本和资源相关风险(见图3)。

5.2。这项研究的受访者

回答问卷的人是项目经理、团队领导,和系统和业务分析师大中型软件开发组织中,位于澳大利亚、巴基斯坦和美国。他们的人不得不面对德牧环境中不同类型的风险。总共有107、103和64的反应被收到了来自美国,澳大利亚,巴基斯坦软件组织。

5.3。数据收集过程

全球软件开发的风险与挑战是使用问卷调查的方法调查。问卷包含33个问题相关的时间、成本和资源的风险。Q14 33个问题,这些问题,最喜欢,篮,问题19,Q20, Q26,问,和Q28覆盖相关的风险;处置问题,Q14、最喜欢的时候,Q26,问,和Q28包含风险相关的成本而Q8则Q10,团队,最喜欢,杆子有着,温度系数,如,Q23处抓起,Q25风险导致相关资源(ouestionnaire见附录)。

受访者给出的选项如下:0(不太可能),1(不太可能),2(中立),3(可能)和4(很有可能)。

调查问卷被送到760年中期和大型软件开发组织位于巴基斯坦、澳大利亚和美国。390收到的反应;其中116反应被拒绝视为无效。274名受访者给出的示例数据表2和3。这些数据已经被训练使用神经网络方法像Levenberg-Marquardt,贝叶斯正规化,比例共轭梯度进行数据分析。

6。结果和发现

LM、BR和SCG神经网络训练算法实现,和均方误差(MSE),回归R值,处理时间、性能和梯度计算(见表3- - - - - -5)。表现情节,训练状态图、错误直方图和回归的阴谋也被证明。均方误差(MSE),方程(所示1),确定实际之间的差异的程度和估计因变量的值,均方误差值越低,适合度越高,反之亦然。相关系数(R),如方程所示(2),表明拟合模型在多大程度上能够解释因变量的变化由于自变量的变化。直方图的错误解释的错误是否正态分布,对模型的拟合优度至关重要。与时间相关的风险被用作预测全球软件开发有关的整体风险。三种不同方法的结果LM, SCG, BR使用MSE准则和比较R确定的最佳模式。

LM、BR和SCG-based神经网络训练的输入层,1 1 1隐层和输出层(见图4)。

预测的效果与时间相关的风险对整个风险相关的全球软件开发中,神经网络已经使用的三种方法。结果总结(见表4)显示,MSE(验证)的贝叶斯正则化方法与最大迭代次数最少的时代而MSE(测试)的价值Levenberg-Marquardt最小几乎类似的价值R与同一指标的结果相比其他两个模型。同时,表现的最高价值,以防Levenberg-Marquardt方法。迭代次数最少的计算时代的Levenberg-Marquardt与迭代相关联的数量相比其他两种方法。

性能图5时代的与时间相关的风险值绘制和均方误差使用Levenberg-Marquardt方法如图5。图显示了减少行为在0和1之间,然后遵循所有的值大于1的水平线趋势。

错误显示了训练误差的分布直方图,验证和测试如图6。频率对应于积极的残差值略超过相对频率对应负的错误。

(参见图的回归阴谋与时间相关的风险7给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的值R测量在所有四个回归情节没有显著的不同。

性能图19时代的与时间相关的风险值绘制和均方误差使用比例共轭方法如图8。情节展示了递减指数行为介于0和8然后遵循大约水平线趋势上面所有值8。

柱状图(参见图的错误9)显示了训练误差的分布,验证、积极的残差值的频率,或错误超过负值对应的频率。

(参见图的回归阴谋与时间相关的风险10给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的值R测量的测试明显更大,相比其他三个回归的阴谋。

性能的阴谋策划150年时代的与时间相关的风险值和均方误差基于贝叶斯方法如图11。情节展示了l形分布从0开始,所有值高于6的水平线的趋势。

柱状图(参见图的错误12)显示了训练误差的分布,为贝叶斯正则化验证和测试。负的残差的频率存在更多的变量与相对应的频率相比积极的价值观,遵循近似对称的行为。

(参见图的回归阴谋与时间相关的风险13给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的值R测量的测试相对更大,相比其他两个回归的阴谋。

结果总结在表5和风险作为解释变量来预测全球软件开发相关的整体风险。研究结果表明,MSE(验证)的最小值与其它两种方法相比而MSE(测试)的价值按比例缩小的共轭梯度最小值最高的R与结果相比相同的其他两种方法和性能指标具有最高价值的Levenberg-Marquardt方法。迭代次数最少的计算时代的Levenberg-Marquardt与迭代相关联的数量相比其他两种方法。

6时代的表现情节和风险值是基于Levenberg-Marquardt策划与均方误差方法如图14。图显示了线性减少行为从0到1,和此前约水平线的趋势值高于1。它还表明,最好的验证性能是时代2。柱状图(参见图的错误15)显示了训练误差的分布,验证和测试。

回归的情节和风险(见图16给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的价值R衡量验证相比还是相对更大的其他四个回归的阴谋。

49时代的表现情节和风险值绘制和均方误差使用比例共轭方法如图17。图显示了在时代43表现最好的验证。

柱状图(参见图的错误18培训)显示了错误的近似对称分布,验证和测试了共轭方法稍微更大的负的错误出现的频率比积极的价值观。

回归的情节和风险(见图19给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的值R测量的测试和验证几乎是相同的。

238时代的表现情节和风险值绘制和基于贝叶斯方法的均方误差如图20.。情节展示了l形分布从0开始,遵循上面的水平线趋势值0。它还表明最好的训练表现时代6。

柱状图(参见图的错误21)表明,频率对应负的错误与相对应的频率相比较高积极的价值观。

回归的情节和风险(见图22给出了拟合优度指标的比较R培训和测试和总体目标在水平轴和垂直轴上不同的功能结构三个规范。它可以观察到的价值R测量的培训相比明显更大的考验。

结果三种神经网络方法用于确定资源相关风险的影响并给出了总体风险与全球软件开发(见表6)。结果发现贝叶斯正规化的MSE(验证)的最小值与其他两种方法相比在这项研究中使用。Levenberg-Marquardt方法的MSE(测试)价值是价值最高的R与同一指标的结果相比其他两种方法而表现的最高价值,以防Levenberg-Marquardt方法。迭代次数最少的计算时代的Levenberg-Marquardt与迭代相关联的数量相比其他两种方法。

资源相关风险的性能图6时代价值观的绘制与均方误差基于LM方法如图23。情节显示了线性减少行为从0到1,然后遵循大约水平线趋势值高于1。它还表明,最好的验证性能是时代2。

柱状图(参见图的错误24)显示了训练误差的分布,验证和测试。负的残差发现更多的变量与相对应的频率相比积极的价值观。

资源相关风险的回归图(见图25给出了拟合优度指标的比较R培训、验证和测试和总体目标在水平轴和垂直轴上不同的功能结构为所有四个规格。的值R测量所有三块训练、测试和验证是明显不同的最小的训练和最高的测试。

资源相关风险的性能图31时代价值观的绘制与均方误差使用比例共轭方法如图26。图显示了减少指数0和10之间的行为,然后遵循水平线的趋势,并在时代25它给表现最好的验证。

柱状图(参见图的错误27)展示错误的频率分布与更大的出现正值残差和相对较低的频率对应负的错误与更大的可变性。

资源相关风险的回归图(见图28给出了拟合优度指标的比较R培训、验证和测试的明显不同,测试的最小值R和验证具有最高的价值。

时代的业绩情节与资源有关的风险值绘制和基于贝叶斯方法的均方误差表明最好的训练表现时代8如图29日。情节展示了l形分布从0开始,遵循上面的水平线趋势值0。

柱状图(参见图的错误30.)表明,频率对应负的错误与相对应的频率相比相对较少积极的价值观。

资源相关风险的回归图(见图31日给出了拟合优度指标的比较R培训和测试和整体水平轴上的目标。它可以观察到的价值R测量的培训相比明显更大的考验。

7所示。结论

德牧是一个复杂的软件开发环境中,团队是分散和位于不同的地理位置和履行职责在不同的时区。因此,风险管理相关的软件开发环境是困难的。因此,有必要设计和实现适当的风险管理措施,以减少与德牧环境风险的影响。在这个研究中,神经网络训练算法如Levenberg-Marquardt,贝叶斯正则化,并实现了按比例缩小的共轭梯度预测项目相关风险的反应时间,成本和资源参与全球软件开发。数据集已经使用这些神经网络训练算法,和均方rrror (MSE),回归R值,处理时间、性能和梯度计算。比较分析的实现算法也被执行。结果表明,贝叶斯正规化的MSE(验证)与时间相关的,和,和资源相关的风险有最小值与其他两种方法相比在这项研究中使用。因此,研究结果证明了贝叶斯正规化了更好的结果比其他两种方法。这一发现类似于(28,50),但不同于(33]。

德牧面临异构的工作环境,导致多个挑战一直在强调这个研究。本文指出了时间的重要性,成本、风险和资源在德牧。本文进一步提供了一个有用的见解德牧中的各个风险因素,并提供一个可伸缩和可概括的解决方案来管理他们使用有效的风险预测。我们所知,这是第一个研究关注风险预测德牧的上下文中使用人工神经网络。三安使用方法(Levenberg-Marquardt、贝叶斯正规化和比例共轭梯度)来比较这些方法的预测能力。这项研究的结果表明,Levenberg效率不如贝叶斯正规化和按比例缩小的共轭。数据集训练后,贝叶斯正则化方法对减少预测误差与Levenberg-Marquardt和共轭。在定量研究中贝叶斯正则化提供了一个健壮的模型。

整体这项研究的结果表明,这三个风险,也就是说,时间,成本和资源相关的德牧重大发现和德牧的整体风险至关重要。的研究结果表明,这些因素影响了整体风险必须被给予应有的重要性和应最小化优化德牧的好处。增加研究结果的有效性,本研究也可以重新审视包括大跨度的国家,相关的操作德牧紧密相连。这将有助于研究的任何变化的影响的性质和强度的因素更大程度的确定性,它给出了一个更可靠的框架优化德牧的性能。

推荐使用人工神经网络方法,即Levenberg-Marquardt,按比例缩小的共轭,贝叶斯正则化预测目的专门在非线性数据,因为一些研究人员使用这三种方法与各种各样的应用程序(32- - - - - -34]。安在定量研究提供了一个健壮的模型。文献研究中证明这些ANN方法比其他技术预测软件相关问题时故障或缺陷,复杂性,和风险(29日- - - - - -31日]。

7.1。限制

在这项研究中,数据已经收集了来自巴基斯坦、澳大利亚和美国。未来的研究将包括其他国家扩大了研究的范围。这将是很大的帮助来确定有关全球趋势相关的相似与相异的软件开发在世界不同的国家。此外,数据收集方便抽样的基础上,防止人员归纳结果。使用随机抽样将克服这个问题,研究的结果和调查结果可以推广。

全球软件开发相关的活动的唯一责任是团队领导或项目经理参与调查。因此,我们只收到只有一个响应表示从一个组织,从项目经理的角度来看,因此它限制的多样性观点和看法关于全球软件开发组织中的相关风险。

识别风险的全球软件开发,深度学习算法也可以用作替代得到更深入的主题领域深度学习优于机器学习技术更大的样本量。因此,这项研究可能被复制以更大的样本量增加结果的有效性。

数据可用性

调查数据用于支持本研究的发现没有提供,因为数据集必须保持机密性由于博士研究。然而,样本数据集已经纳入本文。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢他们的研究伙伴现场Ahmed Khan先生和他们的导师的方向一致的帮助,使得这一研究成为可能。作者要感谢KualaLumpur (UniKL)和大学企业管理研究所(IoBM)部分资助的这项研究。

补充材料

问卷在本研究开发涵盖了项目相关的项目时间、成本和资源风险,导致全球软件开发项目的总体风险。这个问卷调查的基础上,数据收集已经完成。成功的数据收集活动后,数据分析和得到了想要的结果,这是礼物。(补充材料)