In this paper we explored the feasi

In this paper we explored the feasibility of EAs for reverse engineering feature
models from feature sets. We devised two fitness functions that respectively
focused on: i) getting the desired feature sets while disregarding any surplus
(FFRelaxed), ii) getting the desired number of feature sets and then on the
desired feature sets (FFStrict).

With these two functions we were able to identified a trade-off between accuracy
of the obtained feature model (the required feature sets vs of the obtained
feature sets) and number of generations. That is, proper supersets of the the desired
feature sets can be obtained with a small number of generations. However,
these supersets contain a large surplus of feature sets. In contrast, reducing such
surplus does require more generations but still can yield good accuracy results.
Despite this encouraging results, devising a fitness function that can reduce, if
not eliminate, this trade-o is still an open question. We hope that this work
has highlighted some of the the many potential areas where SBSE techniques
can help tackle many open challenges in the realm of variability management.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ เราสำรวจความเป็นไปได้ของ EAs สำหรับคุณลักษณะทางวิศวกรรมย้อนกลับโมเดลจากชุดคุณลักษณะ เราวางแผนออกกำลังกายสองฟังก์ชันที่ตามลำดับเน้น: ฉัน) ได้รับคุณลักษณะที่ต้องการตั้งค่าในขณะที่โดยส่วนเกินใด ๆ(FFRelaxed), ii) ได้รับจำนวนชุดคุณลักษณะ และในการคุณลักษณะที่ต้องการตั้งค่า (FFStrict)มีฟังก์ชันสองเหล่านี้ เราได้ identifi ed ปิดระหว่างความถูกต้องของรูปแบบได้รับคุณลักษณะ (คุณลักษณะที่ต้องตั้งเทียบกับของที่ได้รับชุดคุณลักษณะ) และจำนวนของรุ่น นั่นคือ เหมาะสม supersets ของการที่ต้องการชุดคุณลักษณะจะได้ มีจำนวนเล็ก ๆ ของคนรุ่น อย่างไรก็ตามsupersets เหล่านี้ประกอบด้วยขนาดใหญ่เกินดุลของชุดคุณลักษณะ ตรงกันข้าม ลดดังกล่าวส่วนเกินต้องรุ่นมากขึ้น แต่ยังคง สามารถให้ผลลัพธ์แม่นยำแม้ มีการส่งเสริมนี้ผล ทบทวนถ้าฟังก์ชันการออกกำลังกายที่สามารถลดไม่กำจัด การค้า-o นี้ยังคงเป็นคำถามเปิด เราหวังว่างานนี้ได้เน้นบางหลายพื้นที่ที่มีศักยภาพที่ SBSE เทคนิคสามารถช่วยแก้ปัญหาหลายเปิดท้าทายในขอบเขตของการจัดการความแปรปรวน

ผลลัพธ์ (ไทย) 2:

ในบทความนี้เราสำรวจความเป็นไปได้ของ EAs สำหรับคุณลักษณะวิศวกรรมย้อนกลับ
รุ่นจากชุดคุณลักษณะ เราวางแผนสองฟังก์ชั่นการออกกำลังกายที่ตามลำดับ?
มุ่งเน้นไปที่ i) รับชุดคุณลักษณะที่ต้องการในขณะที่ไม่คำนึงถึงส่วนเกิน
(FFRelaxed) ii) รับจำนวนที่ต้องการของชุดคุณลักษณะและจากนั้นใน
ที่ต้องการชุดคุณลักษณะ (FFStrict)

กับทั้งสองฟังก์ชั่นเราสามารถที่จะ identifi? ed ค้าปิด? ระหว่างความถูกต้อง
ของรูปแบบคุณลักษณะที่ได้รับ (คุณลักษณะที่จำเป็นชุด VS ของที่ได้รับ
ชุดคุณลักษณะ) และจำนวนของคนรุ่น นั่นคือซูเปอร์ที่เหมาะสมของที่ต้องการ
ฟีเจอร์ที่สามารถรับกับจำนวนเล็ก ๆ ของคนรุ่น อย่างไรก็ตาม
supersets เหล่านี้มีส่วนเกินมากของชุดคุณลักษณะ ในทางตรงกันข้ามการลดดังกล่าว
ส่วนเกินที่ไม่จำเป็นต้องมีชั่วอายุมากขึ้น แต่ยังคงสามารถให้ผลลัพธ์ที่ดีความถูกต้อง
แม้จะมีผลให้กำลังใจนี้การณ์ฟังก์ชั่นการออกกำลังกายที่สามารถลดถ้า
ไม่กำจัดนี้การค้า o? ยังคงเป็นคำถามเปิด เราหวังว่างานนี้
ได้เน้นบางส่วนของพื้นที่ที่มีศักยภาพมากที่เทคนิค SBSE
สามารถช่วยรับมือกับความท้าทายหลายเปิดในขอบเขตของการจัดการความแปรปรวน