Software reliability growth models (SRGMs) are universally admitted and employed for reliability assessment. The process of software reliability analysis is separated into two components. The first component is model construction, and the second is parameter estimation. This study concentrates on the second segment parameter estimation. The past few decades of literature observance say that the parameter estimation was typically done by either maximum likelihood estimation (MLE) or least squares estimation (LSE). Increasing attention has been noted in stochastic optimization methods in the previous couple of decades. There are various limitations in the traditional optimization criteria; to overcome these obstacles metaheuristic optimization algorithms are used. Therefore, it requires a method of search space and local optima avoidance. To analyze the applicability of various developed meta-heuristic algorithms in SRGMs parameter estimation. The proposed approach compares the meta-heuristic methods for parameter estimation by various criteria. For parameter estimation, this study uses four meta-heuristics algorithms: Grey-Wolf Optimizer (GWO), Regenerative Genetic Algorithm (RGA), Sine-Cosine Algorithm (SCA), and Gravitational Search Algorithm (GSA). Four popular SRGMs did the comparative analysis of the parameter estimation power of these four algorithms on three actual-failure datasets. The estimated value of parameters through meta-heuristic algorithms are approximately near the LSE method values. The results show that RGA and GWO are better on a variety of real-world failure data, and they have excellent parameter estimation potential. Based on the convergence and R 2 distribution criteria, this study suggests that RGA and GWO are more appropriate for the parameter estimation of SRGMs. RGA could locate the optimal solution more correctly and faster than GWO and other optimization techniques.

Gender identification from video is an emerging research field that aims to automatically classify the gender of individuals based on video data. Due to the numerous applications for this task, it has received a lot of attention, including surveillance, human-computer interaction, and targeted marketing. In this study, we propose a gender identification system that utilizes the Pelican optimizer algorithm in combination with a Support Vector Machine (SVM) classifier. The Pelican optimizer is a metaheuristic algorithm inspired by the hunting behaviour of pelicans and has shown promising results in solving optimization problems. Pelican optimizer algorithm (POA) is applied to optimize the SVM parameter selection process such as kernel function. The POA algorithm searches for an optimal subset of parameters that maximizes the classification performance of the SVM model after the application of preprocessing and feature extraction techniques such as Local Binary Pattern (LBP). Finally, the selected optimized parameters otherwise known as POA-SVM classifier learns a decision boundary based on the labeled training data. The POA-SVM model is trained to distinguish between male and female samples and generalize the classification to unseen video data. Experimental evaluations are conducted using a benchmark dataset consisting of video samples with labelled gender information. The effectiveness of the suggested system is contrasted with other cutting-edge gender identification techniques. The results demonstrate the effectiveness of the Pelican Optimization Algorithm-SVM system, showing improved accuracy of 95%, and sensitivity of 94.4% at a faster recognition rate in gender classification from video data.