基于LSSVRM和SA算法的软件失效模型

针对软件失效数据的特点,提出将最小二乘支持向量回归机(LSSVRM)用于软件可靠性失效模型的构造。利用LSSVRM 对小样本失效数据构造拟合模型,使用模拟退火(SA)算法对LSSVRM的参数进行优化,得到基于SA的LSSVRM,实现对拟合模型的进一步改进。通过与常用的NHPP类软件失效模型对比表明,利用LSSVRM和SA算法可以构造拟合精度更高的失效模型,并可简化对模型参数的调整     

基于AHP与AdaBoosting的软件可靠性组合模型

目前的各类软件可靠性模型的评估效果依赖于对失效行为的假设,导致模型适用性较差。为此,借助层次分析法选择合适的软件可靠性模型,依据AdaBoosting算法,对合适的可靠性模型进行组合建模。在失效数据集上对多个参与组合的模型进行学习训练,从而建立AMCM模型。在AMCM模型与4个经典软件可靠性模型上的应用结果表明,该组合建模方法是有效的,可明显提升模型的评估性能。     

基于多模型变权重组合的软件可靠性仿真研究

研究提高软件可靠性预测精度问题,对软件可靠性研究已成为当前软件工程的一个研究热点,传统的单一软件可靠性模型由于使用的技术及提取的信息有限,软件可靠性预测精度不高。为提高软件可靠性预测精度,在建立多种单一软件可靠性预测模型的基础上,提出一种样本点的多模型变权重组合模型。将多种预测技术有效地聚合在一起,取长补短,在样本数据有限的情况下,不仅改善了样本内学习能力也增强了样本外的泛化能力,提高了综合预测精度。仿真验证模型无论在样本内还是样本外都较优于经过模拟退火算法优化的BP神经网络(SA-BP)及经过遗传算法优化的最小二乘支持向量机(GA-LSVM),说明变权重组合模型是一种精度更高的软件可靠性失效数据预测模型,具有较好的应用推广价值。     

基于蚁群算法的软件可靠性模型参数估计方法

由于软件可靠性模型大多是非线性模型,导致其参数难于估计。总结了常用的软件可靠性模型的参数估计方法,提出一种基于蚁群算法的可靠性模型参数估计方法。通过对Musa软件可靠性模型分类方案中三个不同类型模型（G-O模型、Weibull模型以及M-O模型）的实验,发现本算法对不同模型具有很好的适应性,解决了应用传统数值计算方法时的无法收敛问题;与粒子群算法相比,本算法的收敛速度比粒子群算法快一倍以上,且对于部分实验对象的拟合结果精度比粒子群算法高一个数量级以上。     

基因表达式编程在软件可靠性建模中的应用

基因表达式编程是一种基于遗传算法和遗传编程的新型机器学习技术,其具有更为优秀的数据挖掘能力,已被成功应用于函数发现领域。提出一种基于基因表达式编程的非参软件可靠性建模方法,该方法将基因表达式编程算法中的若干关键步骤(如初始种群函数集、适应度函数、终止条件等)与软件可靠性建模的若干重要特征相融合,在失效数据集上进行训练,从而获得基于基因表达式编程算法的非参软件可靠性模型。在若干组真实失效数据集上,将所提出的模型与若干典型的基于人工神经网络以及遗传编程的非参软件可靠性模型进行对比实例研究。实例结果表明,基因表达式编程算法的非参软件可靠性模型具有更为显著的模型拟合与预计性能。     

基于优化RLSSVM的软件失效模型

利用递归最小二乘支持向量机(RLSSVM)构造软件可靠性失效模型,通过失效数据集对模型进行反复训练,提高模型学习能力。模型依据递归计算方法,可动态反映软件可靠性的变化,对软件失效有准确的预测能力。使用模拟退火(SA)算法对RLSSVM的参数进行寻优,得到改进的RLSSVM,实现对模型结构的优化。与常用的非齐次泊松过程模型相比,利用RLSSVM与SA算法构造的可靠性模型具有更好的拟合和预测能力。     

基于排错等待延迟的广义动态集成神经网络模型

软件可靠性增长模型在可靠性评估与保障中具有重要作用,针对软件测试过程中的故障检测和排错等待延迟问题,提出了一种考虑故障排错等待延迟的广义动态集成神经网络模型(RWD-SRGM)。该模型考虑软件工程的多样性,利用神经网络方法构建广义动态集成模型,并考虑排错等待延迟现象完成故障检测和预测。通过2组真实失效数据集(DS1和DS2)的实验,将所提模型与现有的软件可靠性增长模型进行了比较,结果显示考虑故障排错等待延迟的神经网络模型拟合效果最优,表现出了更好的软件可靠性评估性能和模型通用性。     

软件可靠性的GP演化建模

为解决软件可靠性模型的不一致性,摆脱传统模型多种主观假设的束缚,提出了采用遗传程序设计(GP)的演化算法建立基于软件失效间隔时间序列的软件可靠性模型。针对装甲兵工程学院的某软件测试用例进行演化建模,并对其性能指标进行了分析评价,结果验证了GP算法的可行性以及拟合、预测的有效性,从而能有效地应用于软件系统测试,保障数据的有效性。     

基于PSO的软件可靠性模型参数估计方法

软件可靠性建模是一个重要的研究领域,现有的软件可靠性模型基本上是非线性函数模型,估计这些模型的参数比较困难。粒子群优化是一类适合求解非线性优化问题的随机优化方法,提出一种基于粒子群优化的软件可靠性模型估计参数方法,该方法的关键是构造合适的适应函数。用该方法分别估计了5个实际软件系统的指数软件可靠性模型以及对数泊松执行时间模型,实验结果表明：该方法参数估计的精度高,对模型的适应性强。     

一种考虑缺陷关联的软件可靠性增长模型

非齐次泊松过程类软件可靠性增长模型(NHPP-SRGMs)是评价软件产品可靠性指标的有效工具,但大多数该类模型都未考虑软件缺陷关联这一测试过程中普遍存在的现象。该文在考虑软件缺陷关联关系的基础上对缺陷进行分类,提出一个改进的NHPP类软件可靠性增长模型。在一组失效数据上的实验分析表明,改进的模型具有较好的拟合效果和预测能力。     

软件可靠性评估的重要抽样方法

基于统计测试的马尔可夫使用模型对软件可靠性评估提出了一种有效的估计方法.该方法利用重要抽样技术在保证可靠性估计无偏性的条件下,利用交叉熵度量操作剖面与零方差抽样分布之间的差异,通过启发式迭代过程调整各个状态之间的转移概率来修正测试剖面.从理论上证明了利用修正测试剖面测试估计的可靠性是方差为0的无偏估计.最后给出了软件可靠性估计的最优测试剖面生成的启发式迭代算法.仿真结果表明,该方法与模拟退火算法相比,能够明显降低估计的方差,在提高估计精度的同时加快统计测试速度.     

Forecasting of Software Reliability Using Neighborhood Fuzzy Particle Swarm Optimization Based Novel Neural Network

This paper proposes an artificial neural network (ANN) based software reliability model trained by novel particle swarm optimization (PSO) algorithm for enhanced forecasting of the reliability of software. The proposed ANN is developed considering the fault generation phenomenon during software testing with the fault complexity of different levels. We demonstrate the proposed model considering three types of faults residing in the software. We propose a neighborhood based fuzzy PSO algorithm for competent learning of the proposed ANN using software failure data. Fitting and prediction performances of the neighborhood fuzzy PSO based proposed neural network model are compared with the standard PSO based proposed neural network model and existing ANN based software reliability models in the literature through three real software failure data sets. We also compare the performance of the proposed PSO algorithm with the standard PSO algorithm through learning of the proposed ANN. Statistical analysis shows that the neighborhood fuzzy PSO based proposed neural network model has comparatively better fitting and predictive ability than the standard PSO based proposed neural network model and other ANN based software reliability models. Faster release of software is achievable by applying the proposed PSO based neural network model during the testing period.      

考虑排错过程引进故障的开源软件可靠性模型研究

近年来,开源软件在软件行业很受欢迎。但是,开源软件的可靠性却受到人们的广泛质疑。如何评估开源软件的可靠性是一个重要的问题。与传统的闭源软件相比,在建立开源软件可靠性模型时,必须考虑故障引入和故障检测与排错之间的延迟时间这两个因素。本文考虑了排错过程和不完美调试现象,提出了相应的开源软件可靠性模型。并且我们用两个开源软件故障数据集实来验证提出模型的拟合性能与预测性能。实验结果表明,提出的模型在开源软件可靠性评估中具有良好的拟合和预测性能。提出的模型可以用于开源软件在实际的开发过程中的可靠性评估。     

基于构件影响因子的软件可靠性评估方法

为提高构件式软件系统可靠性评估的准确性,使软件系统的优化效率得到提高,提出一种基于构件影响因子的软件可靠性评估方法.基于构件式软件系统具有的复杂网络特性,使用引入构件转移概率的加权PageRank算法评估构件的影响因子,将构件的影响因子引入到离散时间马尔科夫链的可靠性评估模型中,评估软件系统的可靠性.实验结果表明,该方...     

基于启发式BP算法的软件缺陷预测模型

针对软件缺陷预测时缺陷数据集中存在的类别分布不平衡问题，结合上采样算法SMOTE与Edited Nearest Neighbor (ENN) 数据清洗策略，提出了一种基于启发式BP神经网络算法的软件缺陷预测模型。模型中采用上采样算法SMOTE增加少数类样本以改善项目中的数据不平衡状况，并针对采样后数据噪声问题进行ENN数据清洗，结合基于启发式学习的模拟退火算法改进四层BP神经网络后建立分类预测模型，在AEEEM数据库上使用交叉验证对提出的方案进行性能评估，结果表明所提出的算法能够有效提高模型在预测类不平衡数据时的分类准确度。     

基于重要抽样的软件统计测试加速

本文提出一种基于重要抽样的软件统计测试加速方法,该方法通过调整软件Markov链使用模型的迁移概率,在根据统计测试结果得到软件可靠性无偏估计的前提下,可以有效提高安全攸关软件的测试效率,部分解决了安全攸关软件统计测试时间和费用开销过大的问题。同时,本文给出了计算优化迁移概率的模拟退火算法。实验仿真结果表明,该方法可以有效地提高安全攸关软件统计测试的效率。     

基于模拟退火遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于模拟退火遗传算法的测试数据自动生成算法。该算法针对测试数据自动生成的特点将遗传算法和模拟退火有机结合,充分发挥遗传算法的全局搜索和模拟退火的局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和效果方面,优于遗传算法。