基于相关性分析和遗传算法的属性选择

属性的选择和评价是知识基系统设计中的重要任务和影响系统性能优劣的关键因素。为此,利用遗传算法的遗传算子搜索机制和相关性分析的启发式作为评价机制,提出一种新颖的属性选择策略,用于从属性集中选择给定案例最优的属性子集。实验结果表明,该方法可以确定与分类和预测最相关的属性子集,同时在几乎不降低分类准确性的情况下,极大地减小属性的表示空间。     

软件质量的模糊属性及其表示

软件质量是一个模糊的概念,其主要表现是：软件质量等级通常以某一质量特性的指标值来划分,然而用户对软件质量的评价却是模糊的,为了处理软件质量的模糊属性,提出了3种描述软件质量（子）特性的模糊表示方法,并给出了这些表示方法的示例。     

软件质量模型的研究

如何提供高质量的软件已成为计算机软件领域中的重要研究课题。为了理解、度量以及预测软件和信息系统的质量，人们围绕软件质量模型展开了很多研究。一个合适的软件质量模型对软件系统的开发与评价将起到关键作用。本文介绍了软件质量与软件质量度量的基本概念，重点分析了软件质量模型方面的研究成果。     

基于自学习的软件质量实时预警模型

软件质量的管理和控制在软件开发项目管理研究中十分重要,但现有的软件质量分析模型通常都是针对软件最终产品进行评估,并且其对于数据集中产生的变化不敏感,难以适应多变的开发环境。利用主成成分分析法(PCA)和一种可自主生成学习样本集的增量支持向量机(IL-SVM)提出一种可以自我进行规则增量学习的实时软件质量进行分析的预警模型。通过主成成分分析法来降低原始数据集的属性维度,然后在利用可增量学习的支持向量机来进行软件质量预警,最后利用NASA的数据集进行相关实验。结合实际情况进行分析,该方法在质量预警方面具有较好的效果。     

软件质量与度量

该文首先讨论了软件质量度量模型,然后根据此模型分析了可靠性和可维护性、相应子特性,并描述了子特性的度量。给出了这些度量与质量子特性的关系。最后用一个实例说明使用度量对质量进行评测。     

一种基于遗传算法的查询关键词形成技术

分析针对离散的关系数据构造有效查询关键词的关键因素,并在此基础上提出一种基于遗传算法的查询关键词形成方法GQFA（ Genetic-based Query Forming Algorithm ）。对于目标属性,在训练集上应用遗传算法,学习得到与目标属性强相关的属性子集,进而形成合适的查询关键词。实验结果表明,该方法形成的查询关键词能够较好地满足应用需求。     

基于人工神经网络的软件质量评价

为了提高软件质量评价的准确性,参考各软件质量模型中的质量因素,构建评价指标体系并设计了BP网络结构。通过在MATLAB环境下实例仿真,基于人工神经网络的评价结果与期望的结果是一致的,表明该方法能够准确、科学和客观地评价软件质量。     

国内软件质量评价服务现状

软件质量优劣是软件能否满足开发需求的关键。软件质量评价是软件质量保证的有效手段,也是软件开发过程中一个必不可缺的重要环节。首先,文章介绍了国内第三方软件评价机构的评价依据、评价内容;其次,梳理了国内软件质量评价服务机构,概括了国内软件质量评价服务现状;最后,探讨了软件质量评价服务发展建议。     

基于遗传算法的粗糙集属性约简

粗糙集理论是解决不精确、不确定问题的常用数学工具.本文尝试用遗传算法解决粗糙集属性约简问题,并且给出了算法的实现流程.     

基于Adaboost算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。     

基于遗传算法的软件工程资源配置优化模型

综合软件过程中人力、物力资源的合理安排与统筹规划,提出一种基于遗传算法的活动规划与资源配置模型.在遗传算法中采用执行矩阵作为染色体,矩阵编码的染色体涵盖了活动规划与资源配置两部分内容,克服了传统的二进制字符串编码在描述复杂方案问题时存在局限性.仿真实验结果表明:基于遗传算法的软件工程资源配置模型使软件开发过程中的资源得到了合理的分配,为软件过程的管理与控制提供了科学的方案与依据,提高了软件开发的效率,保证了软件开发的质量.     

基于遗传算法的控制软件测试

基于遗传算法（GA）的控制软件测试方法是一种智能化的黑盒测试方法。测试中使用该方法，可在对被测对象细节不了解的情况下完成相应的测试任务。对基于遗传算法的表达方式，提出了多层与混合参数编码技术，分别可处理测试过程中涉及的命令（逻辑）序列与数量序列的被测参变量；并以此将测试问题转化为遗传算法善于处理的寻优问题。设计的测试软件按遗传算法的演化规则运作，可寻找到被测软件（系统）的最大故障。     

十进制遗传算法及其仿真软件的开发

遗传算法作为一种新兴的寻优算法 ,正以其独特的优点而成为研究热点。该文研究了基于十进制编码的遗传算法及其具体的遗传操作过程 ,从而避免了二进制编码所导致的映射误差。在此基础上 ,该文用Matlab设计完成了一套遗传算法仿真软件 ,为遗传算法的进一步研究奠定了基础。实际的仿真结果表明了十进制遗传算法的可行性和有效性     

基于缺陷度量的软件质量成本分析模型

针对软件项目的质量成本效益无法直接度量的这一难题,提出了建立组织级质量成本度量基线的解决方案。设计了基于缺陷度量的软件质量成本分析模型,实现了对软件质量成本及其效益的定量度量与分析,为评价软件质量保证活动绩效、指导质量投资决策提供了试用方法。     

基于遗传算法的QoS路由选择与仿真

该文提出了一种实现QoS路由选择的遗传算法，并以端到端的单点投递路由选择为例，详细地描述了该算法的实现过程。在该算法中采用一种新的编码方法，提出了一种新的适用于路由选择的交叉和变异算法，有别于已有的路由选择遗传算法。仿真结果表明此算法是可行的、有效的。     

基于遗传神经网络的网格资源预测模型

研究网格资源预测问题,网格资源具有非线性、混沌变化特点,传统BP神经网络具有局部极小、收敛速度慢等缺陷,预测精度较低。为提高了网格资源预测精度,提出一种基于遗传神经网络的网格资源预测模型。利用遗传算法对BP神经网络的权值和阈值进行优化,然后采用BP神经网络对网格资源建立预测模型,最后采用网格资源时间序列进行有效性仿真。仿真结果表明,遗传神经网络有效地解决了传统BP神经网络的不足,提高了网格资源的预测精度,降低了预测误差,十分适合于非线性、混沌的网格资源时间序列预测。     

基于时间轴的软件多项目任务调度遗传算法

合理的调度可以在很大程度上提高人力资源在软件项目开发中的利用率。在研究了现有的任务调度算法的 基础上,考虑了软件开发任务的可拆分特性,结合员工的技能水平与项目经验对任务调度的影响,定义了基于时间轴 的多项目并行调度模型。该模型将任务按时间单元进行拆分,并且提出员工学习模式,用以动态改变员工的技能水平 和项目经验,从而提高员工分配的灵活性,使得满足约束下的成本开销最小化,其中包含员工薪水和超时任务的开销。 模型分解后,利用遗传算法求解,由于模型中约束条件众多,因此遗传算法中增加了各种启发式来提高算法性能。通 过仿真实例验证了模型和算法的有效性。     

基于改进AHP-Fuzzy的面向测试的软件质量评价模型

为解决面向测试的软件质量评价难以有效开展的问题,基于对传统AHP-Fuzzy模型的适当改进,提出一种面向测试的软件质量评价模型——SFSE,首先对所有叶子节点执行单因素实测评价,再按照自底向上的顺序逐层评价各级评估原子集。实验结果表明,拓展综合评价集向量提供了可调节的评估参数,通过基于实测问题规模构建评估模糊评价矩阵、将权重投射至评价因素集上的模糊子集等方式,SFSE模型可在无需人工干预的情况下实现对被测软件的定量评价。     

基于遗传算法的主动轮廓模型

由 Kass等人提出的主动轮廓模型 ,本质上是一条能量最小化的轮廓曲线 .它作为一种全新的采用自上而下机制的图象目标提取方法 ,由于它有效地利用了高级信息 ,从而提高了目标提取的速度和准确性 ,已经在数字图象处理和计算机视觉领域得到了广泛的应用 .原始的主动轮廓模型算法可以分为构造能量函数、推导欧拉方程、离散化和迭代求解 4步 .但该算法存在许多问题 ,为此在分析原始主动轮廓模型算法和一些改进算法的基础上 ,提出了一种基于遗传算法的主动轮廓模型算法 ,并给出实验结果 .实验结果证明 ,基于遗传算法的主动轮廓模型不仅成功地解决了原方法收敛易陷入局部最小值的问题 ,也提高了目标提取的成功率 .