基于贝叶斯学习方法的软件成本估算模型研究

摘要

在现代软件项目管理过程中，软件成本的估算是一项极具有挑战性的工作，在众多的软件项目管理活动中，占据着十分重要的地位。软件成本估算的准确程度对后续的开发计划和进度控制有决定性的影响，甚至影响到软件项目的成败。尽管目前已经有很多估算方法被提出，但离目前实际开发环境下有效的应用尚有不小的差距。
　　 近年来，在软件成本估算研究领域，陆续有学者提出用机器学习方法在历史项目数据集的基础上建立成本估算模型，并取得了不错的结果。本文提出一个基于贝叶斯学习方法的成本估算模型。这个模型能以概率分布的形式来输出成本估算结果，并可实现对专家知识的支持及模型的自我更新，这在应对目前软件开发过程充满“不确定性”的环境下估算软件成本，是合理、有益并具有实用价值的。我们称这个模型为贝叶斯学习估算软件成本模型，它包含两个子模型：一是朴素贝叶斯分类预测软件成本模型，一个是贝叶斯信念网络估算软件成本模型。后者在前者的基础上进行了优化。围绕这两个子模型的提出，本文主要做了以下工作：
　　 (1)本文对研究成本模型采用的数据载体nasa93试验数据做了预处理，并进一步基于处理后的数据，对软件成本变量进行了成本变量关系分析。其结果证实软件成本变量之间存在着大量的关联关系。
　　 (2)基于nasa93数据，在weka-3-5环境下，我们建立了朴素贝叶斯分类预测软件成本模型。并采用cross-validation进行了模型性能分析。我们发现，基于朴素贝叶斯分类预测软件成本模型，其估算结果准确率受到了其成本变量关系独立假定的影响。
　　 (3)贝叶斯信念网络，由于其本身的网络结构可以有效地描述变量间的依赖关系。因此，我们基于贝叶斯信念网络进一步探讨了朴素贝叶斯成本估算模型的优化。并基于nasa93历史数据，开展了两个优化试验，建立了贝叶斯信念网络估算软件成本模型，其成本估算性能较朴素贝叶斯分类成本模型得到了很好的改善。
　　 本文的研究结果表明，贝叶斯学习估算软件成本模型在目前不断变化的软件开发环境中更加适合于我们对软件成本的估算。它提供了比传统的估算模型更加合理的估算结果及估算模式。其中，贝叶斯信念网络估算软件成本模型作为一个优化的软件成本模型，其比朴素贝叶斯分类预测软件成本模型具有更高的估算准确率，且其能够有效支持专家知识和模型的自我更新，这使得我们的成本估算模型具有良好的使用价值和研究前景。

目录

文摘

英文文摘

声明

第1章 绪论

1.1 软件工程与软件成本估算

1.2 软件成本估算的复杂性与估算现状

1.3 软件成本估算的意义和价值

1.4 几种机器学习算法简介

1.5 问题的提出

第2章 软件成本估算相关研究综述

2.1 国内软件成本估算研究现状

2.2 国外软件成本估算研究现状

2.3 机器学习算法估算软件成本研究文献综述

第3章 软件成本估算的变量分析

3.1 软件项目数据的变量定义

3.2 项目数据分析

3.3 成本变量相关性分析

第4章 朴素贝叶斯分类预测软件成本模型

4.1 朴素贝叶斯分类(Naive Baysian Classifer)

4.2 朴素贝叶斯分类预测软件成本模型的建立

4.3 朴素贝叶斯分类预测软件成本模型的测试及试验结果分析

第5章 贝叶斯信念网络对估算模型的进一步优化

5.1 贝叶斯信念网络(Bayesian Brlif Network)及其结构、建模

5.2 贝叶斯信念网络成本模型对专家知识的支持及更新

5.3 贝叶斯信念网络估算软件成本模型—优化试验1

5.4 贝叶斯信念网络估算软件成本模型—优化试验2

5.5 贝叶斯信念网络估算软件成本模型与其它模型的比较

5.6 小结及模型的应用指导

第6章 总结与展望

6.1 总结

6.2 未来的研究方向

致谢

附录

参考文献