PSO和ABC混合的软件可靠性模型参数估计研究

摘要

计算机科学技术的蓬勃发展使我们的生活离不开各种各样复杂的软件，这些软件的质量必须得到保证。软件可靠性是评价软件质量的主要定量标准，可以通过软件可靠性模型来预测。不过由于模型的非线性，模型的参数很难被估计。一种新的思路是将群体智能优化算法用于模型参数的估计中，并且实现的关键都是构造适应值函数。因此如何构造合理有效的适应值函数是非常有必要的。
　　针对传统适应值函数存在算法初始化范围大、收敛速度慢和准确度不高的缺陷，文章提出了一种新的适应值函数构造方法用于软件可靠性模型参数的估计，即对软件可靠性模型参数的极大似然估计公式做适当的数学变换。以新适应值函数为基础，在算法执行过程中可以通过剔除明显不合适的解和加入先验知识来进一步提高参数估计的准确度。
　　文章从理论分析的角度出发，先后分别对软件可靠性、软件可靠性模型、粒子群优化算法(PSO)和人工蜂群算法(ABC)的基本理论进行了探讨，并比较了两种算法在模型参数估计上各自的优缺点。粒子群算法实现简单、收敛速度快，但在迭代后期易早熟收敛造成解的准确度不高；人工蜂群算法搜索能力强、求解准确度高，但算法实现较复杂并且会以牺牲计算量为代价。
　　针对PSO算法和ABC算法各自的优势和不足，文章提出一种PSO-ABC混合算法来估计软件可靠性模型的参数。基本思想是将人工蜂群搜索算子引入到粒子群算法中，待粒子群算法完成基础的搜索后，再使用人工蜂群搜索算子在其周围作进一步的搜索。这样既保留了 PSO算法简单易实现的优势，又增强了算法的探索能力，避免陷入局优。
　　最后文章基于新的适应值函数和经典的软件失效数据集，分别使用 PSO算法、ABC算法和它们的混合算法来估计GO模型的参数，并进行了预测和比较。实验结果表明新的适应值函数相比于旧的适应值函数而言简单易实现，能够更加准确高效地估计出软件可靠性模型的参数，具有更好的软件可靠性预测效果；混合算法相比于单个算法而言求解准确度更高并且不以牺牲计算量为代价，不管是在参数估计还是模型预测方面均取得了更好的效果。

目录

声明

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 主要研究内容

1.4 章节安排

1.5 本章小结

第二章基本理论基础

2.1 软件可靠性

2.2 软件可靠性预测模型

2.3 粒子群优化算法(PSO)

2.4 人工蜂群算法(ABC)

2.5 本章小结

第三章研究内容和方法

3.1研究内容

3.2 研究方法

3.3 实现方法的算法流程

3.4 本章小结

第四章算法仿真和比较

4.1 两种适应值函数的比较

4.2 ABC算法与PSO算法的比较

4.3 混合算法与单个算法的比较

4.4 本章小结

总结与展望

总结

展望

参考文献

攻读硕士学位期间发表的学术论文

致谢