The quality of software is determined by various attributes and characteristics that affect its functional suitability, ease of use, performance or efficiency, maintainability, compatibility, reliability, security, and testing level. Ensuring high-quality software is a continuous process that requires planning, resources, and attention to detail at every stage of software development and maintenance. The effective implementation of this process determines user satisfaction and the success of the software product in the market. In this article, the decision-making theory is employed to investigate and apply the information concept to address the issue of forming the quality of software. The standard only enumerates the conditions for compliance of software products with specified characteristics without disclosing the ways to achieve the result. The essence of the proposed approach lies in extracting from the general set of software quality characteristics a Pareto subset containing dominant factors that have a priority impact on the investigated process. To optimize the process of forming software quality during its design and development, a multi-criteria optimization method from operations research theory is utilized. This method uses fuzzy preference relations between alternatives to make decisions, the degree of which can be specified as a number on a unit interval. Using the multi-criteria optimization method, fuzzy preference relations between alternatives are formed, identified by membership functions. Based on matrix analysis tools, utility functions and convolution membership functions are theoretically justified and calculated. These functions serve as a tool for establishing the optimal variant of software development process implementation. Using the convolution of relations and the set of non-dominated alternatives, the membership function of the final convolution is calculated, the maximum value of which determines the optimal alternative for the software development process. Якість програмного забезпечення визначається через різні атрибути та характеристики, які впливають на його функціональну придатність, зручність використання, продуктивність або ефективність роботи, зручність супроводження, сумісність, надійність, безпеку, рівень тестування. Забезпечення високої якості програмного забезпечення є неперервним процесом, який вимагає планування, ресурсів і уваги до деталей на кожному етапі розроблення та підтримки програмного забезпечення. Від ефективної його реалізації залежить задоволення потреб користувачів та успіх програмного продукту на ринку. У поданій статті засобами теорії ухвалення рішень досліджено та застосовано інформаційну концепцію до вирішення проблеми формування якості програмного забезпечення, оскільки стандарт перераховує лише умови відповідності програмної продукції вказаним характеристикам, не розкриваючи шляхів отримання результату. Суть пропонованого підходу полягає у виокремленні із загальної множини характеристик якості програмної продукції підмножини Парето, що містить домінантні фактори пріоритетного впливу на досліджуваний процес. Для оптимізації процесу формування якості програмного забезпечення на етапі його проектування та розроблення використано метод багатокритеріальної оптимізації з теорії дослідження операцій, суть якого полягає у використанні для прийняття рішення нечітких відношень попарних переваг між альтернативами, ступінь яких можна задати числом на одиничному відрізку. З використанням методу багатокритеріальної оптимізації сформовано нечіткі відношення попарних переваг між альтернативами, що ідентифікуються функціями належності. На підставі засобів матричного аналізу теоретично обґрунтовано та розраховано функції корисності та функції належності згорток, що служать інструментом встановлення оптимального варіанту реалізації процесу розроблення програмного забезпечення. З використанням згорток відношень та множини недомінованих альтернатив розраховано функцію належності фінальної згортки, максимальне значення якої визначає оптимальну альтернативу процесу розроблення програмного забезпечення.

Duplicate bug reports increase the workload of software engineering teams and delay the resolution of critical issues, making automated detection essential. This paper presents a two-stage approach that combines transformer-based semantic retrieval with classical machine-learning classification. First, text features of the defect are vectorised using transformer models such as BERT (Bidirectional Encoder Representations from Transformers, google-bert/bert-base-uncased), MiniLM (Miniature Language Model, sentence-transformers/all-MiniLM-L6-v2) or MPNet (Masked and Permuted Pre-training for Language Understanding, sentence-transformers/all-mpnet-base-v2) to identify semantically similar reports and narrow the candidate search space. Second, the filtered pairs are classified using algorithms such as XGBoost (eXtreme Gradient Boosting), SVM (Support Vector Machines) or logistic regression to determine true duplicates. This hybrid method improves accuracy while substantially lowering computational cost. Experimental results validate the proposed approach, demonstrating robust accuracy and consistent performance in identifying duplicate defect reports.

Visual data volumes are growing exponentially due to the massive implementation of digital technologies, the development of social platforms, and the increasing availability of camera devices. The issue of automating the classification of digital images is significant. At the same time, it is important to determine the quality of images by key criteria. This innovative and theoretically grounded approach can improve classification results. Thus, the main goal of the article is to design an intelligent system for digital image classification based on machine learning methods and tools. The main research problem is the necessity to improve the accuracy of raster image classification, taking into account quantitative and qualitative characteristics — influence factors on the quality of images. The topic highlights key factors affecting the quality of raster images. The method of expert evaluation was used to achieve this. The priority of factors is determined using the method of mathematical modeling of hierarchies, which consists of building a reachability matrix, considering influences and dependencies between factors, and creating the required number of iterative tables. The iteration results in the following distribution of factors by priority level: Level 1 belongs to the factors resolution and color model; Level 2 — to the factors color depth, file format and image size; Level 3 — compression, brightness, saturation; Level 4 — file size, sharpness. The model of the prioritized influence of factors on the quality of raster images has been developed, which is the basis for selecting digital data for further classification. Obviously, the classification accuracy directly depends on the quality of the images. An intelligent system for classifying digital images was designed. In particular, the architecture of the intelligent system was developed. The class diagram is built to demonstrate the logic of interaction between the system components and the process of graphic information processing. Thus, the formalized selection of relevant features that significantly affect the classification results is presented, and the interdependencies between them are determined. The developed concept of an intelligent system is based on the integration of machine learning methods with analytical models for assessing image quality. The obtained results of the study provide a scientifically grounded basis for selecting optimal image preprocessing methods, which helps to improve the accuracy, stability, and consistency of classification. The proposed system demonstrates high potential for practical application in various tasks of raster image analysis, providing effective processing of input data and adaptation to specific conditions of use.

У сучасних умовах розроблення програмного забезпечення важливою проблемою є забезпечення його високої якості. Одним з ефективних підходів до прогнозування якості програмного забезпечення вважається застосування засобів нечіткої логіки, яка дозволяє враховувати невизначеності та нечіткості оцінок різних факторів впливу. В роботі реалізовано підхід до прогнозування якості програмного забезпечення, заснований на використанні лінгвістичних змінних для опису факторів, що впливають на якість програмного забезпечення. Структура публікації передбачає короткі теоретичні описи етапів дослідження, підкріплені практичними рекомендаціями. У зв’язку з великим обсягом, матеріал дослідження поділено на дві частини, перша з яких подається до опублікування. Виконано аналіз літературних джерел, дотичних до тематики статті. Відзначено, що публікації, які стосуються оцінювання якості програмного забезпечення на основі нечіткої логіки, послуговуються неповним переліком чинників впливу на ступінь добротності програм. Вказане додатково підтверджує актуальність виконаного нами дослідження, в якому вихідна множина впливових факторів максимально повно відтворює характеристики якості програмного забезпечення, наведені у стандарті. Виокремлено фактори впливу на якість програмного забезпечення, трансформовані лінгвістичними змінними, значення яких описано лінгвістичними термами, що утворюють універсальну терм-множину. Для кожної лінгвістичної змінної побудовано функції належності, що відображають ступінь відповідності кожного терму реальному значенню фактора. Обумовлено передумови доцільності застосування моделі нечіткого логічного виведення для прогнозування якості програмного забезпечення. Запроектовано модель логічного виведення, яка відтворює ієрархію взаємозв’язків між лінгвістичними змінними та ступенями якості програмного забезпечення. Виконано розрахунок значень функцій належності лінгвістичної змінної «тестування», виконаний на основі аналізу та опрацювання матриць попарних порівнянь, елементами яких стали ранги пріоритетності лінгвістичних змінних. Здійснено візуалізацію функцій належності у графічному відображенні, що обумовлює ступінь причетності фактора до певного рівня якості програмного забезпечення залежно від означеного терму.

Efficient scheduling of test cases is a critical task in environments where execution resources, such as testers or test environments, are limited and subject to individual availability constraints. In this paper, we propose a flexible and extensible mathematical model for optimizing test scheduling based on discrete time blocks. Each test case has a fixed duration and must be assigned to exactly one compatible tester. Testers, in turn, may be unavailable at specific time blocks due to pre-scheduled meetings or fixed breaks, such as lunch. The scheduling objective is to minimize the makespan, defined as the latest finish time among all scheduled tests. The model is formulated as a mixed-integer linear programming (MILP) problem that integrates testers' compatibility and availability constraints with task assignments into a unified framework. In contrast to models that assume testers are always available or disregard personal schedules, our method incorporates individual availability constraints for more realistic planning. The model is assessed on a synthetic scenario involving multiple testers with defined break times and varying task compatibility, and the resulting schedule is visualized with Gantt charts. The proposed formulation serves as a foundation for more advanced scheduling systems in quality assurance and resource-constrained testing workflows.

The presence of duplicate bugs in defect tracking systems creates an additional burden on software engineering specialists, potentially causing delays in fixing critical bugs. The use of automated methods for detecting duplicates relieves this burden and re-duces the time and cost associated with their processing. Detecting duplicate bug re-ports in large databases is a challenging task that requires a balance between compu-tational efficiency and prediction accuracy. Traditional approaches either rely on re-source-intensive searches or use classification models that, while highly accurate, compromise performance. This paper proposes a new approach to automatic duplicate bug detection based on a two-level analysis of text features in reports. The first stage involves vectorising text data using BERT (Bidirectional Encoder Representations from Transformers), MiniLM (Miniature Language Model) and MPNet (Masked and Per-muted Pre-training for Language Understanding) transformer models, which deter-mine the semantic similarity between defect descriptions. This reduces the number of potential duplicates and the volume of reports that need to be compared. The second stage involves classifying pairs of potential duplicates using machine learning algo-rithms, including XGBoost (eXtreme Gradient Boosting), SVM (Support Vector Ma-chines) and logistic regression. The models are trained on vector representations of text to assess the degree of similarity between errors. The combination of transformer mod-els with classical classification algorithms ensures high accuracy in detecting dupli-cates while significantly reducing query processing time. The results of the experi-ments confirm the effectiveness of the approach, demonstrating its ability to reduce the number of required comparisons, cut the cost of analysing defect reports, and achieve sufficient accuracy in duplicate detection.