论文部分内容阅读
软件可靠性是度量软件质量的关键性因素，是软件使用者最为关心的问题之一。准确预测软件可靠性，有利于指导软件测试最大限度地发现软件故障，阻止失效发生，节约开发成本，提高软件质量。建立软件可靠性预测模型是软件可靠性研究领域的热点。软件可靠性预测模型主要包括参数模型(parametric models)和无参模型(non-parametric models)。其中，参数模型以NHPP(Non-Homogeneous Poisson Process)软件可靠性增长模型最为突出，无参模型以神经网络模型应用最广。本文为优化软件可靠性预测结果准确性和可信性，对神经网络模型进行了深入的研究，主要的工作如下：
(1)比较经典的BP(Back Propagation)前馈神经网络(Feed-forward Neural Network)模型与NHPP模型。将BP网络模型和三个经典的NHPP模型(G-O模型，Delayed S-shaped模型，Logistic growth curve模型)进行实验比较。结果表明，神经网络模型显示出良好的一致性，高度的拟合效果，但是BP网络模型的预测性能不令人满意。
(2)比较BP前馈神经网络模型和Elman反馈神经网络(recurrent Neural Network)模型。为了提高神经网络模型的预测性能，从神经网络模型预测结果准确性和可信性两方面进行深入研究。将Elman反馈网络应用于软件可靠性预测，与BP前馈网络进行实验比较。结果表明，神经网络的结构影响神经网络模型的预测性能。反馈网络较前馈网络获得了比较好的预测准确性，却不如前馈网络在进行预测时鲁棒性好，结果可信性不高。
(3)首次提出使用多目标优化NSGA-Ⅱ(Nondominated Sorting Genetic Algorithms-Ⅱ)算法结合IElman(Improved Elman)网络，得到Mop-IElman(Multi-objective Optimization-basedImproved Elman Neural Network)方法。一、在Elman网络基础上，设计输出层的延迟反馈层，作为另一个状态层，得到改进的IElman网络；二、以网络的结构和两个状态层的初始输出值为网络配置的变量，以网络预测结果的准确性和可信性为目标，使用NSGA-Ⅱ算法进行多目标优化。将Mop-IElman方法和Elman网络、使用遗传算法分别单目标优化Elman网络预测结果准确性、可信性进行实验比较，结果表明，Mop-IElman可以实现网络预测整体性能的提高，改善预测结果的准确性和可信性。