在一个长期运行的系统中,软件的退化和意外中断被称为软件老化现象,软件老化表现为系统的状态异常、性能退化、软件的挂起和失效。已经证明了几种类型的系统遭受到软件老化,包括:Web服务器、操作系统、数据库管理系统、云计算和虚拟化环境等。因此,对软件老化的趋势进行早期预测,并在系统崩溃之前采取有效的预防措施,有助于提高软件的可靠性和可用性,减少软件失效的发生和一些不必要的资源浪费及财产损失。论文分析了软件老化研究背景和意义,在此基础上构建软件老化实验平台并选出能反映老化趋势的性能参数——平均内存,之后分析现有的几种预测方法,通过综合对比,选出BP神经网络作为本文的预测模型。在构建实验平台方面,为一个符合TPC-W基准的在线售书网站注入一段内存泄漏的代码使之老化,收集反映老化趋势的数据集,选用了JVM在120秒内的平均内存,共收集到14281个数据。由于BP神经网络的原始缺陷会影响训练的结果,因此,本文提出了通过改进遗传算法优化BP神经网络的网络结构,主要改进遗传算法的选择、交叉和变异算子,形成了新型自适应遗传算法,在此基础上再加入模拟退火算法做局部寻优,完成了通过BP神经网络、遗传算法、模拟退火算法对软件老化趋势预测的设计。论文对提出的新型自适应遗传退火算法优化的BP神经网络模型作了系统阐述和流程分析,并用Matlab进行仿真实验。实验表明,提出的优化算法分别利用了BP神经网络的非线性和自适应性、遗传算法的并行性和全局收敛性、模拟退火算法的概率突跳性和局部收敛性的特点,与几个传统改进后的遗传算法优化BP神经网络模型作预测误差的对比发现,本文提出的方法不论是在预测精度还是收敛准确性上都有显著提高,在软件老化趋势预测上有较大的实用价值。