论文部分内容阅读
作为保障软件质量的一个重要手段,如何有效的对软件可靠性进行预测是当前软件工程研究中亟待解决的一个问题。到目前为止,已有许多学者针对软件可靠性预测问题展开研究,并且提出了众多的方法,但是这些方法均存在预测精度低、适用范围不足等问题。长短时记忆(LSTM)网络作为一种深度学习模型,其能够通过对历史数据的学习,基于选择性记忆的高级机器学习功能,深入挖掘出时间序列数据中的固有规律,适合用于软件失效时间数据的处理。论文在标准粒子群(PSO)算法的基础上提出了一种多层异构粒子群算法,利用其较强的全局寻优能力对深度LSTM神经网络的参数进行优化,并将优化后的深度LSTM神经网络用于软件可靠性预测。论文的研究工作分为以下三个部分:(1)针对标准PSO算法容易产生早熟收敛、局部寻优能力较差等问题,提出一种多层异质粒子群优化算法(MHPSO)。该算法将粒子群的群体结构设置为层次结构,引入吸引子的概念,对粒子的速度更新方程进行改造,增强粒子与粒子之间的信息交互能力,提升了PSO的寻优性能。(2)针对现有软件可靠性预测算法预测精度低的问题,提出一种基于MHPSO算法优化的深度LSTM(MHPSO-LSTM)神经网络模型。该模型利用MHPSO较强的全局寻优能力对深度LSTM网络的初始权重进行优化,避免其由于初始权重的随机化取值而陷入局部极小值的问题,提高了利用深度LSTM神经网络进行软件可靠性预测时的预测性能。(3)通过实验对MHPSO及MHPSO-LSTM网络模型的性能分别进行对比验证。对于MHPSO算法,主要通过与PSO、QPSO的对比,从基准函数优化结果、群体多样性及算法的可拓展性三个角度进行算法优化性能的验证;对于MHPSO-LSTM网络模型,使用公开的软件缺陷数据集进行软件可靠性的预测,并通过与BP、RNN以及常规深度LSTM网络模型预测结果的对比进行预测性能的验证。