گسترش ابزارهای خودکار شناسایی الگوهای طراحی با عملیات پالایش و تصحیح برچسب

نتیجه گیری و کارهای آتی…………………………………………………………………..۵۸

فهرست منابع و مآخذ………………………………………………………………………….۵۹
چکیده به زبان انگلیسی ……………………………………………………………………..۶۲

فهرست جدول ها

عنوان صفحه

جدول۲-۱ماتریس درهم……………………………………………………………………………………………….۱۹

جدول ۴-۱بخش کوچکی از مجموعه داده برای عملگر تصحیح برچسب……………………۴۹

جدول۴-۲ بخش کوچکی از مجموعه داده برای عملگر پالایش…………………………………۵۰

جدول ۵-۱ارزیابی دقت بکارگیری معیارها و روش داده کاوی C5.0 با روش یکی در مقابل همه………………………………………………………………………………………………………………………………………..۵۳

جدول ۵-۲ ارزیابی دقت بکارگیری روش داده کاوی SVMو معیارها با روش یکی در مقابل همه………………………………………………………………………………………………………………………………………..۵۳

جدول ۵-۳ ارزیابی دقت بکارگیری روش دادهکاویBoosting و معیارها با روش یکی در مقابل همه……………………………………………………………………………………………………………………………..۵۴

جدول ۵-۴ ارزیابی دقت بکارگیری روش داده کاوی SVM و معیارها با روش دو در دو…………………………………………………………………………………………………………………………………………..۵۵

جدول ۵-۵ ارزیابی دقت بکارگیری روش داده کاوی Boosting و معیارها با روش دو در دو…………………………………………………………………………………………………………………………………………..۵۵

جدول ۵-۶ ارزیابی دقت بکارگیری روشهای داده کاوی و معیارها با روش چند برچسب………………………………………………………………………………………………………………………………….۵۵

فهرست شکل ها

عنوان صفحه

شکل۴-۱الگوی استراتژی………………………………………………………………………………۳۲

شکل۴-۲یک نمونه الگوی استراتژی حقیقی………………………………………………۳۲

شکل۴-۳ رابط های یک نمونه الگوی استراتژی حقیقی……………………………..۳۳

شکل۴-۴ترتیب فراخوانی از رابط های یک استراتژی حقیقی………………………۳۳

شکل ۴-۵ الگوی وضعیت…………………………………………………………………………….۳۵

شکل ۴-۶الگوی تطبیق دهنده شی…………………………………………………………..۳۷

شکل۴-۷الگوی کارخانه انتزاعی……………………………………………………………….۳۹

شکل۴-۸الگوی فرمان………………………………………………………………………………۴۰

شکل۴-۹شباهت ساختاری الگوی فرمان و تطبیق دهنده شی………………..۴۱

شکل۴-۱۰ الگوی ملاقات کننده……………………………………………………………….۴۲

شکل۴-۱۱ الگوی میانجی………………………………………………………………………….۴۳

شکل۴-۱۲الگوی آذیین کننده……………………………………………………………………۴۴

شکل۴-۱۳الگوی ترکیب…………………………………………………………………………..۴۶

شکل ۴-۱۴ مراحل ایجاد مدلهای تصمیم گیری……………………………………..۴۹

شکل ۵-۱ بهبود روی ابزار شناسایی خودکار الگوهای طراحی ” SSA"…..55

شکل ۵-۲ بهبود روی ابزار شناسایی خودکار الگوهای طراحی ” PINOT “…56

فصل اول

۱-مقدمه

اگرچه طراحی یک نرمافزار شیگرا دشواریهای خاص خود را دارد، دشوارتر از آن، طراحی یک نرمافزار شیگرا با قابلیت استفاده مجدد است. الگوهای طراحی، استفاده از طراحیها و معماریهای موفق را آسان می کنند [۱]. الگوهای طراحی راه حلهای اثبات شده و قابل اطمینان هستند که به منظور حل مسائلی که به طور مکرر در طراحی یک نرم افزار شیگرا رخ میدهد، مورد استفاده قرار میگیرند. یک الگوی طراحی هدف و ساختار واحد خودش را دارد. الگوها نقشها، مسئولیت ها، نحوه همکاری کلاسها و نمونههای شرکت کننده در این همکاری را توصیف می کنند. بنابراین با استخراج الگوهای طراحی از کد منبع، قادر به آشکار کردن هدف و طرح یک سیستم نرمافزاری هستیم [۵].

بکارگیری صحیح الگوهای طراحی در توسعه یک نرمافزار شیگرا، می تواند به طور چشمگیری کیفیت کد منبع را بر حسب نگهداشت پذیری و قابلیت استفاده مجدد بهبود دهد. مهمترین مساله نگهداشتپذیری سیستمهای نرمافزاری خصوصا سیستمهای قدیمی این است که فاقد سند کامل از طرح سیستم و اهداف آن هستند. بنابراین شناسایی الگوهای طراحی به صورت خودکار یا نیمه خودکار، سندسازی سیستم، نگهداشتپذیری و قابلیت استفاده مجدد آن را تسهیل می کند.

محققان بسیاری در زمینه شناسایی الگوهای طراحی، کار کرده اند (خودکار یا نیمه خودکار). اما هیچ کدام نتوانستهاند یک خروجی مطمئن و بدون مثبت کاذب را در اختیار توسعهدهندگان قرار دهند. به طورکلی شیوه های شناسایی الگوهای طراحی به دودسته تقسیم میشوند. آنهایی که بر اساس جنبه های ساختاری الگوها، کار شناسایی را انجام می دهند و آنهایی که از جنبه های رفتاری موجود در الگوها نیز جهت شناسایی بهره میگیرند [۵].

هدف قرار دادن جنبه های ساختاری

برخی از شیوه ها، برای شناسایی الگوها، تنها جنبه ساختاری آنها را در نظر میگیرند. ابتدا خصوصیات ساختاری هرکلاس موجود در کد منبع با هر نقش تشکیل دهنده یک الگو مقایسه و کاندیدهای هر نقش شناسایی می شود. سپس کاندیدهای نقشهایی که میتوانند به هم مرتبط شوند، ترکیب میشوند. در نهایت روابط میان کلاسی را بدون توجه به خصوصیات رفتاری، تجزیه و تحلیل و با الگوها مقایسه می کنند. روابط میان کلاسی شامل ارث بری، انواع برگشتی، تعریف^[۱]، تعمیم^[۲]، پیوند^[۳]، و … میشوند. به عنوان مثال SPOOL [19]،DP++ [18]، Osprey [20]، و [۲۱] به شیوه ساختاری فوق، الگوها را شناسایی می کنند.

بالانیا و همکارانش [۳] با استفاده ازیک چارچوب به نام کولامبوس، گرافهای معنایی منتزع^[۴] را استخراج، و برای شناسایی الگوها بر اساس مقایسه گرافها^[۵] عمل کردند [۵]. همچنین [۲] از معناشناسی صریح^[۶] برای پیدا کردن الگوها روی گراف معنایی منتزع بهره میگیرد. در هر حال برای شناسایی الگوها، علاوه بر خصوصیات ساختاری، تجزیه و تحلیل خصوصیات رفتاری نیز ضروری است.

هدف قرار دادن جنبه های رفتاری

شیوه های بحث شده در بخش قبل قادر به تشخیص الگوهایی که از نظر ساختاری یکسان اما رفتار متفاوتی دارند نظیر الگوی” استراتژی” در مقابل الگوی"وضعیت ” نیستند. شیوه هایی که جنبه های رفتاری را هدف قرار می دهند، سعی می کنند این مساله را با بهره گرفتن از یادگیری ماشین، تحلیل پویا^[۷] [۲۴] یا تحلیل ایستا^[۸] حل کنند [۵].

تجزیه و تحلیل پویا

این شیوه ها از داده های زمان اجرا^[۹] برای تشخیص جنبه های رفتاری الگوها استفاده می کنند. کی تی [۲۲]، تنها از تجزیه و تحلیل پویا برای تشخیص الگوی “زنجیره مسئولیت ها^[۱۰]” استفاده کرد اما نتیجهاش موفقیتآمیز نبود (به دلیل نامناسب بودن مکانیزم رخداد نگارى کردن پیام^[۱۱] و ناکافی بودن داده آزمایش). تجزیه و تحلیل پویا به پوشش خوبی از داده آزمایش به منظور اعمال هر مسیر اجرایی ممکن نیازمند است. چنین داده آزمایش اغلب موجود نیست. حتی اگر داده آزمایش هم موجود باشد، نتایج زمان اجرا ممکن است گمراه کننده باشند. چون چنین دادههایی اصولا برای تشخیص دادن رفتار الگوهای خاص، طراحی نشدهاند [۵].

تجزیه وتحلیل ایستا

‌‌‌این روشها اصولا شیوه های تجزیه و تحلیل ایستا را به درخت معنایی منتزع^[۱۲] در بدنه متدها اعمال می کنند. مرجع [۲۵] بیانیههای “ایجاد شی غیرحساس به مسیر”^[۱۳] را برای تشخیص الگوهای “^[۱۴]کارخانه انتزاعی” و"متد کارخانه”^[۱۵] استفاده کرد. برای شناسایی الگوها با ساختار و عملکرد مشابه، بیرون کشیدن هدف الگو در پیادهسازی، به منظور متمایزسازی آنها بسیار مهم است. اما اکثر چنین شیوه هایی قادر نیستند هدف برنامه را بیرون بکشند [۵].

در این کار، ابزارهای خودکار شناسایی الگوهای طراحی با دو عمل “پالایش” و “تصحیح برچسب” گسترش مییابند. عمل پالایش، بیشترین یا حتی همه مثبت کاذبهای تولید شده در خروجی ابزارهای خودکار را شناسایی می کند. درحالیکه تصحیح برچسب، هویت صحیح نمونه مثبت کاذب را (بر حسب اینکه مثبت کاذب، به دلیل شباهت با کدام الگو مثبت کاذب شده است) با بهره گرفتن از معیارهای تعریف شده در این کار و روشهای داده کاوی شناسایی می کند. به طور مثال اگر نمونه شناسایی شده توسط ابزارهای خودکار، با برچسب “استراتژی” شناسایی شده است اما در حقیقت این نمونه استراتژی نبوده، ابتدا به عنوان مثبت کاذب شناخته می شود (پالایش)، سپس برچسب صحیح آن (بر حسب مقادیر معیارها) تشخیص داده می شود.

به طورمثال برچسب صحیح آن ممکن است الگوی “وضعیت” باشد. بنابراین برچسب استراتژی به وضعیت تغییر می کند. با استفاده از این معیارها و روشهای داده کاوی علاوه برنمونههای مثبتکاذب، نمونههای منفیکاذب نیز در برخی موقعیتها کاهش مییابند. چون وقتی یک برچسب تصحیح می شود مثلا از استراتژی به وضعیت، ممکن است این نمونه وضعیت جزء نمونههای شناسایی شده برای الگوی وضعیت نباشد، بنابراین این نمونه وضعیت یک منفیکاذب شمرده شده که با شناسایی آن، یک منفی کاذب را حذف کردهایم.

با توجه به اینکه ابزارها و روشهای پیشین، بیشترین مثبت کاذب را در شناسایی الگوهای با ساختار و عملکرد مشابه تولید می کنند، در اینکار، سعی شده تا خروجی ابزارها با توانایی شناسایی چنین الگوهایی تصحیح گردد. لذا، تصحیح برچسب روی نمونههای استخراج شده الگوی استراتژی (به دلیل داشتن شباهتهای ساختاری و عملکردی با الگوهای دیگر، بر حسب خروجی ابزارها بیشترین مثبت کاذب در شناسایی آن تولید شده است) انجام می شود. ابتدا براساس روشهای عرف داده کاوی، با نمونههای مثبت کاذب و مثبت صحیح الگوی استراتژی بدست آمده توسط ابزارها، یک مجموعه داده تهیه شده است. سپس بر اساس مستندات موجود و همچنین بازبینی دستی، به منظور پیش بینی هویت صحیح هر نمونه، دو ستون در مجموعه داده تعیین شده است. یک ستون با “درست” و “نادرست” (درست، در صورت شناسایی صحیح توسط ابزارها و نادرست در صورت مثبت کاذب بودن) برچسب میخورد، و ستون دیگر با نام الگو صحیح آن نمونه یا در صورت ناشناس بودن، با بدون الگو برچسب میگیرد. سپس مقادیر معیارها یا پیشبینی کننده های استخراج شده در این کار، روی هر نمونه محاسبه میشوند و نهایتآَ مجموعه داده در اختیار الگوریتمهای داده کاوی جهت مدلسازی قرار میگیرند. در مدلسازی سعی می شود دانش موجود در داده ها، در قالب یک سری قوانین استخراج شوند. این قوانین برای شناسایی نمونههای ناشناخته (جدید) در مجموعه داده مورد استفاده قرار میگیرند.

آزمایشها، با بهره گرفتن از سه الگوریتم یادگیری ماشینC5.0 ، Boostingو SVMانجام شده است. روش پیشنهادی روی سه نرم افزارمتن باز jhotdraw6[6]، jrefactory[7] و javaio [8] انجام شده است. الگوهای پیاده شده در این پروژه ها از ساختار پایهای که برای آنها در کتابها معرفی شده است بسیار فاصله گرفتهاند (الگو ها بسیار انعطاف پذیر هستند و توسط هر برنامهنویس میتوانند به روشهای متفاوتی پیادهسازی شوند و هم چنین ترکیب شوند) بنابراین شناسایی چنین الگوهایی دشواریهای خاص خودش را دارد [۲].

در این کار، معیارهای جدید به عنوان پیشگویی کننده های عملیات تصحیح برچسب و پالایش، روی نمونههای خروجی الگوی طراحی “استراتژی” یافت شده توسط ابزارهای [۹] SSA و [۵] PINOT استفاده شده اند. ابتدا مثبت کاذبهای استراتژی تشخیص داده میشوند و سپس الگوی طراحی صحیح موجود در نمونه مثبت کاذب شناسایی می شود. نمونههای مثبت کاذب به سمت نمونههای مثبت صحیح با تشخیص آنها از الگوهای “وضعیت^[۱۶]“، “استراتژی^[۱۷]“، “تطبیقدهنده^[۱۸]“، “فرمان^[۱۹]“، “ملاقاتکننده^[۲۰]“، “میانجی^[۲۱]“، “آذیین کننده^[۲۲]“، “ترکیب^[۲۳]” و"کارخانه انتزاعی^[۲۴]“حرکت می کنند. همچنین این معیارها میتوانند الگوهایی که ساختار کاملا مشابهی به یکدیگر دارند نظیر"وضعیت از استراتژی “، “تطبیق دهنده از فرمان"، “آذیین کننده از ترکیب” و استراتژی را از هشت الگوی دیگر مورد مطالعه در این تحقیق متمایز کنند. این الگوها در نظر گرفته شدند، چون بیشترین مثبت کاذب موجود در نتایج الگوی استراتژی با اشتباه گرفتن با این الگوها بر حسب ساختار و عملکرد مشابه تولید شده است.

به طور کلی غیر از الگوهایی که از پایه ساختار یکسانی دارند بقیه الگوها به دلیل انعطاف، وقتی که از ساختار پایه دور میشوند ساختار مشابهی به برخی الگوهای دیگر پیدا می کنند. در واقع معیارهای استخراج شده در این کار، با بهره گرفتن از الگوریتمهای داده کاوی، نقصها و کمبودهای دیده نشده در ابزارها را رفع می کنند.

ادامه این تحقیق به بخشهای زیر سازماندهی می شود. در بخش دوم بر چند مقاله که اهداف و شیوه مشابهای با شیوه و هدف این تحقیق دارند، مروری خواهیم داشت. در بخش سوم الگوهای مورد مطالعه در این تحقیق و معیارهای استخراج شده شرح داده میشوند. در بخش چهارم نگاهی بر شیوه های داده کاوی و مجموعه داده ایجاد شده خواهیم داشت. در بخش پنجم نتایج ارائه خواهند شد و نهایتا در بخش ششم نتیجه گیری و کارهای آتی پیشنهاد میشوند.

1. فرضیات و محدودیت های مساله

الگوها با قرارگیری در موقعیتهای متفاوت مسائل حقیقی، در اکثر مواقع تا حد زیادی ممکن است از ساختار پایه خود فاصله بگیرند. الگوها با دست برنامه نویس برای حل یک مساله عمومی در یک زمینه خاص سمت و سو میگیرند. از طرفی الگوها علاوه بر جنبه ساختاری دارای جنبه های رفتاری متفاوتی نیز هستند. بطوریکه گاهی فقط رفتار است که دو الگو را از هم متمایز می کند. یکی از محدودیتهای الگوهای طراحی، انعطافپذیری و ساختار و عملکرد مشابه بین آنها است. بنابراین در این پایان نامه سعی شده است که مجموعه کاملی از انعطافپذیریهای هر الگو به علاوه یک سری ویژگیهای رفتاری متمایز کننده دیده شود و معیارهایی پابرجا برای بیان ثابتی از اینکه همه یک مجموعه انعطافات به کدام الگو مرتبط میشوند استخراج شود و نهایتا این معیارها به عنوان پیشگویی کنندهها همراه با تکنیکهای داده کاوی برای جستجو و تصحیح مثبت کاذبهای الگوهای شناسایی شده توسط ابزارهای خودکار استفاده شوند. در هر صورت این احتمال میرود که انعطافات بیشتری برای هر الگو موجود باشد که در این تحقیق دیده نشده است.

1. ضرورت انجام تحقیق

الگوهای طراحی راه حلهای اثبات شده و قابل اطمینان هستند که به منظور حل مسائلی که به طور مکرر در طراحی یک نرمافزار شیگرا رخ میدهد، مورد استفاده قرار میگیرند. بکارگیری صحیح الگوهای طراحی و سند کردن آنها می تواند به حد زیادی موجب بهبود صفات کیفیتی سیستم نظیر قابلیت استفاده مجدد و نگهداشت پذیری شود. اما بسیاری از سیستم های نرمافزاری بزرگ به ویژه سیستمهای نرم افزاری قدیمی یا اصلا سند نشدهاند و یا اینکه سندکامل و دقیقی ندارند. بنابراین خودکارکردن شناسایی الگوهای طراحی می تواند مطلوب و مفید واقع شود. تاکنون در زمینه شناسایی خودکار الگوهای طراحی شیوه های متنوعی پیشنهاد و پیادهسازی شده است اما هیچ یک از متدها نتوانستهاند خروجی بدون مثبت کاذب یا کمترین مثبت کاذب را داشته باشد. خصوصا برای الگوهایی که از نظر ساختاری با هم مشابه هستند و در رفتارشان متفاوت میشوند و یا اینکه عملکرد مشابهی دارند، مثبت کاذب بیشتری در خروجی این ابزارها دیده می شود. بنابراین وجود شیوهای که بتواند مثبت کاذب و منفی کاذب را در نتیجه شناسایی الگوها به حداقل برساند می تواند کمک بسیاری به حاصل شدن اطمینان توسعهدهنده در نگهداشت پذیری و قابلیت استفاده مجدد بهتر نرمافزار کند.

1. هدف از انجام تحقیق

هدفی که در این پایان نامه دنبال می شود ارائه روشی برای رسیدن به حداکثر بهبود (حداقل مثبت و منفی کاذب) روی شناسایی الگوی طراحی و ایجاد خروجی بدون ابهام و صحیح برای استفاده توسط توسعه دهنده میباشد. به علاوه جهت تسهیل در امر نگهداشتپذیری و استفاده مجدد نرم افزار نه تنها از نظر فهم راحت طرح و هدف سیستم، بلکه از نظر صرف وقت و هزینه میباشد.

1. سرفصل مطالب

مطالب بیان شده در این پایان نامه در قالب شش فصل گردآوری شده اند که به طور خلاصه به شرح زیر است.

فصل دوم : تعاریف و مفاهیم اولیه

دراین فصل مختصری بر روی مفاهیم اولیه روشهای داده کاوی و معیارهای ارزیابی مدلهای پیش بینی کننده در این تحقیق خواهیم داشت.

فصل سوم : مروری بر تحقیقات پیشین

در این بخش مروری بر مطالعات و تحقیقاتی که در زمینه شناسایی الگوهای طراحی بیشترین شباهت از نظر هدف به کار ما را دارند خواهیم داشت.

فصل چهارم : تولید مجموعه داده ها

در این فصل نحوه تولید مجموعه داده های لازم با بهره گرفتن از معیارهای استخراج شده جهت عملیات پالایش و تصحیح برچسب ارائه می شود.

فصل پنجم : آزمایشات و نتایج عددی

دراین فصل با بهره گرفتن از معیارهای استخراج شده و تکنیکهای داده کاوی، مجموعه ای از آزمایشها جهت انجام عملیات پالایش و تصحیح برچسب الگوی استراتژی روی نتایج دو ابزار خودکارشناسایی الگوهای طراحی SSA و PINOTانجام گرفته شرح داده می شود. نتایج تولیدی این ابزارها مربوط به عمل شناساییشان روی سه پروژه ی متن باز jhotdraw ، jrefactory و javaio می باشد. به علاوه نتایج عددی حاصل از این آزمایشها و معیارهای استخراج شده در این فصل ارائه میگردد.

فصل ششم : نتیجه گیری و پیشنهادات

جمع بندی مطالب گفته شده در پایان نامه در این فصل انجام شده و همچنین پیشنهاداتی برای ادامه پژوهش در این زمینه ارائه شده است.

فصل دوم

تعاریف و مفاهیم اولیه
1. مقدمه

دراین فصل مختصری بروی مفاهیم و تعاریف اولیه روشهای داده کاوی و معیارهای ارزیابی مدلهای پیش بینیکننده در این تحقیق خواهیم داشت.

1. تکنیک های طبقه بندی^[۲۵]

در داده کاوی با دو مجموعه داده مواجه هستیم، داده آموزشی و داده آزمایشی. صفات داده آموزشی را مجموعه معیارهایی تشکیل می دهند که هویت موجودیتهای قرارگرفته دررکوردها را پیشگویی می کنند. موجودیتهای دادهی آموزشی، مشاهداتی هستند که از قبل هویتشان شناسایی شده است. دادهی آموزشی حاوی یک ستون پیشگویی است. مقادیر این ستون، با برچسبهایی پر میشوند که هویت اصلی موجودیتها را نشان میدهد (مثلا درست یا غلط). داده آزمایشی حاوی مشاهداتی است که هویت اصلیشان شناخته شده نیست. با تجزیه و تحلیلی که به واسطه الگوریتمهای داده کاوی روی دادهی آموزشی صورت میگیرد مدلهایی ساخته می شود. مدلسازی، دانش موجود در مشاهدات داده آموزشی را در قالب یک سری قوانین استخراج می کند. داده آزمایشی برای ارزیابی دقت پیشگویی مدل ساخته شده روی داده آموزشی بکار برده میشود. در واقع پیشگویی یک فرایند دو مرحله ای دارد، فاز یادگیری و فاز دستهبندی.

‌‌‌در فاز یادگیری بر اساس مجموعه دادهی آموزشی، مدل طبقهبند ساخته می شود و در فاز طبقه بندی بر اساس مدل ساخته شده در فاز قبل، مجموعه داده جدید که در فاز یادگیری استفاده نشده است (مجموعه داده آزمایشی) دستهبندی می شود (پیشگویی می شود که مشاهدات جدید چه برچسبی به خود بگیرند). جهت خودکار سازی عملگر تصحیح برچسب در این تحقیق، از روشهای داده کاوی (الگوریتمهای طبقه بندی) استفاده شده است [۱۷].

دقت مدل، درصد نمونههایی از مجموعه داده آزمایش است که به درستی طبقه بندی شده اند. مجموعه داده لازم جهت ساخت مدل طبقه بندی، از متغیرهای مستقل و وابسته تشکیل شده است. متغیرهای مستقل همان خصیصهها هستند که جهت طبقه بندی متغیر وابسته که در واقع بر چسب کلاسها می باشد، مورد استفاده قرار میگیرند [۱۷]. توضیح مختصری در مورد انواع طبقه بندیهایی که در این تحقیق مورد استفاده قرار گرفته اند در ادامه آمده است.

۲-۲-۱- طبقه بند C5.0

این طبقه بند در واقع براساس تقسیم مبتنی بر نمونه روی فیلدی که بیشترین سود اطلاعاتی را با خود دارد، کار می کند. سپس هر زیرنمونه تعریف شده با اولین تقسیم، دوباره تقسیم می شود (معمولا بر اساس یک فیلد متفاوت). این فرایند تکرار می شود تا اینکه هیچ زیرنمونه قابل تقسیم نداشته باشیم. سرانجام پایین ترین سطح تقسیم ها دوباره بررسی می شوند. آنهایی که تاثیر قابل توجهی بر مقدار مدل ندارند حذف یا هرس میشوند [۱۶].

۲-۲-۲- طبقه بند SVM

یک طبقه بند و الگوریتم رگرسیون است که از تئوری یادگیری ماشین با حداکثر دقت پیش بینی بدون” اُور فیتینگ^[۲۶] ” داده ها استفاده می کند. این روش از یک تبدیل غیر خطی بر داده های یادگیری استفاده می کند، و با جستجوی برای تساوی های رگرسیون در داده های تبدیل شده کلاسها (اهداف) را جدا می کنند.SVM خصوصا برای آنالیز داده ها با تعداد زیادی از فیلدهای پیش گویی کننده مناسب میباشد [۱۶].

۲-۲-۳- طبقه بند BOOSTED C5.0

یک الگوریتم داده کاوی است که برای کاهش خطای الگوریتمهای یادگیری ضعیف (به آرامی به سمت طبقه بندی صحیح میل می کنند) مورد استفاده قرار میگیرد و آنها را به یک الگوریتم یادگیری قوی تبدیل می کند. در این کار برای قدرت بیشتر بخشیدن به الگوریتم تصمیم گیری C5.0 استفاده شده است [۲۷].

1. معیارهای ارزیابی کارایی

ارزیابی دقت مدلهای پیش بینیکننده این تحقیق برای عملگر تصحیح برچسب، برحسب نسبت تعداد تصمیم گیریهای درست از سیستمهای یادگیری در مقایسه با طبقه بندی دستی به تعداد کل کاندیدا است. ماتریس درهم^[۲۷] جهت ارزیابی طبقه بندیهای دودویی میباشد که در این تحقیق برای ارزیابی بخش پالایش نمونهها وتصحیح برچسب استفاده می شود [۱۷]. همانطور که در جدول ۲-۱ مشاهده می شود ماتریس درهم کلاس های واقعی را در مقابل کلاس های پیش بینی شده در داده آزمایش نشان میدهد.

جدول۲-۱٫ جدول درهم شامل کلاس های واقعی در مقابل کلاس های پیش بینی شده

ماتریس درهم شامل چهار قسمت می باشد :

مثبت صحیح (TP^[28]) : تعداد نمونههای استراتژی که به درستی استراتژی پیش بینی شده اند.

مثبت کاذب (FP^[29]) : تعداد نمونههای غیر استراتژی که به اشتباه استراتژی پیش بینی شده اند.

منفی کاذب (FN^[30]): تعداد نمونههای استراتژی که به اشتباه استراتژی غلط پیش بینی شده اند.

منفی صحیح (TN^[31]) : تعداد نمونههایی که غیر استراتژی بوده اند و به درستی پیش بینی شده که استراتژی غلط هستند.

چند معیار کارایی از ماتریس درهم بدست می آید که در زیر تشریح میشوند:

Precision : درصد درستی الگوهایی که شناسایی شده اند.

(۲-۱)

: Accuracy درصد نمونههای الگو و بدون الگویی که به درستی با نام الگو یا بدون الگو شناسایی شده اند.

(۲-۲)

نرخ مثبت صحیح (TPR) : درصد الگوهایی که به درستی شناسایی شده اند ( همان Recall است) .

(۲-۳)

معیارهای فوق در این تحقیق به منظور ارزیابی دو عملگر پالایش و تصحیح برچسب استفاده میشوند.

1. جمع بندی

در این فصل به طور خلاصه چند طبقه بند که برای ساخت مدل در این تحقیق استفاده شده است، بررسی گردید. در نهایت هم معیارهای ارزیابی مدلها ارائه گردید.

فصل سوم

مروری بر تحقیقات پیشین
1. مقدمه

محققان بسیاری در زمینه خودکار یا نیمه خودکارسازی شناسایی الگوهای طراحی از کد منبع یا طراحی کار کرده اند. در ادامه این بخش، به طور خلاصه بر برخی از تحقیقاتی که از نظر هدف و یا شیوه کار شباهت بیشتری به تحقیق ما دارند مروری خواهیم داشت.

کارهای مرتبط

در سال ۱۹۹۸ [۱۰] یک روش سه مرحله ای برای شناسایی الگوها ارائه شد. ابتدا از طریق محاسبه مقادیر یک سری معیارهای عام شیگرا، نظیر شمارش تعداد صفات، تعریفها، و … برای هر کلاس موجود در کد و هر نقش الگوی مورد جستجو، کاندیدهای هر نقش شناسایی شد. در گام اول، فضای جستجو (از طریق حذف کلاسهایی که کاندید نشدند) تا حد زیادی کاهش داده شد. در مرحله دوم از طریق مسأله کوتاهترین مسیر، نزدیکترین مسیر بین کاندیدهایی که میتوانند به هم مرتبط شوند، شناسایی شد. سپس هر ترکیب بدست آمده از مرحله دوم به عنوان کاندیدهای الگوی مورد جستجو شناخته شد. در مرحله سوم به دلیل وجود مثبت کاذب بسیار زیاد در مرحله دوم، از محدودیت واگذاری مسئولیت استفاده شد. چنانچه الگویی باید این محدودیت را داشته باشد، ترکیب بدست آمده از مرحله دو، برای داشتن این محدودیت مورد بررسی قرار داده شد، چنانچه چنین محدودیتی نداشت آن ترکیب حذف میشد. با این حال، روش [۱۰]، میزان مثبت کاذب بالایی دارد. عیب اصلی [۱۰]، در محوریت اصلی کارشان، استفاده از معیارهای عام شیگرایی بود که از پایه با هدف سنجش الگوها استخراج نشده بودند.

درسال ۲۰۰۵ [۴]، بجای ابداع یک ابزار جدید، یک روش پالایش ابزار خودکار ارائه داد. ورودی پالایش، خروجی ابزار ۲۰۰۳ [۳] بود که توسط خودشان ابداع شده بود و میزان مثبت کاذب بالایی داشت. در[۴]، براساس انعطافپذیریها و تنوع پیادهسازیهای هر الگو، یک سری معیار استخراج شد. این معیارها از پایه با هدف سنجش و بررسی حضور الگوها استخراج شدند. روش کار به این صورت بود که خروجی بدست آمده از ابزار[۳]، به صورت دستی تجزیه و تحلیل شد، و هر نمونه شناسایی شده، مورد بازبینی قرار گرفت. بطوریکه اگر نمونه به درستی شناسایی شده بود، برچسب درست، و اگر ابزار در شناسایی آن دچار اشتباه شده بود، برچسب نادرست میگرفت. سپس یک مجموعه داده تهیه شد. نمونهها به عنوان رکوردهای آن، معیارها به عنوان صفات توصیف کننده نمونهها، و هویت آنها (درست و نادرست) به عنوان ستون خروجی مجموعه داده قرار گرفت. نهایتا با بهره گرفتن از الگوریتمهای داده کاوی و مقادیر معیارها روی نمونهها، یک سری قوانین استخراج شد که با کمک آنها میتوان نمونههای ناشناخته در مجموعه داده را تعیین هویت کرد.

کار[۴] انجام شد تا، نمونههای مثبت کاذب ابزار شناسایی، و از خروجی حذف شوند. پالایش [۴]، خروجی [۳] را تاحد زیادی بهبود داد، اما معیارهای [۴]، تنها بر اساس تنوع پیادهسازیهای یک الگو استخراج شده بودند و ساختار و عملکرد مشابه الگوهای دیگر در تولید معیارها در نظر گرفته نشده بودند. از طرفی با اینکه حذف نمونههای مثبت کاذب خروجی مطمئنتری را در اختیار توسعه دهنده قرار میدهد، در همان حال، خیلی از اطلاعات را نیز از بین میرود.

فرانسیسکا و همکارانش [۱۲][۱۱] ابزاری تحت نام مارپل متشکل از پنج ماژول اصلی را توسعه دادند. این ابزار نه تنها فعالیت شناسایی الگوهای طراحی را بلکه بازسازی^[۳۲] معماری نرم افزار را نیز پشتیبانی می کند. اولین ماژول آن، موتور شناسایی^[۳۳] اطلاعات نامیده می شود این ماژول مدلی از سیستم میسازد و یک سری معیارها و ساختارهای ریز را جمع آوری می کند. دومین ماژول که وصل کننده ^[۳۴] نامیده می شود تمام کاندیدای الگوهای طراحی که معیارهای یک تعریف داده شده از هر الگو را برآورده می کنند استخراج می کند. سومین ماژول، طبقه بندی است که کمک می کند مثبت کاذب های بخش قبلی را شناسایی کرده و شباهت آنها را با پیاده سازیهای صحیح هر الگوی مورد نظر، با انتساب مقادیر اطمینان مختلف^[۳۵] مورد سنجش قرار میدهد. دو ماژول آخر جهت بازسازی معماری نرم افزار مورد استفاده قرار میگیرند. معیارهای اندازه گیری شده توسط مارپل، معیارهای شیگرایی هستند که در تولید بعضی از منظرهای معماری بهره گیری میشوند. بخش یادگیری ماشین از فرایند شناسایی، توسط ماژول سوم پیاده سازی می شود که کاندیدای استخراج شده از ماژول دوم را به عنوان ورودی میگیرد و سپس از الگوریتمهای گروه بندی^[۳۶] و طبقه بند موجود در نرم افزار weka^[37] برای پالایش کردن نمونههای مثبت کاذب استفاده می کند. عملیات پالایش این شیوه با محاسبه نمره مشابهت بین نمونه صحیح هر الگو با کاندیدای شناسایی شده انجام میگیرد. نمره دهی بر حسب مشابهت، به ساختار پایه الگو بسیار محدود می شود درحالیکه الگوهای طراحی در خیلی از موقعیتها از ساختار پایه خود به دلیل انعطاف پذیری که دارند، دور میشوند.

ستورا و همکارانش [۱۳] شیوهای را ارائه دادند که بر اساس آن، کاندیدای نقشهایی که ترکیب آنها کاندیدهای الگوها را تشکیل میدهد، با اندازه گیری یک سری معیارها و تکنیکهای داده کاوی، جستجو می شود. سپس با آنالیز رابطه بین کلاسی کاندیدها، الگوی مورد نظر شناسایی می شود. در این شیوه سعی می شود الگوهایی که ساختار مشابهی به یکدیگر دارند از هم تشخیص داده شوند، اما در واقع معیارهای استخراج شده برای الگوهایی با ساختار مشابه را دقیقا یکسان در نظر گرفتهاند و آنها را در یک گروه شناسایی می کنند. در این روش از تکنیک شرایط محدود کننده استفاده نمی شود و خصوصا به همین دلیل روششان آماده پذیرش مثبت کاذب بسیاری میباشد.

تی سن تا لیس و همکارانش [۱۲][۹] ابزاری به نام ^[۳۸]SSAارائه دادند. در SSA از یک الگوریتم نمرهدهی که نمره مشابهت هر زیر گراف سیستم را (فضای جستجو) با هر گراف الگوی مورد جستجو محاسبه میکرد، استفاده شد. چون الگوریتم SSA خواص انتقال را در ارث بری و واگذاری مسئولیت در نظر میگیرد، تنوع پیادهسازیهای یک الگو که از ساختار پایه خود فاصله گرفتهاند را نیز شناسایی می کند. SSA درصد بازیابی بالایی دارد، تعداد زیادی از الگوهای موجود را شناسایی می کند، به راحتی قابل استفاده است، و همچنین سرعت بالایی دارد. اما بدلیل اینکه الگوریتم SSA تنها بر قواعد ساختاری تاکید دارد، الگوهایی که ساختار یکسانی دارند و تنها در رفتار متفاوت میشوند، و یا آنهایی که عملکرد مشابهی دارند، توسط SSA قابل متمایز شدن نیستند و SSA آنها را در یک گروه شناسایی می کند (مثل “وضعیت/ استراتژی").

شی و همکارانش [۵] ابزاری به نام ^[۳۹]PINOT ارائه دادند. در تولید PINOT از این اصل استفاده شد،" باتوجه به اینکه هر الگوی طراحی باید هدف مشخصی را برآورده کند، بنابراین باید ازآن هدف، یک تعریف عملی در پیادهسازی آن الگو وجود داشته باشد“. در [۵] سعی شد تا تعریف عملی مربوط به هدف هر الگو از پیادهسازی آن الگو بیرون کشیده شود، سپس PINOT برای شناسایی الگوها، تعاریف عملی بیرون کشیده شده را به عنوان محدودیتهای اجباری با آنالیز ایستا، جستجو کند. PINOTدرصد بازیابی بالایی دارد، تعداد زیادی از الگوها را شناسایی می کند، سرعت کمتری نسبت به SSA دارد، و همانند SSA توانایی متمایز کردن الگوها با ساختار و عملکرد مشابه را ندارد. در این تحقیق از دو ابزار SSA و PINOT برای انجام آزمایشات بهره گیری شده است.

[۱۵] ابزاری با نام ^[۴۰]DPJF ارائه داد. در [۱۵]، برای برخی از الگوها، تعدادی محدودیت یا الزام رفتاری جهت شناساییشان، ارائه شد. برخی از محدودیتهای [۱۵]، ثبات و قدرت متمایز کنندگی بالایی دارند. ابزار DPJF ادعا می کند، صد در صد دقت دارد. اما بر اساس بررسیها و ارتباطات انجام شده با گروه [۱۵]، ابزار DPJF تنها الگوی یگانه^[۴۱]را با چنین دقتی شناسایی می کند. مثلا در مورد دقت شناسایی الگوی نماینده، برخی نمونههای شناسایی شده توسط این ابزار بعد از بررسی و ارتباطات با این گروه مشخص شد که الگوی وضعیت هستند و نه الگوی نماینده. همچنین این ابزار هنوز برای شناسایی الگوهای با ساختار و عملکرد مشابه مثل استراتژی و وضعیت پیادهسازی نشده است. بنابراین مشخص نیست بعد از پیاده سازی به چنین دقتی دست یابد.

در سال ۲۰۱۳ [۲۶]، در تمام مراحل فرایند شناسایی الگوهای طراحی (کاهش فضای جستجو تا شناسایی کاندیدهای هر الگو) از داده کاوی بهره گرفت. در مرجع [۲۶]، ابتدا از تعدادی معیار عام سطح کلاس مثل عمق ارثبری، تعداد متدهای رونویسی شده، و … به منظور جستجوی کاندیدهای هر نقش تشکیل دهنده الگوی مورد نظر در میان کلاسهای موجود در فضای کد، با کمک شیوه های داده کاوی استفاده کرد. در مرحله بعد، با ترکیب کاندیدهای نقشهایی که میتوانند به هم مرتبط شوند، کاندیدهای الگوی مورد جستجو استخراج شدند. سپس برای بررسی صحت یا عدم صحیت کاندیدهای مرحله دوم، یک مجموعه داده تهیه کردند. بطوریکه رکوردهای آن را کاندیدهای مرحله دو، و صفات توصیف کننده آنها را معیارهای مربوط به بررسی روابط میان کلاسی و معیارهای سطح کلاس مرحله یک تشکیل دادند. سپس برای تعیین هویت هر موجودیت (صحت یا عدم صحت ) از چهار ابزار خودکار شناسایی الگوهای طراحی استفاده شد. بطوریکه اگر حداقل دو ابزار در رابطه با یک کاندیدا رأی مثبتی داشتند، آن کاندید به عنوان نمونه صحیح در نظر گرفته میشد. سپس از الگوریتمهای داده کاوی برای خودکارسازی فرایند تعیین هویت، به منظور شناسایی درستی نمونههای جدید استفاده کردند.

با توجه به اینکه در داده کاوی مهمترین عناصر، صفات توصیف کننده موجودیتها و صحت برچسب زنی قبل از مدلسازی روی مجموعه داده است، ضعف کار [۲۶] دردرجه اول، در استفاده از تعداد زیاد معیارهایی است که با هدف سنجش الگوها استخراج نشده بودند، و دوم برای برچسب زنی اولیه مجموعه داده، استفاده از ابزارهای موجود شناسایی الگوهای طراحی، که دقت کاملی ندارند و بدیهی است که در فرایند برچسب زنی دچار اشتباه شوند. این روش با دقت نسبتا پایینی متوسط “۴۹%” روبرو شد.

در سال ۲۰۱۳ [۲۸]، یک روش پرسوجوی الگوهای طراحی از پایگاه داده ارائه کرد. محور اصلی [۲۸]، بکارگیری شیوه اصولی برای سست کردن پرسوجوها بود، پرسوجوها به دو دسته تقسیم میشدند، خاص و عام. خاص یعنی تبدیل خصوصیات الگو به یک پرسوجوی سخت برای شناسایی الگوهاییکه از ساختار پایه فاصله نگرفتهاند و عام، تبدیل خصوصیات الگوها به یک پرسوجوی عام تر (با بهره گیری از ویژگیهای پیادهسازی متنوع یک الگو) برای نمونههایی که از ساختار پایه فاصله گرفتهاند، بطوریکه بتوان تنوع نمونههای قابل قبول الگوهای طراحی را پیدا کرد. نتایج این کار تنها برای الگوی “یگانه” ارائه شده است. مقایسه نتایج با دو ابزار PINOT و DPJF نشان دهنده بهبود کارشان نسبت به آن دو روش در تشخیص الگوی یگانه است. اما نتایج ابزار SSAکه در کارشان آورده نشده است از هر سه بهتر است.

در سال ۲۰۱۳ [۲۹]، از یک روش مقایسه گراف برای شناسایی الگوهای طراحی استفاده کرد. در [۲۹]، از تئوری چندریختی زیر گراف استفاده شد. در واقع مفهوم عام مقایسه گراف مشخص می کند که آیا دو گراف یکسان هستند یا زیرگرافی از یکی در دیگری موجود است یا خیر. در [۲۹]، برای شناسایی الگوها سه حالت مقایسه را ارائه شد، حالت اول اینکه، اگر گراف الگو با گراف مدل سیستم همریخت باشد، در این صورت الگو موجود است، حالت دوم، اگر زیرگراف همریخت از الگو در گراف مدل موجود باشد، در این حالت، به صورت تقریبی الگو موجود است و حالت سوم الگو زیرگراف هم ریخت از گراف مدل نیست که در چنین حالتی الگو موجود نیست. در [۲۹]، نتایجی ارائه نشده است، اما به طور کلی همانطور که در [۹] نیز ذکر شده است، استفاده از روشهای مقایسه همریختهای زیرگراف یا گراف یک الگو نمی توانند روش مناسبی در شناسایی الگوها باشند، چون اول اینکه الگوها انعطافپذیری بالایی دارند و به ندرت در پیادهسازی، معادل با ساختار پایه باقی میمانند. دوم، مسأله پیدا کردن کل گراف یا زیرگرافهای هم ریخت یک گراف یک مسأله NP-Complete است و ممکن است هیچ همریختی پیدا نشود.

برای بهبود خروجی روشهای ارائه شده، استفاده از داده کاوی و استخراج معیارهایی جدیدی که بتواند نقصهای موجود در ابزارها را رفع کند لازم است. علت استفاده از داده کاوی این است که میتوان هر گونه معیاری را (رفتاری و ساختاری) به راحتی با هم ترکیب کرد و با تولید مقادیر این معیارها و تجزیه و تحلیل آنها توسط شیوه های داده کاوی، قانونهای قدرتمندی رابرای پالایش و تصحیح خروجی ابزارهای تقریبا قوی مثل SSAارائه داد و قدرت آن را در شناسایی تمامی الگوها تکمیل کرد. پالایش به کمک استخراج معیارهای خاص سنجش الگوها در کارهای مشابه انجام شده است. اما هیچ یک معیارهایی استخراج نکرده اند که با ترکیب آنها بتوان عملیات تصحیح خروجی (بدون از دست دادن اطلاعات) را انجام داد.

جمع بندی

در این فصل مروری کوتاه و اجمالی بر روشهایی که ساختار و اهداف تقریبا مشابهی با تحقیق جاری دارند، شد. همچنین محدودیتها و مشکلات هر شیوه بیان گردید و دو ابزاری که در این تحقیق جهت انجام آزمایشات از آنها استفاده شده است معرفی گردیدند.

فصل چهارم

تولید مجموعه داده ها
1. مقدمه

برای آماده سازی مجموعه داده مورد نیاز جهت خودکارکردن عملیات تصحیح برچسب و پالایش، دو فعالیت مهم باید صورت بگیرد. اول، مجموعه کاملی از الگوهایی که با قرارگیری در موقعیتهای متفاوت از ساختار پایه دور شده اند و توسط ابزارهای خودکار شناسایی با الگویی نظیر استراتژی اشتباه گرفته شده اند و همچنین مجموعه کاملی از انعطافاتی که مربوط به هر الگو میباشد، باید فراهم گردد. سپس تولید مقادیر برای معیارهای استخراج شده در این تحقیق که همان پیش بینی کنندهها میباشند انجام میگیرد. بنابراین در این فصل ابتدا تمام معیارهای استخراج شده در این تحقیق شرح داده می شود. سپس توضیحی در مورد چگونگی تولید مجموعه داده برای عملیات تصحیح برچسب و پالایش فراهم میگردد.

1. معیارهای استخراج شده

معیارهای جدید استخراج شده در این تحقیق، با بررسی و مشاهده دقیق مجموعه ای تقریبا کامل از انعطاف پذیریهای هر الگوی طراحی از کد منبع استخراج شده اند. در استخراج این معیارها سعی شده است که علاوه بر بررسی انعطافات یک الگو، ابزارهای خودکار مختلف در شناسایی آن الگو به منظور مشاهده نقص و کمبودهای آنها مورد بررسی قرار گیرند. ابزارها بررسی می شوند چون در این تحقیق قصد بر آن است که نتایج شناسایی شده توسط آن ابزار ها به حد قابل قبولی بهبود یابند.

با بررسی ابزارها، خطاها و کمبودهای هر ابزار شناسایی را جستجو و با استخراج معیارها سعی بر رفع آن میکنیم. مجموعه معیارهای استخراج شده برای تصحیح برچسب الگوی استراتژی و تشخیص صحیح آن از هشت الگوی “وضعیت"، “استراتژی"، “تطبیق دهنده"، “فرمان"، “ملاقات کننده"، “میانجی"، “آذیین کننده"، “ترکیب” و"کارخانه انتزاعی” به کار گرفته می شوند.

۴-۲-۱٫ استراتژی

شکل ۴-۱٫ ساختار یک الگوی استراتژی

هدف الگو استراتژی، تعریف خانوادهای از الگوریتمها برای یک عمل مشترک (مثل الگوریتم های quik sort- buble sort برای عمل sort)، در پوشینه^[۴۲] قرار دادن هرکدام و ایجاد امکانی برای تعویض آنها در یک زمینه خاص و در زمان اجرا است [۱۴][۱]. این الگو از سه نقش تشکیل می شود : استراتژی، استراتژیهای عملی، و زمینه. استراتژی، رابط یا یک کلاس منتزع است که از یک متدکه اسکلت مشترک این خانواده را معین می کند تشکیل شده است. این متد توسط هر یک از کلاسهای استراتژی عملی برای دربرگرفتن یکی از تنوع الگوریتمها، پیادهسازی می شود. زمینه، کلاسی است که از الگوریتمها استفاده می کند و شرایطی را ایجاد می کند که بتوانیم استراتژیها یا الگوریتمها را بر حسب شرایط مختلف در زمان اجرا تعویضکنیم.

در سادهترین شکل همانطور که در شکل ۱-۴ نشان داده شده است، الگوی استراتژی یک رابط مشترک را مثل ” Interface Algorithm ” برای پیادهکردن خانوادهای از الگوریتمهای مرتبط به هم استفاده می کند. بطوریکه هر استراتژی وارث در چارچوب این رابط مشترک، یک تنوع از الگوریتم را پیادهسازی می کند. در واقع مشترک بودن رابط (بین گونه های مختلف الگوریتم) این امکان را فراهم می کند که در یک زمینه خاص با فراخوانیهای ثابت، اشیا استراتژی بتوانند در زمان اجرا جابجا شوند. شکل ۲-۴ را مشاهده کنید.

شکل ۴-۲٫ نیاز به رابط مشترک در ساختار فراخوانی ثابت بین اشیاء متغیر

مشترک بودن رابط باعث می شود که الگوریتمها بتوانند به راحتی با یکدیگر در زمان اجرا، در زمینهای خاص، و در چارچوب فراخوانی ثابت مبادله شوند. اگر یک استراتژی واقعی این پایه را حفظ کند، تشخیص الگوی استراتژی سختی زیادی ندارد.

ازجمله معیارهایی که در کارهای پیشین برای پالایش کاندیدهای الگوی استراتژی ارائه شده اند، در ادامه مورد نقد و بررسی قرار گرفتهاند.

بررسی حضور رابطه پیوند بین زمینه و استراتژی.
شمارش تعداد فرزندان استراتژی با محدودیت حداقل دو فرزند.
شمارش تعداد فرزندان و والد زمینه با محدودیت صفر فرزند و صفر والد.
سنجش حضور الگوریتم در هر یک از کلاسهای وارث استراتژی، با شمارش تعداد حلقهها، بازگشتها، و ساختارهای شرطی.
بررسی حضور خصوصیت “حفظ فیلد^[۴۳]” (استراتژیها، علاوه بر اینکه در لحظه ساخت نمونه از زمینه، و از طریق پارامتر سازنده قابل تعیین هستند، باید در هر لحظه دیگر از اجرا نیز قابل تعیین و جابجایی باشند) در زمینه برای جابجایی بین استراتژیها.

در نقد و تحسین هر یک از معیارهای فوق، موارد زیر قابل بحث هستند: دررابطه با حضور رابطه پیوند، نیازمند بررسی است، اما جزء معیارهای مشابه بین این الگو و برخی از الگوهای دیگر است. تعداد فرزندان استراتژی، یک استراتژی حقیقی می تواند تک فرزند باشد و درآینده بر حسب نیازمندیها گسترش یابد. تعداد فرزندان و والد زمینه، زمینه مکانی است که الگوریتمها در آن مورد استفاده قرار میگیرند، بنابراین زمینه، هر سلسله مراتبی می تواند داشته باشد. سنجش خصوصیت الگوریتمیک در هر استراتژی وارث، این معیار،کاملا بجا، و نیازمند بررسی است. اما در رابطه با شمارش تعداد حلقهها، بازگشتها، و ساختارهای شرطی، برای همه الگوریتمها صدق نمیکند. یک الگوریتم ممکن است از یک خط مثل “return a+b; ” تا هزاران خط شامل حلقه و بازگشتها باشد. از طرفی خیلی از الگوها برای برخی از پیادهسازیهای خود از چنین ساختارهایی استفاده می کنند.

حفظ فیلد، یک خصیصه لازم (به منظور ایجاد امکان تعویض الگوریتم ها در هر لحظهای از اجرا توسط کلاینت) در زمینه است. اما حضور آن در زمینه، لزوما نشان دهنده این نیست که سلسله مراتب مرتبط شده به آن یک استراتژی است.

اگر به شکل ۳-۴ که یکی از نمونههای واقعی استراتژی پیادهسازی شده در نرم افزار jhotdraw است توجه کنید، این نمونه واقعی از استراتژی، فقط یک پیادهسازی دارد، بدیهی است که بر حسب نیازمندیها درآینده پیادهسازیهای دیگر آن گسترش خواهند یافت. بر طبق شکل ۳-۴ این نمونه استراتژی چهار متد دارد. این نمونه توسط معیارهای قبلی قابل شناسایی نیست. بر اساس این اصل، “به منظور پیادهکردن خانوادهای از الگوریتمها درکنار هم برای یک عمل مشترک، و ایجاد امکانی برای جابجایی بین آنها در یک زمینه خاص با ساختار فراخوانی ثابت"، و بر حسب “ هر الگوریتم مجموعه ای از دستور العملهاست که طبق یک ترتیب خاص اجرا میشوند و مسالهای را حل می کنند ” [۲۳]، حتما باید یک چارچوب یا اسکلت مشترک وجود داشته باشدکه بخشهای مختلف یک الگوریتم را تعریف، و ترتیب آن را مشخص کند، و آن چارچوب به عنوان ساختار ثابت فراخوانی توسط زمینه مورد استفاده قرار گیرد (خصوصا برای استراتژیهای دارای چند متد). در این کار، این اصل به عنوان یک شاخص در نظر گرفته شده است و به یکی از چهار روش شناسایی می شود.

گاهی دستورالعملهای الگوریتم با یک ترتیب مشخص، در کلاس استراتژی منتزع به شکل یک “متد الگو^[۴۴] ” تعریف میشوند. متد الگو یک ترتیب ثابت را برای گونه های مختلف الگوریتم فراهم می کند. این متد در هیچ یک از کلاس های وارث رونویسی نمی شود و توسط زمینه به عنوان ساختار فراخوانی ثابت، فراخوانی می شود.
زمینه ترتیب ثابتی را از دستورالعملهای الگوریتم در یکی از متدهای خودش تعریف می کند.
برای داشتن ترتیبهای متنوع بین دستورالعملها، این اسکلتبندی درهر کلاس وارث استراتژی، در قالب یک متد مشترک بین استراتژیها انجام میگیرد و آن متد توسط زمینه فراخوانی میگردد.
متدهای استراتژی منتزع در هر کلاس وارث به شکل یک زنجیر یکدیگر را فراخوانی می کنند، بطوریکه سر زنجیر بین همه استراتژی های وارث، مشترک است. زمینه سر زنجیر را فراخوانی می کند.

این معیار (استراتژی ۱^[۴۵]) می تواند شاخص خوبی برای تشخیص استراتژیها، خصوصا استراتژیها با بیش از یک رابط و کمتر از دو پیادهسازی در کنار معیارهایی که در ادامه آمدهاند، باشد. شکل ۴-۴ اسکلت تعریف الگوریتم شکل ۳-۴ را به روش سوم نشان میدهد.

شکل ۴-۳٫ نمونه واقعی از الگو استراتژی و رابطهای آن

SetManager()

{

If(GetManager()== Condition)

StopDisposing();

else

StartDisposing();

{

شکل۴-۴٫ اسکلت مشترک ترتیب فراخوانی دستورات الگوریتم شکل ۴-۳ در متد SetManager

استراتژی۲. آیا کاندیدهای استراتژی دارای یک ساختار منتزع- عملیاتی^[۴۶] است؟ این معیار بجای محاسبه تعداد فرزندان استراتژی استفاده میگردد. تعداد فرزندان استراتژی از یک تا چندین پیادهسازی متغیر هستند. بنابراین بجای در نظر گرفتن تعداد فرزندان، وجود ساختار منتزع- عملیاتی (برای پیادهسازی گونه های مختلف الگوریتم متدها باید رونویسی شوند، بنابراین وجود ساختار منتزع، الزامی است) را به عنوان معیار قرار میدهیم.

استراتژی۳. آیا رابطها با دسترسی عمومی، در استراتژی منتزع، بین همه استراتژی های عملیاتی رونویسی شده اند؟ لازم است که متدهای عمومی رونویسی شده بین استراتژی های وارث برای قابل تعویض ساختن آنها در یک ساختار فراخوانی ثابت، مشترک باشند. به عبارتی متد جدید با دسترسی عمومی نباید در یک استراتژی موجود باشد و در دیگری نباشد.

استراتژی ۴. آیا والد بین استراتژی و زمینه مشترک است؟ سلسله مراتب استراتژی و زمینه استفاده کننده از آن، باید از هم مستقل باشند. چون در غیر اینصورت زمینه نیز یک استراتژی است و باید حاوی مشخصات الگوریتمیک باشد و استقلال بین الگوریتمها و زمینه از بین میرود.

استراتژی ۵. بررسی حضور خصیصه “حفظ فیلد” [۱۵,۴] در زمینه، به منظور اینکه کلاینت در هر لحظهای از اجرا بتواند بر حسب شرایط از یک استراتژی به استراتژی دیگر جابجا شود، حضور حداقل یک متد با دسترسی عمومی (به علاوهی متد سازنده) که استراتژیها را به شکل پارامتر از کلاینت بگیرد و جابجایی بین آنها را انجام دهد، لازم است. اگر این متد در زمینه استفاده کننده از استراتژی موجود نباشد مفهوم اصلی این الگو، قابلیت جابجا شدن الگوریتمها در زمان اجرا، حفظ نشده است.

استراتژی ۶. آیا همه رابطهایی که از سمت زمینه استفاده کننده از استراتژی فراخوانی میشوند، در کلیه استراتژی های عملیاتی موجود هستند؟ متد عمومی جدیدی که در یکی از استراتژیها تعریف شده ولی در دیگری موجود نباشد، نباید از سمت زمینه استفاده کننده از استراتژی مورد فراخوانی قرار گیرد. در غیر این صورت اصل جابجایی با یک فیلد مشترک را از بین میبرد. ما این فراخوانی را ‘فراخوانی خارج از محدوده’ مینامیم.

۴-۲-۲٫ معیارهای تشخیص الگوی وضعیت

شکل۴-۵٫ الگوی وضعیت [۱]

گاهی نیازمند یک شی با چندین وضعیت هستیم، بطوریکه با حرکت از یک وضعیت به وضعیت دیگرش، رفتار مناسبی را از خود نشان دهد [۱]. همچنین میخواهیم در یک زمینه خاص و در یک لحظه، تنها در یک وضعیت قرار گیرد و به راحتی وضعیتی اضافه یا حذف شود. الگوی وضعیت نیازمندیهای فوق را برآورده می کند. الگوی وضعیت ساختاری کاملا مشابه با الگوی استراتژی دارد و تنها در رفتار با الگوی استراتژی متفاوت می شود. این شباهت باعث شده که در خیلی از موقعیتها، ابزارهای خودکار شناسایی الگوهای طراحی، نتوانند الگوی وضعیت را از استراتژی تشخیص دهند. جابجایی بین کلاسهای مشخصکننده وضعیتها یا به صورت داخلی و یا از خارج انجام میگیرد. در واقع الگوی وضعیت به صورت آشکارا مشخص نمیکند که در چه مکانی و چه زمانی تغییر وضعیت رخ میدهد. بنابراین هر الگوی وضعیت می تواند تعدادی رابط را پیادهسازی کند که به رابطهای کلاس وضعیت دیگر هیچ ارتباطی نداشته باشد. معیارهای متمایزکننده الگوی وضعیت از الگوی استراتژی در ادامه آمده است.

وضعیت ۱. تعداد استراتژی های عملیاتی (دلیل استفاده از واژه های استراتژی و زمینه در تمام معیارها این است که، این معیارها میخواهند نمونههای استراتژی را تصحیح برچسب کنند و ابزارها در خروجی خود، آدرس استراتژی و زمینه را دادهاند) که حاوی ایجاد نمونه ای از همزاد خود هستند بطوریکه، این نمونهها بعد از ایجاد در یک فیلد مشترک مستقر شده اند (یعنی بین آنها با دستورات شرطی جابجایی رخ داده است). گاهی زیرکلاسهای وضعیت همزادی از خود را ایجاد و وضعیت جانشین را به منظور جابجایی تعیین می کنند.

وضعیت ۲. تعداد نمونههای استراتژی که در زمینه مورد استفاده ایجاد شده اند، بطوریکه این نمونهها در یک فیلد مشترک مستقر شده اند (یعنی بین آنها با دستورات شرطی جابجایی رخ داده است). گاهی زمینه مجموعه ای از وضعیتها را ایجاد و امکانی برای جابجایی آنها فراهم می کند.

وضعیت ۳. آیا زمینه استفادهکننده از استراتژی خود را به عنوان پارامتر به استراتژی میفرستد؟ ممکن است زمینه خود را به وضعیت ها بفرستد تا وضعیتها هنگام جابجایی، زمینه را مطلع کرده و سپس زمینه، جابجایی را با وضعیت ارسال شده از سوی وضعیتها انجام دهد.

وضعیت ۴. تعداد نمونههای استراتژی که در زمینه ایجاد میشوند و فیلدی که در آن قرار میگیرند مشترک نیست. اگر دو استراتژی وارث، در یک زمان و در دو فیلد غیر مشترک در یک زمینه ایجاد شوند، در این صورت الگو مورد نظر نمیتواند الگوی وضعیت باشد چون یک زمینه در هر زمان تنها می تواند در یک وضعیت قرار بگیرد.

وضعیت ۵. تعداد فراخوانیهایی که از عملگرهای زمینه در استراتژی می شود. برای تنظیم وضعیت، زمینه از سمت وضعیتها ممکن است فراخوانی شود.

وضعیت ۶. آیا والد بین استراتژی و زمینه مشترک است؟ سلسله مراتب وضعیت و زمینه استفاده کننده از آن برای حفظ استقلال باید از هم جدا باشند.

۴-۲-۳٫ معیارهای تشخیص تطبیق دهنده شی

شکل۶-۴٫ الگوی تطبیق دهنده ی شی [۱]

هدف الگوی تطبیق دهنده، تبدیل رابطی از یک کلاس (تطبیق دهنده) به رابط کلاس دیگر (تطبیق یافته) است، آنطور که کلاینت انتظار دارد [۱]. این الگو امکانی را ایجاد می کند که کلاینت از وجود رابط کلاس دیگر در کلاس تطبیق دهنده باخبر نیست و فکر می کند که رابط کلاس تطبیق دهنده عملیات مورد نیازش را رفع می کند. درحالیکه رابط کلاس تطبیق یافته این کار را انجام میدهد. این الگو منجر می شود تا کلاسهایی که به دلیل رابطهای ناسازگار نمی توانستند با یکدیگر کار کنند بتوانند ارتباط برقرار کنند و با یکدیگر کار کنند بدون اینکه کلاینت متوجه شود. در برخی از موقعیتها ابزارهای خودکار شناسایی الگوهای طراحی، الگوی تطبیقدهنده را با استراتژی اشتباه گرفتهاند. شباهتهای ساختاری این الگو با استراتژی بر اثر گسترش کلاس تطبیق دهنده و در نظر گرفته شدن تطبیق دهنده به عنوان زمینه و تطبیق یافته به عنوان استراتژی یا برعکس میباشد. در ادامه معیارهایی برای جداسازی الگوی تطبیقدهنده از الگوهای دیگر آمده است.

تطبیق دهنده شیء ۱. تعداد زیرکلاسهای استراتژی که، تعداد کل متدهای عمومی رونویسی شده حاوی فراخوانی به پارامتر سازندهشان تقسیم بر تعداد کل متدهای عمومی حاوی فراخوانی به پارامتر سازندهشان برابر با یک می شود. تطبیق یافته در متدهای رونویسی شده تطبیق دهنده باید مورد فراخوانی قرار بگیرد نه در متد جدید ناشناس. چون کلاینت انتظار دارد متدهای کلاس منتزع تطبیق دهنده عملیات مورد نظرش را فراهم کنند و انتظار رابط جدید و ناشناخته را ندارد. در نتیجه این معیار تشخیص میدهد که آیا تطبیق یافته در متد عمومی جدید در تطبیق دهنده فراخوانی شده است یا نه؟ مقدار یک به این معنی است که هیچ متد جدیدی تعریف نشده است که حاوی فراخوانی تطبیق یافته باشد. متد عمومی در نظر گرفته شده است چون متد شخصی یا قابل ارث بری مستقیما از بیرون قابل فراخوانی نیست.

*^[۴۷]تطبیق دهنده ی شیء ۲٫

تعداد زیرکلاسهای مستقیم و غیرمستقیمی که حاوی فراخوانی به پارامتر سازنده در متد رونویسی شده عمومی هستند. در الگوی تطبیق دهنده همه یا اکثر زیرکلاسهای گسترش یافته، تطبیق یافته را به عنوان پارامتری از سازنده میگیرند.

تطبیق دهنده ی شیء ۳.

آیا والد بین استراتژی و زمینه مشترک است؟ تطبیق دهنده و تطبیق یافته نمی توانند از یک والد مشترک گسترش یافته باشند. ( در الگوی تطبیق دهنده شی )

تطبیق دهنده ی شیء ۴.

تعیین موجود بودن ساختار منتزع- عملیاتی در ساختار زمینه. اگر زمینه استفاده کننده از استراتژی یک تطبیق دهنده باشد، برای تطبیق یافتن با رابط های جدید نیاز به رونویسی شدن دارد. پس باید در یک ساختار منتزع- عملیاتی واقع شده باشد.

۴-۲-۴٫ معیارهای تشخیص کارخانه انتزاعی

شکل ۴-۷٫ الگوی طراحی کارخانه انتزاعی [۱]

اگر مجموعهای از اشیا را داشته باشیم که به سبکهای مختلف قابل تولید شدن باشند، هنگام جابجایی از یک سبک به سبک دیگر، چه باید کرد؟ باید از هزاران شی به هزاران شی (از همان نوع اما با سبک متفاوت)، جابجا شویم؟ الگوی کارخانه انتزاعی این امکان را میدهد که در چنین مواقعی تنها با جابجایی یک شی، از یک سبک به سبک دیگر جابجا شویم. هدف این الگو ایجاد یک رابط برای تولید خانوادهای از اشیا مرتبط یا وابسته، بدون معین کردن کلاس عملیاتیشان است [۱].

حتی با مقایسه تعریف دو الگوی کارخانه انتزاعی و استراتژی، شباهتهای موجود در پیادهسازی و عملکرد آنها مشخص است. الگوی استراتژی امکان جابجایی بین خانوادهای از الگوریتمها را در یک زمینه خاص فراهم می کند، درحالیکه کارخانه انتزاعی نیز، امکان جابجایی بین استانداردهای مختلف تولید مجموعه ای از اشیا را در یک زمینه خاص فراهم میسازد. برای فراهمسازی این جابجایی در یک زمینه خاص نیازمند چارچوب مشترک ذکر شده در بخش استراتژی و ساختار فراخوانی ثابت هستیم.

معیارهای متمایزکننده الگوی کارخانه انتزاعی به جهت مشخص کردن هدف هر عملکرد و ساختار مشابه (الزام حضور رابطهای مشترک برای جابجایی خانوادهای از اشیاء در یک مکان مشترک) با الگوی استراتژی در زیر آمدهاند.

کارخانه انتزاعی ۱. تعداد متدهای عمومی که بین تمام استراتژی های وارث، رونویسی شده اند. متدهای عمومی رونویسی شده باید در تمام تولیدکنندهها مشترک باشند (به منظور ایجاد قابلیت جابجایی بین استانداردهای موجود، در یک زمینه خاص با ساختار فراخوانی ثابت).

کارخانه انتزاعی ۲. کمترین تعداد متدهای رونویسی شده عمومی که شی جدیدی را ایجاد و بر میگردانند (بین کلاسهای وارث استراتژی) بدون اینکه پیادهسازیای را در بر بگیرند. هر تولیدکننده عملی در کارخانه انتزاعی، تنها برای تولید مجموعه ای از اشیا مرتبط یا وابسته استفاده می شود و پیادهسازی دیگری را در بر ندارند. “کمترین” استفاده می شود چون، همه زیرکلاسهای تولیدکننده باید رابطهای که اشیایی را بر میگردانند و هیچ پیادهسازیای ندارند، داشته باشند. مقدار این معیار باید برابر با تعداد متدهای رونویسی شده مشترک بین همه تولید کنندهها باشد.

۴-۲- ۵٫ معیارهای تشخیص فرمان

شکل ۴-۸٫ الگوی طراحی فرمان [۱]

گاهی اوقات نیازمند آن هستیم که تقاضایی را به یک شی صادر کنیم بدون اینکه کلاینت صادر کننده تقاضا بداند که چه کسی و چگونه تقاضایش را بر طرف می کند. به عبارتی این الگو موجب پارامتری شدن صدور تقاضا به یک شی می شود [۱]. هدف الگوی فرمان در پوشینه قرار دادن هر تقاضا به شکل یک شی است. الگوی تطبیقدهنده شی با الگوی فرمان از نظر ساختاری کاملا مشابه و تنها در رفتار و یک سری ویژگیهای داخلی متفاوت هستند. در این قسمت سعی بر آن است که این دو الگو را از هم و از الگوهای دیگر متمایز کنیم.

با توجه به شکل زیر شباهت ساختاری الگوی فرمان و تطبیق دهنده قابل مشاهده میباشد.

شکل۴-۹٫ شباهت ساختاری الگوی فرمان و تطبیق دهنده شی [۱]

*فرمان۱٫ تعداد متدهای عمومی رونویسی شده مشترک بین همه استراتژی های عملیاتی. حداقل یک رابط برای گرفتن تقاضای کاربر به شکل پارامتر و مخفی کردن نحوه انجام فرمانها باید بین فرمان ها مشترک باشد.

فرمان۲. تعداد جفت کلاسهای منتزع- عملیاتی در ساختار زمینه که حاوی متدی با نام یا مترادف نام “run/execute” هستند. ممکن است ساختار زمینه الگوی فرمان باشد. (تحلیل معنایی) در اکثر نمونههای واقعی از چنین نامهایی استفاده می شود.

فرمان۳. تعداد جفت کلاسهای منتزع-عملیاتی در ساختار استراتژی که حاوی متدی با نام یا مترادف نام “run/execute” هستند. ممکن است ساختار استراتژی الگوی فرمان باشد. (تحلیل معنایی)

*فرمان۴٫ حداکثر تعداد متدهای عمومی رونویسی شده حاوی فراخوانی به پارامتر سازنده. مقدار این معیار کمتر از مقدار آن برای الگوی تطبیق دهنده میباشد چون الگوی فرمان اصولا فقط یک متد مشترک برای اجرای فرمانها دارد.

*فرمان۵ . تعداد زیرکلاسهای مستقیم و غیر مستقیم حاوی فراخوانی به پارامتر سازنده در متد رونویسی شده عمومی. در الگوی فرمان همه یا اکثر کلاسهای گسترش یافته از کلاس فرمان منتزع، “عملگر اجراگر د ستوراتشان”^[۴۸]را به عنوان پارامتر از سازنده میگیرند.

۴-۲-۶٫ معیارهای تشخیص ملاقات کننده

شکل ۴-۱۰٫ الگوی طراحی ملاقات کننده [۱]

هرگاه بخواهیم یک یا چند عملگر مشترک را (مثلا draw()) به مجموعه ای از عناصر (مثل دایره، مثلث، مستطیل، و …) اضافه کنیم، مجبور هستیم این عملگر را در تک تک عناصر، به شیوه های مختلف پیادهسازی کنیم. اگر نیاز به تغییر بخشی از عملگر داشته باشیم، به تعداد عناصر، نیازمند تغییر در کلاس عناصر هستیم. الگوی ملاقاتکننده امکانی را فراهم می کند که یک یا چند عملگر جدید را به مجموعه ای از عناصر اضافه کنیم، بدون اینکه نیاز به دستکاری کل کلاس عناصر داشته باشیم [۱].

الگوی ملاقاتکننده این امکان را با جداسازی بخش پیادهسازی عملگرها از عناصر، فراهم می کند. بطوریکه تمام پیادهسازیهای یک عملگر برای عناصر مختلف در یک کلاس قرار میگیرند. عناصر هستند که خودشان را به پیادهسازیها میفرستند و عملگرها، عنصر خاص خودشان را شناسایی و عمل مورد نظر را انجام می دهند. شباهت بین الگوی استراتژی و ملاقاتکننده در این نکته قرار دارد که به بخش پیادهسازی ملاقاتکننده به ازای اضافه شدن هر عملگر روی کلیه عناصر، یک کلاس اضافه می شود. بنابراین یک عنصر، برای شناسایی عملگرهای خودش باید یک شناسه مشترک بین کل عملگرها داشته باشد. ملاقاتکننده، این شناسه را با قرار دادن یک رابط مشترک برای هر عنصر بین عملگرهای مختلف مورد نیازش فراهم می کند.

معیارهای شناسایی الگوی ملاقاتکننده روی نمونههای مثبت کاذب استراتژی در ادامه آمدهاند.

*^[۴۹]ملاقات کننده ۱٫ تعداد متدهایی که دراستراتژی منترع حداقل یک پارامتر از یک جنس میگیرند. اصولا تعداد متدهایی که در الگوی ملاقاتکننده برای عمل روی ساختار عناصر تعریف میشوند، نسبت به تعداد عناصری که روی آنها عمل می کنند برابر یا بزرگترند. در ملاقات کننده برای ملاقات کردن هر عنصر یک متد تعریف می شود.

*ملاقات کننده ۲٫ تعداد کلاسهای استراتژی که به سمت زمینه فرستاده میشوند. در الگوی ملاقاتکننده، همه عملگرها خودشان را به عناصر مشخص به عنوان پارامتر میفرستند و عناصر نیز آنها را میپذیرند.

*ملاقات کننده ۳٫ تعداد کلاسهای ساختار زمینه که خودشان را به سمت استراتژی میفرستند. درالگوی ملاقاتکننده همه عناصر خودشان را به سمت عملگرهای مشخص به صورت پارامتر میفرستند و عملگرها آنها را ملاقات می کنند.

*ملاقات کننده ۴٫ تعداد فرزندان زمینه (پیادهسازیها) که حاوی فیلد عمومی از استراتژی (عناصر) هستند. اصولا هر عملگر از الگوی ملاقاتکننده یک عنصر همکار را به صورت پارامتر میگیرد و برعکس. بنابراین نیازی به تعریف فیلدی از عناصر که در کل عملگر قابل استفاده باشد ندارند. اصولا مقدار این معیار برای این الگو صفر است.

۴-۲-۷٫ معیارهای تشخیص میانجی

شکل۴-۱۱٫ الگوی طراحی میانجی [۱]

هرگاه مجموعه ای از اشیا داریم که به طور دائم با یکدیگر در ارتباط هستند‌ .در واقع بجای اینکه چند شی جهت انجام ارتباطاتشان با هم پیوند مستقیم برقرار کنند، الگوی میانجی اتخاذی میبیند که همه اشیا تنها به یک شی میانی پیوند داشته باشند و آن شی عملیات ارتباطی همه آنها را حل و فصل کند. به این طریق اشیا مرتبط، میتوانند مستقل از هم کار کنند و همزمان ارتباط داشته باشند، گاهی میانجی ارتباطات بین وضعیتهای الگوی وضعیت را فراهم می کند. در واقع بدلیل حضور ساختار وضعیت، این الگو بین مثبت کاذبهای الگوی استراتژی قرار گرفته شده است. معیارهای تشخیص الگوی میانجی از الگوهای بحث شده در بخشهای قبل، در ادامه شرح داده شده اند.

میانجی ۱. تعداد زیرکلاسهای ساختار استراتژی که پارامتر متد سازندهشان از یک نوع میباشند (از نوع زمینه). در الگوی میانجی، همه عناصر (عناصری که به واسطه میانجی رابطه برقرار می کنند) میانجی را به شکل پارامتر از سازنده میگیرند.

میانجی ۲. تعداد زیرکلاسهای استراتژی که در کلاس هم نوع با پارامتر سازندهشان (زمینه)، حاوی فیلد وضعیت هستند. همه عناصر همکار که میانجی آنها را به هم مرتبط می کند در میانجی یک فیلد وضعیت ازساختارشان دارد.

میانجی ۳. حداقل تعداد فراخوانی از سلسله مراتب استراتژی در ساختار زمینه. میانجی برای برقراری ارتباط میان عناصر نیاز به فراخوانی عملگرهای هر عنصر به در خواست عنصر مرتبط دارد.

۴-۲-۸٫ معیارهای تشخیص آذیین کننده

شکل۴-۱۲٫ الگوی آذیین کننده [۱]

گسترش عملکرد یک کلاس می تواند به صورت ایستا و در زمان کامپایل با ارث بری انجام بگیرد. اما گاهی اوقات نیازمند آن هستیم که مسئولیتهایی را به اشیا مجزا و نه به کل کلاس در زمان اجرا اضافه کنیم. آذیین کننده این امکان را فراهم می کند تا بتوانیم به راحتی به شیای در زمان اجرا مسئولیتی^[۵۰] را اضافه یا حذف کنیم بدون اینکه شی به مسئولیت متصل یا وابسته باشد [۱]. معیارهای این بخش و بخش بعد برای تشخیص این الگو و الگوی ترکیب که در ادامه آورده شده است میباشند. چون این دو الگو با الگوهای دیگر نیز میتوانند ترکیب شوند این معیارها برای تشخیص این الگو ها از داخل الگوهای دیگر نیز ارائه شده است.

آذیین کننده ۱. آیا والد مشترکی بین ساختار استراتژی و زمینه تعریف شده است ؟ اگر زمینه و استراتژی هر دو از یک والد گسترش یافته باشند احتمال بالایی برای وجود الگوی ترکیب، آذیین کننده یا الگوی جا نشین^[۵۱] وجود دارد.

آذیین کننده ۲. تعداد فرزندان ساختار زمینه که متغیر نمونه ای از والد خود دارند. ممکن است هر دو نقشهای آذیین کننده و موئلفه که تشکیل دهنده الگوی آذیین کننده هستند در ساختار زمینه ترکیب شوند.

آذیین کننده ۳. تعداد فرزندان ساختار استراتژی که متغیر نمونه ای از نوع والد خود دارند. ممکن است هر دو نقشهای آذیین کننده و موئلفه که تشکیل دهنده الگوی آذیین کننده هستند در ساختار استراتژی ترکیب شوند.

آذیین کننده ۴. تعداد فرزندان استراتژی که حاوی پارامتر سازندهای هستند که از جنس والد خودشان است. نقش آذیین کننده نقش مولفه را به عنوان پارامتر از سازنده میگیرد. چون در هر زمان فقط یک شی را مزین می کند و در زمان ایجاد شدن با شیای که باید مزین شود با هم ایجاد میشوند.

آذیین کننده ۵. تعداد فرزندان زمینه که حاوی پارامتری از سازنده هستند که از جنس والد خودشان است. نقش آذیین کننده نقش موئلفه را به عنوان پارامتر از سازنده میگیرد.

آذیین کننده ۶. حداکثر تعداد متدها بین کلاسهای ساختار زمینه که عملی را به رابطهای هم امضا باخودشان واگذار می کنند ( بدون وجود هر نوع حلقه برای این واگذاری). آذیین کننده برای اجرای عملکرد مربوط به نقش موئلفه باید از رابطی استفاده کند که هم امضا با رابطی باشد که خود موئلفه برای اجرای عملکردش استفاده می کند (برای ایجاد یکنواختی). چون در هر زمان امکان مزین کردن یک موئلفه را دارد برای اجرای عملکردهای موئلفه نیازی به ساختار حلقه نیست.

آذیین کننده ۷. حداکثر تعداد متدها بین کلاسهای ساختار استراتژی که عملی را به رابط های هم امضا باخودشان واگذار می کنند ( بدون وجود هر نوع حلقه برای این واگذاری). آذیین کننده برای اجرای عملکرد مربوط به نقش موئلفه باید از رابطی استفاده کند که هم امضا با رابطی باشد که خود موئلفه برای اجرای عملکردش استفاده می کند (برای ایجاد یکنواختی). چون در هر زمان امکان مزین کردن یک موئلفه را دارد برای اجرای عملکردهای موئلفه نیازی به ساختار حلقه نیست.

۴-۲-۹٫ معیارهای تشخیص ترکیب

شکل۴-۱۳٫ الگوی طراحی ترکیب [۱]

هدف این الگو ترکیب اشیا برای تشکیل یک ساختار درختی است به طوری که یک ساختار جز- کل را ایجاد می کند. این الگو این امکان را فراهم می کند تا کلاینت ها با اشیا مجزا و همین طور اشیا مرکب به طور یکنواخت رفتار کنند [۱ ].

الگوی ترکیب و آذیین کننده ساختارهای مشابهی دارند. هر دو متکی به ترکیب بازگشتی برای سازماندهی تعدادی اشیاء قابل تنظیم و تغییر هستند.

ترکیب ۱. آیا والد مشترکی بین ساختار استراتژی و زمینه تعریف شده است ؟ اگر زمینه و استراتژی هر دو از یک والد گسترش یافته باشند احتمال بالایی برای وجود الگوی ترکیب، آذیین کننده یا الگوی جا نشین وجود دارد.

ترکیب۲. تعداد فرزندان ساختار زمینه که متغیر نمونه ای از نوع والد خود دارند. ممکن است هر دو نقش های ترکیب کننده و موئلفه که تشکیل دهنده الگوی ترکیب هستند در ساختار زمینه ترکیب شوند.

ترکیب۳. تعداد فرزندان ساختار استراتژی که متغیر نمونه ای از نوع والد خود دارند. ممکن است هر دو نقشهای ترکیب کننده و موئلفه که تشکیل دهنده الگوی ترکیب هستند در ساختار استراتژی ترکیب شوند.

ترکیب۴. حداکثر تعداد متدها غیر از سازنده که پارامتری از نوع ساختار والد خود میگیرند. (در ساختار زمینه). این الگو در یک لحظه می تواند بیشتر از یک موئلفه را ترکیب کند (حداقل ۲تا) بنابراین موئلفهها را تنها از سازنده نمیگیرد.

ترکیب۵. حداکثر تعداد متدها غیر از سازنده که پارامتری از نوع ساختار والد خود میگیرند. (در ساختار استراتژی). در یک لحظه می تواند بیشتر از یک موئلفه را ترکیب کند (حداقل ۲تا) بنابراین موئلفهها را تنها از سازنده نمیگیرد.

ترکیب۶. حداکثر تعداد متدها بین کلاسهای ساختار زمینه که عملی را به رابطهای هم امضا باخودشان واگذار می کنند ( با وجود هر نوع حلقه برای این واگذاری). الگوی ترکیب برای اجرا کردن عملکرد موئلفه ترکیب شده باید از رابط هم امضا با رابطهایی که موئلفه در آن عملکرد خود را انجام میداده استفاده کند (برای ایجاد یکنواختی). چون هر لحظه موئلفههای جدیدی ترکیب می شود از ساختار حلقه برای اجرای عملکردهای موئلفهها استفاده می شود.

ترکیب ۷. حداکثر تعداد متدها بین کلاسهای ساختار استراتژی که عملی را به رابطهای هم امضا باخودشان واگذار می کنند ( با وجود هر نوع حلقه برای این واگذاری). الگوی ترکیب برای اجرا کردن عملکرد موئلفه ترکیب شده باید از رابط هم امضا با آنکه موئلفه در آن عملکرد خود را انجام میداده داشته باشد (برای ایجاد یکنواختی). چون هر لحظه موئلفههای جدیدی ترکیب می شود از ساختار حلقه برا ی اجرای عملکردهای موئلفهها استفاده می شود.

1. چارچوب آنالیز جهت شناسایی اولیه و تصحیح برچسب

در این تحقیق جهت شناسایی اولیه الگوهای طراحی از دو ابزار خودکار شناسایی “SSA^[52]” و “PINOT^[53]” استفاده شده است. سپس معیارهای فوق به عنوان پیش بینی کنندهها، جهت عملیات پالایش و تصحیح برچسب روی انواع نمونههای مثبت کاذب و مثبت صحیح استفاده میگردند. نمونه الگوهای شناسایی شده اولیه از سه نرمافزار jhotdraw6، javaio و jrefactory با دو ابزار SSA و PINOTفراهم شده اند.

این دو ابزار انتخاب شده اند چون:

دو تا از بهترین ابزار هایی هستند که به صورت عمومی در دسترس میباشند.
خصوصا ابزار SSA سرعت بالایی دارد.
به راحتی قابل استفاده هستند.
الگوهای بیشتری را پوشش می دهند و درصد بازیابی بیشتری دارند.
روی الگوها غیر از آنهایی که ساختار و عملکرد مشابه دارند، دقت خوبی دارند.

به طور کلی مراحل یادگیری داده به شرح زیر میباشد :

محاسبه معیارها برای نمونههای مثبت کاذب و مثبت صحیح.
بررسی صحت یا عدم صحت الگوهای شناسایی شده و برچسب زدن دستی تحت” نام صحیح الگو” یا در صورت نداشتن الگو” بدون الگو".
استفاده از الگوریتم های یادگیری برای خودکارسازی پیشگویی هویت صحیح نمونهها.

شکل ۴-۱۴٫ مراحل طی شده جهت ایجاد مدلهای تصمیم گیری با معیارهای استخراج شده

در این کار یک بازبینی دستی به ازای تمام نمونههای یافت شده توسط ابزارها انجام میگیرد. سپس یک طبقه بندی چندتایی برای هر نمونه فراهم میگردد. در این طبقه بندی نمونهها بر چسبهای “نام هر الگو” از بین نه الگو و در صورت موجود نبودن الگو در به صورت “بدون الگو ” طبقه بندی میشوند. در ضمن زمانی که تطبیق یافته الگو تطبیق دهنده یا دریافتکننده الگو فرمان ، الگوی استراتژی باشد به صورت “adapter-strategy ” یا “command-strategy” برچسب می خورد. نمونه ای از مجموعه داده تهیه شده در زیر آمده است.

Address(context-state/strategy)	M1^[54]*	M2^[55]*	M3^[56]*	M4^[57]*	Re-labeling
standard.LocatorHandle-framework.Locator	۱	۰	۰	۱۹	Adapter-strategy(decorator)
standard/ToolButton.java-framework/Tool.java	۱	۰	۰	۰	state
figures.GroupCommand-framework.DrawingView	۱	۱	۱۸	۱۷	command
pretty.PrettyPrintVisitor-parser.Node	۱	۱	۰	۰	visitor
TextFigure-CollectionsFactory	۱	۷	۰	۰	Abstract factory
applet.DrawApplet-framework.Tool	۱	۰	۰	۰	Mediator
…..	….	….	….	….	….

جدول۴-۱٫ بخش کوچکی از مجموعه داده دستی ساخته شده برای عملیات تصحیح برچسب

جدول ۴-۲٫ بخش کوچکی از مجموعه داده دستی ساخته شده برای عملیات پالایش

Address(context-state/strategy)	M1^[58]*	M2^[59]*	M3^[60]*	M4^[61]*	Filtering
standard.LocatorHandle-framework.Locator	۱	۰	۰	۱۹	TRUE
standard/ToolButton.java-framework/Tool.java	۱	۰	۰	۰	FALSE
figures.GroupCommand-framework.DrawingView	۱	۱	۱۸	۱۷	FALSE
pretty.PrettyPrintVisitor-parser.Node	۱	۱	۰	۰	FALSE
TextFigure-CollectionsFactory	۱	۷	۰	۰	FALSE
applet.DrawApplet-framework.Tool	۱	۰	۰	۰	FALSE
…..	….	….	….	….	….

1. جمع بندی

در این فصل معیارهای استخراج شده در این تحقیق شرح داده شد. سپس نحوه تولید مجموعه داده برای پیش بینی برچسبهای مجموعه داده جهت پالایش و برچسبها جهت تصحیح برچسب ارائه گردید.

فصل پنجم

آزمایشات و نتایج عددی
1. مقدمه

در این فصل، نتایج بکارگیری معیارهای ترکیب شده با مدلهای پیش بینیکننده یادگیری ماشین، جهت عملیات تصحیح برچسب و پالایش ارائه شده است.

1. کارایی یادگیری

پس از تشکیل داده ها و مدلسازی با الگوریتمهای یادگیری ماشین نظیر C5.0-SVM-BOOSTING توسط نرم افزار آماری Clementine و WEKA جهت ارزیابی دقت یادگیری، از تکنیک Leave-one-out ^[۶۲] استفاده شده است [۱۷]. Leave –one-out یک اعتبار سنجی ضرب دری است که، در هر مرتبه از اعتبار سنجی، داده را به تعداد رکوردهای تشکیل دهنده تقسیم می کند سپس n-1 تا را به عنوان داده آموزشی و یکی را به عنوان داده آزمایشی در نظر میگیرد. مرحله به مرحله تا رسیدن به رکورد n این کار تکرار می شود. بطوریکه هر یک از رکوردها به عنوان داده آزمایشی سنجیده میشوند.

ارزیابی دقت بکارگیری روش های یادگیری ماشین در تصحیح خروجی ابزارها، با محاسبه Precision، Accuracy و TPR درجدولهای ۵-۳ تا ۵-۸ زیر آورده شده است. تکنیکهای زیادی نظیرCHAID، QUEST،Neural net ، C&R Tree و …. برای ارزیابی نتیجه مورد آزمایش و بررسی قرار گرفتند اما این سه طبقه بند SVM ،C5.0 ، BOOSTING جز طبقهبندهایی بودند که بهترین دقت را نشان میدادند و مرز تصمیم گیری بهتری بین برچسبها ایجاد میکردند. در جداول ۵-۳ تا ۵-۸ منظور از یکی در مقابل همه یعنی یکی را به عنوان مثبت و بقیه را منفی در نظر میگیریم. همچنین دو در دو یعنی الگوها را دو تا دو تا باهم میسنجیم.

جدول ۵-۳٫ نتایج آزمایشات مربوط به بکارگیری الگوریتم C5.0 با تکنیک یک برچسب در مقابل دیگر برچسب ها

C5.0- one per all

Strategy

State

Composite

Decorator

Visitor

Adapter

Command

Mediator

Abstract Factory

موضوعات: بدون موضوع لینک ثابت

فرم در حال بارگذاری ...

فید نظر برای این مطلب