파이어플라이 알고리즘으로 최적화한 COCOMO 기반 소프트웨어 노력 추정 모델

초록

본 논문은 파이어플라이 알고리즘(FA)을 메타휴리스틱 최적화 기법으로 활용해 기본 COCOMO 모델과 두 가지 확장 모델의 파라미터를 자동 튜닝한다. FA‑기반 모델을 유전 알고리즘(GA)과 입자 군집 최적화(PSO)와 비교 평가했으며, MMRE, PRED(25) 등 다양한 정확도 지표에서 FA가 가장 낮은 추정 오차와 높은 예측 성공률을 기록했다. 실험 결과는 소프트웨어 개발 비용·시간 관리에 있어 FA가 효과적인 파라미터 탐색 도구임을 시사한다.

상세 분석

이 연구는 소프트웨어 노력 추정 분야에서 오래된 회귀 기반 COCOMO 모델을 현대 메타휴리스틱 기법과 결합함으로써 기존 모델의 한계를 보완하려는 시도이다. 파이어플라이 알고리즘은 빛의 강도와 거리 감소 모델을 이용해 후보 해를 탐색하는데, 이는 전역 탐색 능력과 지역 수렴 속도 사이의 균형을 잘 맞춘다. 논문에서는 기본 COCOMO(아래 식: Effort = a·KLOC^b)와 두 개의 확장 모델(예: Effort = a·KLOC^b·EAF·SF)에서 a, b, 그리고 보정 계수(EAF, SF 등)를 최적화 변수로 설정하였다. 파라미터 공간은 연속형이며, 각 파라미터에 대한 탐색 범위는 기존 문헌값을 기반으로 제한하였다.

FA의 초기 파이어플라이 집단은 무작위로 생성되고, 각 파이어플라이는 현재 추정 오차(MMRE)를 적합도 함수로 사용한다. 빛의 강도는 오차가 낮은 파이어플라이일수록 강해지며, 다른 파이어플라이는 강한 빛을 향해 이동한다. 이동 과정에서 랜덤성(γ, α, β 파라미터)을 도입해 지역 최적에 빠지는 것을 방지한다. 실험에서는 30회 독립 실행을 통해 평균 성능을 보고했으며, GA와 PSO는 동일한 반복 횟수와 인구 규모로 설정해 공정한 비교를 시도했다.

평가 결과는 FA가 MMRE 기준으로 약 12%18% 개선을 보였고, PRED(25)에서는 57% 포인트 상승했다. 특히 데이터셋이 작은 경우(예: NASA93, COCOMO81 소규모 프로젝트)에서 FA의 전역 탐색 능력이 두드러졌다. 반면 GA는 수렴 속도가 느려 초기 세대에서 큰 변동성을 보였고, PSO는 파라미터 경계에 민감해 일부 실험에서 과적합 현상이 나타났다.

이 논문의 주요 기여는 다음과 같다. 첫째, COCOMO 모델 파라미터를 자동화된 메타휴리스틱으로 최적화함으로써 전문가 주관에 의존하던 기존 방식보다 객관적이고 재현 가능한 추정 결과를 제공한다. 둘째, FA가 다른 메타휴리스틱 대비 전역 탐색 효율성과 지역 수렴 안정성을 동시에 만족한다는 실증적 증거를 제시한다. 셋째, 다양한 평가 지표와 다중 데이터셋을 활용해 일반화 가능성을 검증하였다.

하지만 몇 가지 한계점도 존재한다. 데이터셋이 제한적이며, 특히 최신 애자일·DevOps 환경의 프로젝트 특성을 반영하지 못한다. 또한 파라미터 경계 설정이 사전 지식에 크게 의존해, 경계가 부적절하면 최적해 탐색이 방해될 수 있다. 통계적 유의성 검증(예: Wilcoxon signed‑rank test)이나 교차 검증이 부족해 결과의 신뢰성을 완전히 입증하기는 어렵다. 향후 연구에서는 더 다양한 프로젝트 메트릭(코드 복잡도, 팀 경험 등)을 포함하고, 하이퍼파라미터 자동 튜닝 기법을 결합해 모델의 확장성을 높이는 것이 바람직하다.