面向多用户软件系统的可靠性分配的故障树分析法

本文首先对目前已有的各种分配技术与方法的特点进行了探讨,介绍了如何采用故障树技术求得导致系统失效的功能模块的最小割集,首次提出运用故障树技术进行各模块可靠性的划分和确定,并提出了一种新的算法来快速、有效地确定各模块的重要度,结合考虑软件的总体开发费用,创建了一个新的基于软件实用性的可靠性分配模型并详细讨论了其具体运用,最后本文对该方法可能的改进进行了一些探讨。     

一种基于K-means改进的社区发现算法

传统的社区发现算法往往时间复杂度较高,K-means算法作为聚类算法且时间复杂度较低可为社区发现提供新思路,但K-means算法的原始应用场景为数值环境与社交网络不符,且自身存在初始中心节点选取敏感等原有问题,针对上述问题本文在下面三个方面进行了优化：第一,结合最短路径及共同邻居信息重新定义距离度量;第二,结合了节点的度和节点距离因素进行初始中心节点选取;第三,在K-means算法结果的基础上进行基于贪心策略以模块度为目标的层次聚类优化。通过实验表明：改进的K-means算法能够很好地应用于社区发现,得到的社区发现结果有较高质量。     

模块度引导下的社区发现增量学习算法

当前社区发现领域存在诸多静态社区划分算法,而其划分结果的不稳定性和较高的算法复杂度已经不能适应如今规模庞大,变化频繁的网络结构。为解决传统静态算法这一局限性,提出了一种利用模块度优化的增量学习算法,将网络结构的变化划分成边变化、点变化两种基本操作,在对"模块度最大化"的规则指导下实现网络结构的增量学习。实验表明,该算法在保证原有社区划分结果的前提下,可以将新变化的节点快速划分进已有社区,并使得模块度与静态算法重新计算模块度相近,节省了时间,保持了社区划分的实时性。     

一种改进的集成电路模块有效布局算法

改进了一种求解集成电路模块布局问题的启发式算法。以边界矩形周长最小为目标,设计了模块的优先序列,并在布局过程中动态调整,重新设计布局优先度,并简化模块的占边动作,重写占角动作,对模块布局放置的多个可能位置进行比较,并将其放置在优先度最高的适当区域。经实例测试,结果表明该算法简洁高效,面积利用率有较大提高。     

软件众包工人能力动态度量算法

针对现有软件众包平台对工人能力考虑不足，导致分配给工人的任务完成质量低下的问题，提出了一种软件众包工人能力动态度量算法（ADM），实现工人能力的动态度量。首先，基于静态技能覆盖率，实现工人初始能力的计算；其次，对于工人历史完成的单个任务，综合任务复杂度、任务完成质量及任务开发时效，实现开发能力的计算，并根据时间因子计算随时间衰减的开发能力；然后，根据所有历史完成任务的时间先后顺序，实现能力度量值的动态更新；最后，基于历史任务技能覆盖率，计算工人对于待分配任务的开发能力。实验结果表明，与用户可靠性度量算法相比，所提出的能力动态度量算法具有较好的合理性与有效性，使能力度量吻合度平均值最高达到90.5%，能有效指导任务分配。     

软件众包任务发布优先级计算方法

针对现有软件众包平台对任务发布次序考虑不足的问题,提出一种基于任务发布者权重与任务权重的软件众包任务发布优先级（TRP）计算方法。首先,基于半正弦曲线的时间权重函数度量任务发布者的活跃度及其任务累积成交额,以此计算任务发布者权重;然后,根据系统架构图和数据流图度量模块复杂度、设计复杂度和数据复杂度,得到任务复杂度,并结合任务报价及任务期限,计算任务效益因子和任务紧急程度因子,计算任务权重;最后,根据任务发布者权重和任务权重计算任务发布优先级。实验结果表明,该算法不仅具有较高的有效性和合理性,而且任务成功分配率最高可达98%。     

一种基于节点相异度的社团层次划分算法

当前层次划分社团算法难以选取合适的初始节点,导致社团结构划分结果较差。为此,提出一种基于节点相异度的层次社团划分算法。给出度和接近度的评估标准,根据评估标准筛选网络的初始核心节点。为克服相异性指数在度量社团内节点相似度时的不足,引入节点的相异度评价准则,计算初始核心节点间的相似度,得到具有较高相似度的初始节点集。采用全局优化模块度的策略,从而实现对复杂网络的社团划分。应用于标准数据集的实验结果表明,与GN算法、FN算法相比,该算法划分效果更好,时间复杂度更低。     

基于信息熵的复杂网络社团划分建模和验证

社团结构是复杂网络最普遍和最重要的拓扑属性之一,社团结构的划分方法对分析复杂网络相关统计特性具有十分重要的理论意义.为了提高社团划分精度,提出了一种新的基于信息熵(information entropy)模块度的社团划分算法(简称IE算法).在有着确定社团结构的数据集和不确定社团结构的数据集上,通过选取Q值、社团划分个数、社团最大连通分量大小和强弱社团个数比例4个重要参数,将IE算法与两种最主要的基于模块度的划分算法GN(Girvan-Newman)和FastGN(Fast Girvan-Newman)进行对比,实验结果证明了IE算法在社团划分性能上优于GN和FastGN;将IE和其他7种最主要的经典社团算法进行时间复杂度分析,并在随机网络和真实网络上进行实验,结果表明该算法时间复杂度在GN与FastGN之间,时间复杂度小于GN而精确度优于GN,证明了在大多数数据集上IE算法的社团划分准确度优于传统基于点边比率的社团划分算法的准确度.     

基于可信性的模块化软件开发费用分配算法

模块化开发是软件开发的一种重要方法。开发模块需要一定的费用,而要保证软件的可信性达到一定的指标,用户需要追加费用。在用户给定的开发费用内如何合理分配各模块的开发费用使得软件系统可信性达到最优是一个重要的研究课题。首先,根据模块可信性与费用之间的关系建立模块的可信性费用预估模型。其次,基于模块间的不同连接方式,建立不同结构下的软件可信性与费用分配模型并进一步利用动态规划的思想设计相应的软件可信性与费用分配算法。该分配算法可以在用户给定的开发费用内使得软件系统的可信性最优。最后,以自动售票系统为案例说明软件可信性与费用分配算法的应用。     

软件众包参与度影响因素分析及预测模型

随着"众包"这种商业模式的快速发展, 越来越多的互联网公司选择以"众包"的形式发布软件任务. 然而, 软件任务因其高门槛、高复杂度、长周期等特性, 面临着严重的低参与度问题. 本文结合全球最大的软件众包平台TopCoder的数据, 对软件众包任务的参与度进行研究. 首先, 使用多元回归分析了影响软件众包参与度的因素; 接着, 综合数据挖掘领域的多种分类预测算法, 探讨软件众包参与度的预测模型. 希望通过本实证研究, 为发包方、众包平台降低软件众包的低参与风险提供参考.