论文部分内容阅读
随着计算机和软件产品应用的日益广泛,我们生活的各个方面对软件产品的依赖也与日俱增。目前软件产品已经应用于一些对软件质量要求更高的重要领域,如民航订票、金融管理和医疗控制系统等。在这些领域,若软件质量欠佳,则可能引发重大的财产损失,甚至人员伤亡,所以针对改善软件质量的学习和研究相应地也引起了学术界的高度重视。软件可靠性作为软件质量的关键属性之一,是当今研究的一个热点。 自1976年以来,人们相继提出一百多种可靠性模型,可概括地分为两大类:统计分析方法和计算智能方法,但以上模型均是基于完全数据的情况建模的。在现实世界中,则因各种因素如人为、环境或时间等,致使最终收集的数据含有部分缺失(即不完全数据),针对该问题本文提出一种新颖的模型。并通过在两个数据库上,分别使用常用的填充方法:均值、k近邻、RGGB与本文模型作对比实验,进一步验证了本文模型较优,具体而言,本文的主要工作如下: 1.本文提出一种新的软件可靠性预测模型,该模型是对经典支持向量机SVM的推广,解决了其仅能基于完全数据建模的局限性,其可直接处理含有缺失数据的样本(即不完全数据)。经典的SVM仅是本文模型的一个特例。与传统通过填充方法对数据进行预处理再进行建模的方法相比,本文模型的主要特点是:基于最大间隔原理建立模型,可直接使用含有缺失的样本进行训练模型,无需对数据进行任何预处理,从而有效地避免了因填充数据不当或错误,而引入额外噪声导致预测效果较差甚至得出错误结果的问题。 2.最大间隔预测模型的建立需要初始化两个参数,且参数的选取对预测效果影响较大。目前粒子群优化算法(PSO)因其简单易懂,易于实现,收敛速度快等特点,近年来已被广泛应用于优化各种模型的参数。但是该算法也存在一定的缺点如:缺乏交叉变异能力可能最终收敛到局部最小值等。所以针对该问题,本文提出一种基于PSO的改进算法PSOGA,用于优化模型参数,并通过实验验证本文提出的PSOGA算法优于传统的PSO算法。