軟件工程論文參考范文：基于PSO-BP的軟件缺陷預(yù)測模型

軟件工程論文參考范文：基于PSO-BP的軟件缺陷預(yù)測模型

1

引言

隨著軟件系統(tǒng)在工程應(yīng)用中不斷擴(kuò)大，軟件缺陷危害越來越受到人們的關(guān)注。例如，1962年，因Fortran語言少寫一個(gè)連字符，美國國家航天局（NASA）不得不銷毀價(jià)值8000萬美元的馬里納1號(hào)探測器。軟件缺陷預(yù)測能夠在軟件開發(fā)的早期預(yù)測出哪些模塊有出錯(cuò)的傾向從而盡早改正缺陷模塊，對(duì)于提高軟件可靠性有著重要的意義。本文提出的預(yù)測技術(shù)是一種靜態(tài)預(yù)測技術(shù)，即基于缺陷相關(guān)的度量數(shù)據(jù)，對(duì)缺陷分布進(jìn)行預(yù)測的技術(shù)。

目前，軟件缺陷預(yù)測模型主要包括

Bayesian

模型、線性判別模型（linear

discriminant

analysis,LDA）、支持向量機(jī)模型（support

vector

machine,SVM

）、分類回歸樹模型（classification

andregression

tree,

CART）、馬爾可夫模型。但這些方法尚存在一些問題，例如，Bayesian

模型在因子過多、模型結(jié)構(gòu)較為復(fù)雜的情況下，計(jì)算效率和推理過程緩慢不易被人接受。分類回歸模型泛化能力比較差。

支持向量機(jī)參數(shù)選擇缺乏有效的方法。馬爾可夫模型需要提出很多假設(shè)，在實(shí)際應(yīng)用中受到許多限制。J48

是一種決策樹算法，嚴(yán)格意義上說是一種對(duì)ID3

算法的改進(jìn)。通過信息增益率選擇屬性避免了偏向?qū)傩灾蹈叩谋锥?；在建樹的過程中不斷剪枝；能夠?qū)Σ煌暾麛?shù)據(jù)進(jìn)行處理以及連續(xù)屬性值的離散化處理；但是在構(gòu)造樹的過程中需要對(duì)數(shù)據(jù)集進(jìn)行多次的順序掃描和排序，導(dǎo)致算法低效。

人工神經(jīng)網(wǎng)絡(luò)模型（artificial

neural

network,ANN）起源于對(duì)生物系統(tǒng)的研究和模仿，目前，在軟件缺陷預(yù)測中主要應(yīng)用的神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)。但神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值點(diǎn)，收斂速度慢等缺點(diǎn)。粒子群優(yōu)化算法（Particle

SwarmOptimization,

PSO）由

Kennedy

和

Eberhart于1995年共同提出，具有算法簡單、不需要設(shè)置參數(shù)、以及不要求目標(biāo)函數(shù)可導(dǎo)、可微，甚至不要求有明顯的表達(dá)式等優(yōu)點(diǎn)。

為了提高軟件模塊缺陷預(yù)測模型的準(zhǔn)確性，本文提出了基于

PSO-BP

的軟件缺陷預(yù)測模型，即運(yùn)用粒子群優(yōu)化算法優(yōu)化

BP

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立軟件缺陷預(yù)測模型，最后用于實(shí)驗(yàn)預(yù)測軟件模塊是否為缺陷模塊。

2

相關(guān)工作

2.1

神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)以數(shù)學(xué)和物理方法以及從信息處理的角度對(duì)人腦神經(jīng)進(jìn)行抽象，并建立簡化模型，模擬人腦的智能處理行為。BP

神經(jīng)網(wǎng)絡(luò)是一種誤差反傳神經(jīng)網(wǎng)絡(luò)，是一種有監(jiān)督的學(xué)習(xí)方法。其基本思想：神經(jīng)網(wǎng)絡(luò)在外界樣本的刺激下反向傳播算法不斷地動(dòng)態(tài)修整網(wǎng)絡(luò)的連接權(quán)值和閾值，以使網(wǎng)絡(luò)的輸出等同期望或者以設(shè)定的誤差接近期望輸出。曾有研究表明三層網(wǎng)絡(luò)可較好地解決非線性映射、優(yōu)化設(shè)計(jì)等問題。因此本文基于這一成果，選用三層神經(jīng)網(wǎng)絡(luò)，即包括輸入層、隱藏層、輸出層。本文定義的誤差平方計(jì)算如公式。

............

3

軟件缺陷預(yù)測模型的建立

3.1

軟件缺陷預(yù)測模型

基于

PSO-BP

方法的軟件缺陷預(yù)測模型主要包括如下幾個(gè)步驟，1.獲取軟件缺陷數(shù)據(jù)集；2.基于訓(xùn)練樣本建立

BP

神經(jīng)網(wǎng)絡(luò)的軟件缺陷預(yù)測模型，選擇

sigmoid

轉(zhuǎn)移函數(shù)，采用

3

層網(wǎng)絡(luò)結(jié)構(gòu)；3.利用

PSO

算法優(yōu)化

BP

網(wǎng)絡(luò)的權(quán)值和閾值；4.用測試樣例對(duì)模型進(jìn)行分類預(yù)測。如果預(yù)測結(jié)果滿足終止條件，則停止優(yōu)化得到優(yōu)化的軟件預(yù)測模型，否則返回步驟

3

繼續(xù)優(yōu)化模型。其中，終止條件為模型的預(yù)測準(zhǔn)確率達(dá)到事先設(shè)定的閾值或者循環(huán)次數(shù)達(dá)到事先設(shè)定的最大值。

3.2

PSO

優(yōu)化

BP

神經(jīng)網(wǎng)絡(luò)

因?yàn)?/p>

BP

神經(jīng)網(wǎng)絡(luò)中的誤差梯度下降法，要求其函數(shù)可微、可導(dǎo)，本文采用

PSO

優(yōu)化

BP

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，達(dá)到改進(jìn)

BP

算法的缺陷和提高泛化性能的目的。即運(yùn)用粒子群優(yōu)化算法計(jì)算出每個(gè)粒子在每個(gè)方向上的速度和位置映射到

BP

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。每個(gè)粒子在個(gè)體經(jīng)驗(yàn)和群體經(jīng)驗(yàn)指導(dǎo)下尋找自身最優(yōu)解和群體最優(yōu)解的步驟如下：1.初始化粒子群；1.1

設(shè)定粒子群規(guī)模大小，粒子速度和位置以及向量的維數(shù)，其中，本文粒子規(guī)模為

30，向量的維數(shù)與

BP

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的個(gè)數(shù)之和相等；1.2

隨機(jī)初始化每個(gè)粒子的位置及速度以及個(gè)體最優(yōu)解和群體最優(yōu)解；

4

實(shí)驗(yàn)分析

4.1

實(shí)驗(yàn)數(shù)據(jù)

本文采用的實(shí)驗(yàn)數(shù)據(jù)是由

NASA

提供的數(shù)據(jù)包，其中含有

13

個(gè)數(shù)據(jù)集，如表

1

所示，這些數(shù)據(jù)集都是

NASA

的真實(shí)軟件項(xiàng)目，由常見的開發(fā)語言編寫。

4.2

實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)

為了驗(yàn)證本模型的預(yù)測能力，本文實(shí)驗(yàn)采用數(shù)據(jù)集PC1、CM1、JM1、KC3，從數(shù)據(jù)集中分別隨機(jī)抽取300、200、500、200

個(gè)實(shí)驗(yàn)?zāi)K，采用十折交叉驗(yàn)證

(10‐fold

CV)實(shí)驗(yàn)方法進(jìn)行實(shí)驗(yàn)，即將數(shù)據(jù)集隨機(jī)均分為10份，輪流將其中9份做訓(xùn)練，剩余的

1

份做預(yù)測，取10

次實(shí)驗(yàn)度量值的平均值作為算法的運(yùn)行結(jié)果。

為了與傳統(tǒng)機(jī)器學(xué)習(xí)方法預(yù)測能力上作比較，本文采用準(zhǔn)確度、查全率、查準(zhǔn)率以及F1值來比較模型的預(yù)測能力。這些度量值首先要用到表2的交叉矩陣。

5

結(jié)論

本文的貢獻(xiàn)是針對(duì)軟件缺陷預(yù)測問題提出了一種新穎的基于PSO-BP的軟件缺陷預(yù)測模模型。在數(shù)據(jù)集PC1、KC3、CM1、JM1上分別做實(shí)驗(yàn)并與J48和人工神經(jīng)網(wǎng)絡(luò)進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明，該模型比傳統(tǒng)方法具有更好的預(yù)測效果，說明了該模型的可行性。但是該方法在優(yōu)化權(quán)值和閾值過程中需要較長的時(shí)間。在以后的研究中將進(jìn)一步降低模型的運(yùn)行時(shí)間和提高模型的預(yù)測準(zhǔn)確率。

參考文獻(xiàn)

[1]

Challagulla

V

U

B,

Bastani

F

B,

I-Ling

Yen,PaulRA.

Empirical

assessment

of

machine

learning

basedsoftware

defect

prediction

techniques[C]2005:

263-270.

[2]陸民燕.

軟件可靠性工程[M],北京:國防工業(yè)出版社.

[3]Feton

NE,

Martain

N,

William

M,

Peter

H,

LaukardR,

/rjgclw

Paul

K.

Predicting

software

defects

in

varyingdevelopment

lifecycles

using

Bayesian

nets[J].Information

and

Software

Technology,

2007,49(1