the automation of refactoring. The

the automation of refactoring. The previous work on distribution, maintenance, and
enhancement is discussed in more detail in the following two subsections, which
separately consider work on modularization and refactoring.
Other work on SBSE application in distribution, maintenance, and enhancement
that does not fall into these two categories has considered the evolution of programming
languages [Van Belle and Ackley 2002], real-time task allocation2 [Bate and Emberson
2006; Emberson and Bate 2007], quality prediction based on the classification of metrics
by a GA [Vivanco and Pizzi 2004], and legacy systems migration [Sahraoui et al. 2002].
SBSE has also been applied to the concept assignment problem. Gold et al. [2006]
applied GAs and HC to find overlapping concept assignments. Traditional techniques
(which do not use SBSE) cannot handle overlapping concept boundaries, because the
space of possible assignments grows too rapidly. The formulation of this problem as an
SBSE problem allows this large space to be tamed.

7.1. Modularization

Mancoridis et al. were the first to address the problem of software modularization using
SBSE [Mancoridis et al. 1998] in 1998. Their initial work on HC for clustering modules
to maximize cohesion and minimize coupling was developed over the period from 1998
to 2008 [Doval et al. 1999; Mancoridis et al. 1999; Mitchell and Mancoridis 2002, 2003,
2008; Mitchell et al. 2002, 2004]. The pioneering work of Macoridis et al. led to the
development of a tool called Bunch [Mancoridis et al. 1999] that implements software
module clustering.
The problem of module clustering is similar to the problem of finding near cliques in
a graph, the nodes of which denote modules and the edges of which denote dependence
between modules. Mancoridis et al. [1999] called this graph a module dependency
graph. The Bunch tool produces a hierarchical clustering of the graph, allowing the
user to select the granularity of cluster size that best suits his application.
Following Macoridis et al., other authors also developed the idea of module clustering
as a problem within the domain of SBSE. Harman et al. [2002] studied the effect of
assigning a particular modularization granularity as part of the fitness function, while
Mahdavi et al. [Mahdavi et al. 2003b; Mahdavi 2005] showed that combining the
results from multiple hill climbs can improve on the results for simple HC and GAs.
Harman et al. also [Harman et al. 2005] explored the robustness of the Modularization
Quality (MQ) fitness function in comparison with an alternative measure of cohesion
and coupling, EValuation Metric (EVM), used in work on clustering gene expression
data.
Other authors have also considered search-based clustering problems. Bodhuin et al.
[2007b] applied GAs to group together class clusters in order to reduce packaging size
and the average downloading times. Huynh and Cai [2007] applied GAs to cluster
Design Structure Matrices and check the consistency between design and source code
structures.
Despite several attempts to improve on the basic HC approach [Harman et al. 2002;
Mahdavi et al. 2003b; Mitchell and Mancoridis 2002], this simple search technique
has been found very effective for this problem. However, Praditwong et al. [2010]
recently demonstrated that multiobjective optimization can significantly outperform
HC in terms of modularization quality. Mitchell and Mancoridis recently published a
survey of the Bunch project and related work [Mitchell and Mancoridis 2006].

2This work could equally well be categorized as “real-time SBSE”, a topic area which is sure to develop in the
future, given the highly constrained nature of the real-time environment and the many competing objectives
that have to be optimized.

Kết quả (Việt) 1:

tự động hóa của refactoring. Các tác phẩm trước đó về phân phối, bảo trì, và nâng cao được thảo luận chi tiết hơn trong hai phụ sau đây, mà một cách riêng biệt xem xét nghiên cứu về mô-đun hóa và refactoring. Các công việc khác trên SBSE ứng dụng trong phân phối, bảo trì và nâng cao mà không rơi vào các thể loại hai đã coi là sự tiến triển của lập trình ngôn ngữ [Van Belle và Ackley 2002], thời gian thực nhiệm vụ allocation2 [Bate và Emberson năm 2006; Emberson và Bate 2007], chất lượng dự đoán dựa trên classification số liệu bởi một GA [Vivanco và Pizzi năm 2004], và hệ thống kế thừa di chuyển [Sahraoui và ctv. 2002]. SBSE cũng đã được áp dụng cho vấn đề chuyển nhượng khái niệm. Vàng et al. [2006] áp dụng khí và HC cho nhiều chồng chéo khái niệm bài tập. Kỹ thuật truyền thống (mà không sử dụng SBSE) không thể xử lý chồng chéo khái niệm ranh giới, bởi vì các không gian của bài tập có thể phát triển quá nhanh chóng. Việc xây dựng của vấn đề này như là một Vấn đề SBSE cho phép này không gian rộng lớn để được thuần hóa. 7.1. mô-đun Mancoridis et al. là chính để giải quyết vấn đề của phần mềm bằng cách sử dụng mô-đun hóa SBSE [Mancoridis et al. 1998] vào năm 1998. Công việc ban đầu của họ trên HC cho cụm mô-đun để tối đa hóa gắn kết và giảm thiểu các khớp nối được phát triển trong giai đoạn từ năm 1998 đến năm 2008 [Doval et al. 1999; Mancoridis et al. 1999; Mitchell và Mancoridis 2002, 2003, năm 2008; Mitchell ctv. 2002, 2004]. Các công việc tiên phong của Macoridis et al. đã dẫn đến các phát triển một công cụ được gọi là bó [Mancoridis et al. 1999] thực hiện phần mềm Mô-đun cụm. Vấn đề của các mô-đun clustering là tương tự như vấn đề của finding gần cliques trong một đồ thị, các nút trong đó biểu thị mô-đun và các cạnh việc biểu thị sự phụ thuộc giữa mô-đun. Mancoridis et al. [1999] gọi là biểu đồ này một mô-đun phụ thuộc đồ thị. Công cụ bó sản xuất một cụm thứ bậc của đồ thị, cho phép các người sử dụng để chọn granularity của kích thước liên cung phù hợp nhất với ứng dụng của mình. Sau Macoridis et al., tác giả khác cũng phát triển ý tưởng của mô-đun clustering như một vấn đề trong tên miền SBSE. Harman et al. [2002] nghiên cứu tác dụng của gán một độ chi tiết mô-đun hóa cụ thể như một phần của các chức năng fitness, trong khi Mahdavi et al. [Mahdavi et al. 2003b; Mahdavi 2005] đã cho thấy rằng kết hợp các Các kết quả từ nhiều đồi trèo lên có thể cải thiện trên các kết quả cho đơn giản HC và khí đốt. Harman et al. cũng [Harman et al. 2005] khám phá mạnh mẽ của mô-đun hóa Chất lượng (MQ) fitness chức năng khi so sánh với một biện pháp thay thế của gắn kết và khớp nối, đánh giá số liệu (EVM), được sử dụng trong công việc trên cụm biểu hiện gen dữ liệu. Các tác giả khác cũng đã coi là dựa trên tìm vấn đề kết cụm. Bodhuin et al. [2007b] áp dụng khí cho nhóm với nhau lớp cụm để giảm kích thước bao bì và mức trung bình tải về thời gian. Huỳnh và Cai [2007] áp dụng khí cho cụm Thiết kế cấu trúc ma trận và kiểm tra sự thống nhất giữa thiết kế và nguồn mã cấu trúc. Mặc dù một số nỗ lực để cải thiện về cơ bản HC tiếp cận [Harman et al. năm 2002; Mahdavi et al. 2003b; Mitchell và Mancoridis 2002], kỹ thuật này tìm kiếm đơn giản đã được tìm thấy rất hiệu quả cho vấn đề này. Tuy nhiên, Praditwong et al. [2010] gần đây đã chứng minh rằng significantly có thể multiobjective tối ưu hóa tốt hơn HC trong điều khoản của mô-đun hóa chất lượng. Mitchell và Mancoridis xuất bản gần đây một cuộc khảo sát của loạt các dự án và công việc liên quan [Mitchell và Mancoridis 2006]. 2Danh công việc tốt như nhau có thể được phân loại là "thời gian thực SBSE", một khu vực chủ đề đó là chắc chắn sẽ phát triển trong các trong tương lai, được đưa ra bản chất rất hạn chế của môi trường thời gian thực và các mục tiêu nhiều cạnh tranh mà phải được tối ưu hóa.