張丹 宋曉秋

【摘要】 針對(duì)軟件質(zhì)量評(píng)價(jià)的問題，提出了一種基于遺傳算法和BP人工神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)方法，建立了軟件質(zhì)量評(píng)價(jià)模型，提高軟件質(zhì)量評(píng)價(jià)的準(zhǔn)確性。利用遺傳算法的全局隨機(jī)搜索能力彌補(bǔ)了網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問題。最后通過實(shí)驗(yàn)得到的數(shù)據(jù)結(jié)果，證明了該方法能夠更加準(zhǔn)確的評(píng)估軟件質(zhì)量。

【關(guān)鍵詞】 遺傳算法 BP神經(jīng)網(wǎng)絡(luò) 軟件質(zhì)量評(píng)價(jià)

隨著云計(jì)算、大數(shù)據(jù)等新理念、新技術(shù)被應(yīng)用到了軟件當(dāng)中，人們對(duì)軟件質(zhì)量的要求變得越來越高。對(duì)于軟件產(chǎn)品來說，越早的獲得軟件產(chǎn)品的質(zhì)量水平，就能夠越早的減少軟件產(chǎn)品開發(fā)維護(hù)的失敗因素。而軟件質(zhì)量評(píng)價(jià)[1]也漸漸成為保證軟件質(zhì)量的一個(gè)重要手段。軟件質(zhì)量評(píng)價(jià)是一個(gè)復(fù)雜的系統(tǒng)工程，如何深入研究軟件質(zhì)量評(píng)價(jià)的模型和方法，尋找一個(gè)準(zhǔn)確性高的軟件質(zhì)量評(píng)價(jià)方法是十分重要的，也是對(duì)軟件質(zhì)量進(jìn)行更深理解和更好控制的重要手段之一，是控制軟件開發(fā)、提高軟件質(zhì)量的有效保證。

軟件質(zhì)量要求的提高增加了軟件評(píng)價(jià)技術(shù)研究的重要性，因?yàn)橹挥心軌虮欢ㄐ栽u(píng)價(jià)的軟件才是可被控制的。目前對(duì)軟件質(zhì)量評(píng)價(jià)的方法過于主觀性，如層次分析法、模糊綜合評(píng)價(jià)法，或通過簡單的數(shù)學(xué)運(yùn)算來評(píng)價(jià)軟件質(zhì)量，忽略了各度量元和軟件質(zhì)量之間的非線性的關(guān)系，這樣會(huì)有很大的主觀因素的干擾，所得到的結(jié)果也難以真正的反應(yīng)軟件的質(zhì)量的好壞。在傳統(tǒng)的軟件質(zhì)量度量方法中，當(dāng)度量的數(shù)據(jù)量很大時(shí)，無法得到精確地評(píng)價(jià)結(jié)果且計(jì)算過程復(fù)雜，求解繁瑣，這些方法也缺乏自學(xué)習(xí)的能力。

人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)自適應(yīng)的能力，可以解決傳統(tǒng)方法無法解決的問題，但由于神經(jīng)網(wǎng)絡(luò)自身存在很多的限制和不足，如網(wǎng)絡(luò)的訓(xùn)練時(shí)間較長、易收斂于局部極小值等。本文將用遺傳算法[3]對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)[4]，將改進(jìn)后的BP人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到軟件質(zhì)量的評(píng)價(jià)中，通過研究軟件質(zhì)量評(píng)價(jià)的特征，建立了基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)系統(tǒng)[5] [6]，先通過遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值閾值進(jìn)行訓(xùn)練確定，然后再利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行精確的訓(xùn)練，最后獲得結(jié)果。實(shí)驗(yàn)證明該方法能夠科學(xué)準(zhǔn)確的對(duì)軟件的質(zhì)量進(jìn)行定量的評(píng)估，也能夠克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最小值的缺陷。

一、軟件質(zhì)量評(píng)價(jià)指標(biāo)體系

軟件質(zhì)量評(píng)價(jià)是為了揭示當(dāng)前狀態(tài)的軟件質(zhì)量[7] [8]，為軟件質(zhì)量的管理提供有力的手段。軟件質(zhì)量評(píng)價(jià)是使用合適的技術(shù)對(duì)被評(píng)價(jià)軟件的質(zhì)量特性、子特性等進(jìn)行度量并對(duì)度量的結(jié)果進(jìn)行評(píng)估，從而給出軟件產(chǎn)品能否滿足特定需求的評(píng)價(jià)結(jié)果。軟件質(zhì)量評(píng)價(jià)可以定量的給出軟件的質(zhì)量水平，可以根據(jù)軟件質(zhì)量的評(píng)價(jià)結(jié)果數(shù)據(jù)對(duì)軟件進(jìn)行相應(yīng)的管理和質(zhì)量改進(jìn)。

BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射和自適應(yīng)的學(xué)習(xí)能力，但由于BP神經(jīng)網(wǎng)絡(luò)是基于梯度的算法，收斂速度慢，因此將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，解決BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長和易陷入局部最優(yōu)的缺點(diǎn)，有效地克服傳統(tǒng)軟件質(zhì)量度量方法的不足之處[9]。

軟件質(zhì)量的評(píng)價(jià)是一個(gè)復(fù)雜的過程，評(píng)價(jià)指標(biāo)涉及面廣、不確定性因素多、難以量化，因此至今沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)。作為軟件質(zhì)量評(píng)價(jià)模型，需要通過對(duì)一組軟件質(zhì)量度量元指標(biāo)進(jìn)行監(jiān)測分析，以此來綜合反映軟件質(zhì)量的情況，因此建立科學(xué)地軟件質(zhì)量評(píng)價(jià)指標(biāo)是建立軟件質(zhì)量評(píng)價(jià)模型的重要環(huán)節(jié)。

本文在設(shè)計(jì)軟件質(zhì)量評(píng)價(jià)指標(biāo)體系時(shí)，綜合考慮了基于設(shè)計(jì)分析、軟件測試和軟件內(nèi)部結(jié)構(gòu)等多方面的部分對(duì)軟件可靠性與安全性進(jìn)行評(píng)價(jià)技術(shù)的研究。在參考《軍用軟件安全性設(shè)計(jì)指南》、《C/C++語言編程安全子集》、軟件代碼結(jié)構(gòu)的指標(biāo)及軟件測試相關(guān)信息的基礎(chǔ)上，初步構(gòu)建了航天系統(tǒng)軟件質(zhì)量評(píng)價(jià)指標(biāo)體系，如圖1所示。

針對(duì)航天系統(tǒng)軟件質(zhì)量評(píng)價(jià)指標(biāo)體系，將各個(gè)因素自上而下劃分為三個(gè)層次，最高層即目標(biāo)層為軟件質(zhì)量綜合評(píng)價(jià)，作為神經(jīng)網(wǎng)絡(luò)的輸出層；中間層為基于設(shè)計(jì)分析的評(píng)價(jià)、基于軟件內(nèi)部結(jié)構(gòu)的評(píng)價(jià)和基于軟件測試的評(píng)價(jià)；準(zhǔn)則層為圖中的評(píng)價(jià)指標(biāo)，作為神經(jīng)網(wǎng)絡(luò)的輸入。

創(chuàng)建一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的輸入變量是上述指標(biāo)體系中的所有指標(biāo)，網(wǎng)絡(luò)的輸出層結(jié)點(diǎn)數(shù)為1。采用樣本數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢后得到滿足訓(xùn)練精度的權(quán)重系數(shù)矩陣，便可通過所得到的權(quán)重系數(shù)矩陣，利用待測軟件的數(shù)據(jù)信息對(duì)軟件進(jìn)行質(zhì)量評(píng)價(jià)，得到的軟件質(zhì)量評(píng)價(jià)結(jié)果減少了主觀隨意性和思維上的不確定性，結(jié)果更加科學(xué)、準(zhǔn)確。

二、人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的一個(gè)重要分支，是由大量稱為神經(jīng)元的信息單元連接組成的復(fù)雜網(wǎng)絡(luò)，可以模擬人腦神經(jīng)網(wǎng)絡(luò)對(duì)信息處理機(jī)制的智能式的計(jì)算模式。它有著很強(qiáng)的自適應(yīng)性和自組織能力。對(duì)軟件質(zhì)量評(píng)價(jià)模型的構(gòu)造主要是根據(jù)已知的軟件數(shù)據(jù)，對(duì)軟件質(zhì)量評(píng)價(jià)模型中的各種因素之間的相互關(guān)系進(jìn)行分析研究。

BP網(wǎng)絡(luò)[10]是使用最多的一種神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)由D.Ruvmelhar和McClelland于1985年提出，是一種基于誤差反向傳遞算法的前向多層神經(jīng)網(wǎng)絡(luò)。 BP神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層、一層或多層隱含層和一個(gè)輸出層構(gòu)成，各層神經(jīng)元間由連接權(quán)重相連接在一起。每一層內(nèi)神經(jīng)元的輸出均傳送到下一層，這種傳送由連接權(quán)來達(dá)到增強(qiáng)、減弱或抑制這些輸出地作用，除了輸入層的神經(jīng)元之外，隱蔽層和輸出層神經(jīng)元的凈輸入是前一層神經(jīng)元輸出地加權(quán)和。

在設(shè)計(jì)BP網(wǎng)絡(luò)時(shí)，一般考慮設(shè)計(jì)一個(gè)隱層，當(dāng)一個(gè)隱層節(jié)點(diǎn)很多仍不能改善網(wǎng)絡(luò)性能時(shí)，才考慮再增加一層。BP神經(jīng)網(wǎng)絡(luò)每次學(xué)習(xí)訓(xùn)練過程都是由每一階段對(duì)權(quán)重和閾值的更新組成，其目的就是將目標(biāo)輸出與實(shí)際輸出所得到的輸出誤差的平方和最小化。

BP神經(jīng)網(wǎng)絡(luò)是一種梯度下降算法[11]，在實(shí)際的應(yīng)用中還存在很多不足：①BP神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)是一種沿梯度下降方向的單點(diǎn)搜索算法，很容易陷入局部極小值；②BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)的隨機(jī)性會(huì)導(dǎo)致網(wǎng)絡(luò)收斂速度慢，訓(xùn)練容易陷入癱瘓狀態(tài)；③BP神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)參數(shù)隨機(jī)，對(duì)權(quán)值學(xué)習(xí)的結(jié)構(gòu)也會(huì)存在一定的隨機(jī)性。

基于上述原因，將遺傳算法引入到BP神經(jīng)網(wǎng)絡(luò)中，利用遺傳算法高效的自動(dòng)過程設(shè)計(jì)輔助神經(jīng)網(wǎng)絡(luò)。

三、基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)軟件質(zhì)量度量

3.1算法的簡介

遺傳算法是一種基于自然選擇和群體遺傳進(jìn)行尋優(yōu)的算法，它模擬了自然選擇和遺傳過程中的繁殖、雜交和突變的現(xiàn)象，將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合，利用遺傳算法的多點(diǎn)搜索性可使其具有全局搜索型，從而可使搜索結(jié)果免于收斂于局部最優(yōu)解，獲得全局最優(yōu)解。利用遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，可彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值和收斂速度慢等缺陷[12]。

編碼方法：將要構(gòu)建的神經(jīng)網(wǎng)絡(luò)中的所有權(quán)值作為一組染色體。編碼長度為N，基為1-N的實(shí)數(shù)按順序排列，如N=5，則一個(gè)染色體可表示為：[5.2，2.11，4.435，1.598，2.456]。

交叉算法：將交叉算子作用于群體，以某概率相互交換某個(gè)個(gè)體之間的部分染色體，采用單點(diǎn)交叉的方法進(jìn)行隨機(jī)配對(duì)。在染色體上隨機(jī)產(chǎn)生兩個(gè)點(diǎn)，將兩個(gè)染色體的兩個(gè)位點(diǎn)之間的基因片段進(jìn)行交換。

變異算法：變異算法是針對(duì)個(gè)體的某個(gè)或某些基因位上的基因值按某較小的概率進(jìn)行改變，從而產(chǎn)生新的個(gè)體。

精英保留：選取m個(gè)最優(yōu)的染色體作為精英庫，每次迭代當(dāng)代種群中的最優(yōu)染色體，如果比精英庫中的染色體更優(yōu)，則將其存入庫中替代精英庫中最差的染色體，然后隨機(jī)選擇一個(gè)染色體替代為當(dāng)代種群中的最差染色體，實(shí)現(xiàn)精英保留。

自適應(yīng)：采用線性遞增公式計(jì)算變異率，采用線性遞減公式計(jì)算交叉率。

其中Pm1，Pm2為變異率最小值和最大值。Pc1，Pc2為交叉率最小值和最大值。gen為當(dāng)前迭代次數(shù)，maxgen為最大迭代次數(shù)。

3.2 算法的設(shè)計(jì)與實(shí)現(xiàn)

該算法的主要思想是將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，通過遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值進(jìn)行求解，在求解過程中采用自適應(yīng)算法計(jì)算變異率和交叉率，并在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中采用精英保留的方法進(jìn)行訓(xùn)練。具體算法過程如下：

步驟1：讀取算例數(shù)據(jù)。

步驟2：設(shè)置遺傳算法的參數(shù)。

步驟3：初始化染色體，令i=1。

步驟4：執(zhí)行第i次迭代。

步驟5：采用自適應(yīng)算法計(jì)算變異率和交叉率。

步驟6：對(duì)染色體進(jìn)行變異操作。

步驟7：對(duì)染色體進(jìn)行交叉操作。

步驟8：對(duì)染色體進(jìn)行解碼。

步驟9：用染色體基因?qū)P神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值進(jìn)行賦值。

步驟10：訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

步驟11：計(jì)算訓(xùn)練誤差，并以此為目標(biāo)函數(shù)。

步驟12：以目標(biāo)函數(shù)為評(píng)價(jià)準(zhǔn)則，更新精英庫并保留精英。

步驟13：如果i<迭代次數(shù)，那么i=i+1，，轉(zhuǎn)4，否則轉(zhuǎn)14。

步驟14：輸出結(jié)果，算法結(jié)束。

算法的流程圖如圖2所示：

四、 實(shí)驗(yàn)

通過以上研究及理論分析，我們將通過一些實(shí)際的實(shí)驗(yàn)來驗(yàn)證研究的結(jié)論。利用Matlab工具箱函數(shù)設(shè)計(jì)改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)軟件的質(zhì)量數(shù)據(jù)進(jìn)行學(xué)習(xí)，誤差基本上能達(dá)到0.01的精度，BP網(wǎng)絡(luò)輸入層到隱含層的傳遞函數(shù)采用transig函數(shù)，隱含層到輸出層的傳遞函數(shù)采用purelin函數(shù)，網(wǎng)絡(luò)的精度為0.000000001，訓(xùn)練次數(shù)為1000，訓(xùn)練誤差小于目標(biāo)誤差訓(xùn)練結(jié)束。遺傳算法的運(yùn)行參數(shù)為：遺傳算法種群規(guī)模為50，迭代次數(shù)為200，交叉概率范圍0.5～0.85，變異概率范圍為0.05～0.15。

首先從3個(gè)不同的航天系統(tǒng)軟件中選擇140個(gè)樣本作為仿真的數(shù)據(jù)，其中測試樣本40，訓(xùn)練樣本100個(gè)，導(dǎo)入建立的評(píng)價(jià)模型中，然后初始化BP網(wǎng)絡(luò)，并設(shè)置訓(xùn)練的各項(xiàng)參數(shù)，接著進(jìn)行樣本學(xué)習(xí)，進(jìn)行測試并輸出評(píng)估結(jié)果。

將未結(jié)合遺傳算法的神經(jīng)網(wǎng)絡(luò)作為對(duì)比模型，對(duì)于未引入遺傳算法的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果和將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合改進(jìn)后的軟件質(zhì)量的預(yù)測結(jié)果如圖3所示。

對(duì)于對(duì)于未引入遺傳算法的BP神經(jīng)網(wǎng)絡(luò)和將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合改進(jìn)后的軟件質(zhì)量的相對(duì)誤差和絕對(duì)誤差結(jié)果如圖4所示。

從實(shí)際的評(píng)價(jià)結(jié)果來看，建立的基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)系統(tǒng)的評(píng)價(jià)結(jié)果精度較單純的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果更為準(zhǔn)確可信在可接受范圍內(nèi)，是一個(gè)合理可行的軟件質(zhì)量預(yù)測方法。

五、結(jié)束語

本文將BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合建立了軟件質(zhì)量評(píng)價(jià)模型，充分發(fā)揮了二者的優(yōu)勢，克服了BP神經(jīng)網(wǎng)絡(luò)中局部極小的缺陷，評(píng)價(jià)結(jié)果相對(duì)準(zhǔn)確、客觀、科學(xué)、有一定的研究價(jià)值。利用MATLAB對(duì)實(shí)際的數(shù)據(jù)進(jìn)行實(shí)證分析，結(jié)果表明所建立的評(píng)價(jià)模型誤差小，評(píng)估更加準(zhǔn)確，具有較好的實(shí)際應(yīng)用效果。

參 考 文 獻(xiàn)

[1]廖錦舜，何锫.基于模糊神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)方法[D].計(jì)算機(jī)技術(shù)與發(fā)展，2006，2

[2] 袁曾任.人工神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[M].北京：清華大13 學(xué)出版社，2000.

[3]王小平，曹立明.遺傳算法——理論、應(yīng)用于軟件設(shè)計(jì)實(shí)現(xiàn)[M].西安：西安交通大學(xué)出版社，2002

[4]蚩志鋒，閏珍珠，黃彪.基于遺傳算法與BP算法的水質(zhì)評(píng)價(jià)模型[J].重慶科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2009，11（1）：122—124.

[5]盧雯嘉，童杰等.基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的大電力客戶信用評(píng)價(jià)模型[J].重慶大學(xué)學(xué)報(bào)，2009，34（8）.

[6]蚩志鋒。閏珍珠，黃彪.基于遺傳算法與BP算法的水質(zhì)評(píng)價(jià)模型[J].重慶科技學(xué)院學(xué)報(bào)：自然科學(xué)版，2009，11（1）：122—124.

[7]楊愛民，張文祥.軟件質(zhì)量及其量化評(píng)價(jià)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2006，27（21）：39-88.

[8]黃錫滋.軟件可靠性安全性與質(zhì)量保證[M].北京：電子工業(yè)出版社，2002：32-65.

[9]王李進(jìn)，吳保國，鄭德祥.基于人工神經(jīng)網(wǎng)絡(luò)的軟件質(zhì)量評(píng)價(jià)[J].計(jì)算機(jī)應(yīng)用與軟件，2008，25（12）：134-150.

[10] 肖國榮.BP神經(jīng)網(wǎng)絡(luò)在基金價(jià)格預(yù)測中的應(yīng)用研究[J].計(jì)算機(jī)仿真，2011，28（3）：120—123.

[11]李建珍.基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[J].西北師范大學(xué)學(xué)報(bào)，2002，38（2）.

[12]周明，李樹棟.遺傳算法原理及應(yīng)用[M].北京：國防工業(yè)出版社，1999.