趙 敏，高建華

(上海師范大學 計算機科學與技術系，上海 200234)

1 引 言

代碼異味是由于設計缺陷或不良編碼習慣導致深層次質量問題的代碼癥狀，不一定直接地導致軟件的錯誤，但會引起后續(xù)的一些可讀性差、效率低等系統(tǒng)問題，加大軟件維護的難度[1].相關研究報告顯示，大型系統(tǒng)的改進、更新以及重組等一系列維護活動占用了軟件項目總成本的90%，提前檢測并清理這些代碼異味，可以幫助程序員很好地理解源代碼的同時也節(jié)約了項目的成本.

Marinescu、Moha以及Khomh[2-4]等人使用度量、結構和詞匯信息的組合來表示代碼異味的特征，定義規(guī)則來識別代碼異味的關鍵特征.但是在檢測特征不明顯的代碼異味時，精確度不高.在大型的應用場景中，也需要花很多時間對規(guī)則做大量的校準工作.

Fokaefs[5]提出了移動重構的方法，這是一種基于度量的代碼異味檢測方法.該方法用Eclipse插件將問題量化，先通過插件對系統(tǒng)質量進行評估，再重構.此方法僅適用于單一的代碼異味.

Fontana[6]等人提出了基于關聯(lián)的代碼異味檢測方法，通過代碼異味之間的直接關系和傳遞關系來檢測代碼異味，但這一方法只能檢測一些可量化的代碼異味.

Emerson[7]等人提出來一種基于可視化的代碼異味檢測方法.這一方法將可交互的檢測工具和手工識別代碼異味相結合，快速地認識和理解代碼異味.但此方法涉及到手動標識代碼異味的特征，在效率和精確性上沒有很大的保證.

對此，本文提出了一種基于協(xié)同并行算法優(yōu)化的代碼異味檢測方法，即將遺傳規(guī)劃和遺傳算法相結合，把代碼異味的檢測問題看作一個分布式搜索最優(yōu)解問題.本文又通過Jaccard系數(shù)對算法進行優(yōu)化，降低了檢測器的成本，提高了搜索效率.

2 相關術語

2.1 代碼異味

代碼異味也稱設計異?；蛟O計缺陷，是指對軟件維護產(chǎn)生不利影響的設計情況，它常常標志著代碼應該被重構[8].本文關注以下8種代碼異味，如表1所示.

表1 代碼異味及其描述Table 1 Code smells and its descriptions

2.2 遺傳規(guī)劃

遺傳規(guī)劃的基本思想是演化候選的程序種群來解決一個特定的問題[9].隨機生成候選種群，通過適應度函數(shù)對這些種群的質量進行評，如果符合標準則為最優(yōu)解，反之，則對這些種群進行一系列的交叉、變異等基因操作生成新的種群，迭代至符合標準輸出.

2.2.1 檢測規(guī)則的生成

在評估大量與代碼異味檢測相關的參數(shù)后，確定了檢測規(guī)則的終端集和函數(shù)集，終端集包含不同的質量度量以及閾值，函數(shù)集包含不同的邏輯運算符.檢測規(guī)則是基于抽象語法樹從范例中生成的，多用二叉樹的形式來表示[10].

1)終端節(jié)點A是度量及其閾值的集合.度量包括一些代碼的行數(shù)、方法的數(shù)量、屬性的數(shù)量、加權方法的數(shù)量以及接口數(shù)量等.

2)內(nèi)部節(jié)點B是一個邏輯運算符的集合C{AND，OR}.

如圖1所示，規(guī)則由一個AND-OR樹組成.其中，一條候選檢測規(guī)則對應一條特定的代碼異味.

圖1 檢測規(guī)則的表示Fig.1 Representation of detection rules

規(guī)則1(R1).如果Locclass≥1500且(AND)Locmethod≥129或(OR)Nmd≥100，代碼異味為Lager Class(LC)；

規(guī)則2(R2).如果Locmethod≥151，代碼異味為Long Method(LM)；

規(guī)則3(R3).如果Locmethod≥7且(AND)Nmd=16，代碼異味為Data Clumps(DC).

2.2.2 最優(yōu)檢測規(guī)則的生成

遺傳規(guī)劃通過其進化算子(選擇、交叉和變異)迭代得到最優(yōu)檢測規(guī)則.

1)選擇：以保留良好解決方案的基因和提供更好的解決方案為兩大原則進行選擇.通過適應度函數(shù)對檢測規(guī)則池P進行評估，根據(jù)適應度值的高低排序，在池P中挑選出1/2適應度高的檢測規(guī)則，形成新的檢測規(guī)則池S(大小為|S|，|S|=1/2|P|)；再將池S經(jīng)過隨機的交叉、變異形成新的子代檢測規(guī)則池E，從子代池E中選出大小跟池P一樣的檢測規(guī)則池O(大小為|O|，|O|=|P|)，新的檢測規(guī)則池U由池P和池O組成，大小為|U|=|P|+|O|=2|P|.

2)交叉：在兩個父節(jié)點上隨機選取他們的子節(jié)點及其子樹進行交叉，生成的新樹結合雙方的信息，但僅限于同種代碼異味的檢測規(guī)則.

3)變異：變異通常分為三種情況：當變異算子應用在終端節(jié)點時，則將它替換為新的終端節(jié)點(質量度量以及閾值)；當變異算子應用在功能節(jié)點時，則用新的函數(shù)來替換；如果是樹的變異，則將節(jié)點及其子樹一并替換為新生成的子樹.

2.3 遺傳算法

選擇、交叉以及變異是遺傳算法的三個基本操作.選擇，根據(jù)定義的適應度函數(shù)對種群中個體進行評估，適應度高的種群個體被選擇；交叉，根據(jù)自然遺傳學對被選擇的種群個體進行交叉，形成新的個體；變異，在個體基因的基礎上按照一定的規(guī)則進行變異繼而形成新的最優(yōu)種群個體[11].

2.3.1 檢測器的生成

所謂的檢測器是指與良好范例代碼(幾乎沒有代碼異味的范例代碼)的偏差[12].由于本文只對代碼的結構感興趣，所以可將檢測器表示為一組謂詞序列，謂詞序列的每個維度都是一個代碼元素，對應面向對象系統(tǒng)中的類(C)、屬性(A)、方法(M)、參數(shù)(P)、泛型(G)和類之間的方法調用關系(R).

為了方便謂詞序列之間的比較，降低相似性計算的復雜度，謂詞序列的順序必須嚴格按照類、屬性、方法、參數(shù)、泛型、類之間調用關系的順序排列.例如，謂詞序列CGAAMPPM表示一個具有泛型的類，謂詞序列中包含兩個屬性、兩種方法，第一種方法有兩個參數(shù)，如圖2所示.

圖2 檢測器A的表示Fig.2 Representation of detection A

謂詞序列還包含一些相關結構的詳細信息，如類型、可見性等.在檢測器A中，謂詞C是一個類，類名為C12，可見性為public.

2.3.2 最優(yōu)檢測器的生成

遺傳算法通過其三個基本操作選擇、交叉以及變異，不斷迭代搜索得到最優(yōu)的檢測器.

1)選擇：檢測器的選擇算子與檢測規(guī)則的選擇算子相同.

2)交叉：兩個父代謂詞序列L1、L2，兩個子代謂詞序列S1、S2.隨機選擇一個位置p；L1的前p個元素放入S1的前p個元素，L2進行同樣的操作；L1剩下的元素放入S2，L2進行同樣的操作.例如謂詞序列L1：CGAAMPPM和謂詞序列L2：CGAMPPR在1/5處進行交叉，得到的新謂詞序列S1：CGAAMPR和S2：CGAMPPPM.

3)變異：變異應用在隨機改變檢測器中元素的參數(shù).例如，圖2中檢測器A的第一個類的可見性為public，將其可見性變異成private.

2.4 遺傳算法與遺傳規(guī)則的區(qū)別

遺傳規(guī)劃是遺傳算法的一個分支.由于遺傳算法是按照一定字長的字符串形式來描述問題，而遺傳規(guī)劃是以非定長層次結構反映特定的問題.檢測器是以謂詞序列(字符串)形式呈現(xiàn)，檢測規(guī)則是用二叉樹表示，所以本文將遺傳規(guī)則和遺傳算法分別應用在搜索最優(yōu)檢測規(guī)則和最優(yōu)檢測器的問題中.

3 檢測規(guī)則和檢測器的評估

3.1 代碼異味范例的覆蓋率

設定一個目標函數(shù)C，計算實際檢測到的代碼異味與范例中的代碼異味的重疊，覆蓋率如公式(1)所示.

(1)

其中：e是范例代碼中代碼異味的數(shù)量，r是執(zhí)行檢測規(guī)則后檢測到的實際代碼異味數(shù)量，對于ai(C)，如果第i次檢測到有code smell存在，ai(C)為1，否則為0，如表2、表3所示.

表2 范例代碼中的代碼異味Table 2 Code-smells in the base of examples

表3 實際檢測的代碼異味Table 3 Detected code smells

將表3中檢測到的代碼異味與表2中代碼異味相比，類Senior、Primary以及Junior不是代碼異味.類Bachelor是代碼異味但代碼異味的類型不對.只有類Doctor是真正的代碼異味.所以，代碼異味范例的覆蓋率為(1/3+1/5)/2=0.26.

3.2 檢測器的成本

設定一個成本函數(shù)Cost來評估檢測器的質量.其中，S為檢測器組，檢測器Si的成本是其通用性和重疊的缺失的加權平均數(shù)，如公式(2)所示.

(2)

通用性的缺失是通過計算檢測器Si的謂詞序列與良好范例代碼中類Cj的謂詞序列相似性而來，如公式(3)所示.

(3)

重疊的缺失是通過計算檢測器Si的謂詞序列與檢測器組S中所有其他檢測器Sj的謂詞序列的相似性而來，如公式(4)和式(5)所示.

(4)

其中，sim()如公式(5)所示.

(5)

a，b為謂詞序列A和B的長度，Sa，b為A和B的公共最長子序列.

為了計算兩個謂詞序列之間的相似性，本文將Needleman-Wunsch算法應用到全文，并使用Jaccard系數(shù)對其進行優(yōu)化.

Needleman-Wunsch算法是一種動態(tài)編程方法，它是在允許加入空隙的情況下，找到兩個序列之間的最優(yōu)全局對齊[13].對齊序列(a1，…，an)和序列(b1，…，bn)時，根據(jù)下面的式(6)計算出Needleman-Wunsch算法矩陣LCS，并通過回溯寫出匹配字符串.其中，LCS矩陣第一行和第一列都為0；

ai=bj；

LCS(i，j)=LCS(i-1，j-1)+Sim(A，B)

ai≠bj；

(6)

Jaccard系數(shù)是計算兩個樣本集合之間的相似性[15，16]，如公式(7)所示.

(7)

如圖3所示，檢測器A的第一個方法Method(C12，m154，void，Y，public)與范例代碼34中的第一個方法Method(Options，isFractionalMetrics，boolean，Y，public)相比，N、Y都為變量名，public是可見性，所以用Jaccard系數(shù)計算為2/(5+5-2)=0.2.

本文設定了一個風險評估適應度函數(shù)，將風險評分超過0.75的片段認為是代碼異味，如式(8)所示.

(8)

其中，ei是待評估的代碼片段.

3.3 檢測規(guī)則和檢測器的交叉函數(shù)

如果一個類被檢測規(guī)則和檢測器同時檢測到，那么該類是代碼異味的幾率就會很大.因此，本文將檢測規(guī)則和檢測器組合來檢測代碼異味.

圖3 Jaccard系數(shù)計算圖Fig.3 Calculation figure of the Jaccard index

在每一次的迭代中，從最優(yōu)檢測規(guī)則和最優(yōu)檢測器中選出一組檢測規(guī)則和檢測器，應用在新的系統(tǒng)N中.本文構造了一個最優(yōu)解決方案矩陣M，行是最優(yōu)檢測規(guī)則MPi，列是最優(yōu)檢測器MAj，最優(yōu)檢測規(guī)則和最優(yōu)檢測器的交叉點得分，如公式(9)所示.

(9)

對于新系統(tǒng)N中，由最優(yōu)檢測規(guī)則檢測出含有代碼異味類的集合為Cr={c1，c2，…，ci}；由最優(yōu)檢測器檢測出含有代碼異味類的集合為Cd={c1，c2，…，cj}；實際檢測出含有代碼異味類的個數(shù)為T.

圖4 交叉點得分的說明Fig.4 Illustration of the intersection score

如圖4所示，待評估系統(tǒng)有5個類，其中有2個類存在代碼異味.將4個最優(yōu)檢測規(guī)則和4個最優(yōu)檢測器在待評估系統(tǒng)上運行，并得到一個4×4的矩陣，檢測規(guī)則R18檢測出2個類存在代碼異味，檢測器檢S11測出3個類的risk值都高于0.75，所以3個類都存在代碼異味.計算兩種解決方案的交叉點得分依據(jù)式(9)為：(2/3+2/2)/2=0.83.

檢測器S11與4種檢測規(guī)則的交叉得分點分別為：0.43、0.83、0.59以及0.64.分析交叉得分點可知S11與R18的交叉得分點最高，在檢測代碼異味時，將其視作一組可能的最優(yōu)解決方案.

其中，每一種解決方案的交叉適應度函數(shù)如公式(10)所示.

finter(MPi)=Min{finter(MPi，MA?j)}
finter(MPj)=Min{finter(MP?i，MAj)}

(10)

3.4 檢測規(guī)則質量的評估

檢測規(guī)則的適應度函數(shù)基于：

1)最大概率地覆蓋代碼異味的范例；

2)使用與檢測器并行執(zhí)行的交叉函數(shù)，使得一致性達到最大.

基于以上兩點，檢測規(guī)則質量的適應度函數(shù)如公式(11)所示.

(11)

3.5 檢測器質量的評估

檢測器的適應度函數(shù)基于：

1)減小范例代碼與檢測器之間的相似性，從而提高檢測器的通用性；

2)減小檢測器之間的重疊，即兩個檢測器的相似性.

基于以上兩點，檢測器質量的適應度函數(shù)如公式(12)所示.

(12)

4 基于協(xié)同并行算法優(yōu)化的代碼異味檢測方法

4.1 改進的Needleman-Wunsch算法

在文獻[16]中提出了一種改進的Needleman-Wunsch算法，普通的Needleman-Wunsch算法只比較謂詞的相似度，改進的Needleman-Wunsch算法通過式(13)進一步計算謂詞的參數(shù)的相似性，精確了最長公共子序列的長度，如公式(13)所示.

(13)

其中，ai、bj是兩個謂詞的參數(shù)集，p、q是兩個謂詞的參數(shù).

以檢測器A中謂詞Method參數(shù)集(C12，m154，void，Y，public)和范例代碼34的謂詞Method參數(shù)集(Options，isFractionalMetrics，boolean，Y，public)為例，式(13)計算得出兩種方法的相似性為：2/5=0.4.改進后的LCS矩陣如公式(6)所示，其中Sim(A，B)=PMij.

4.2 基于Jaccard系數(shù)的Needleman-Wunsch算法

為了更進一步地提高檢測器的通用性和降低檢測器之間的重疊，本文在改進的Needleman-Wunsch算法基礎上，提出基于Jaccard系數(shù)的Needleman-Wunsch算法，用于對比計算兩個謂詞的參數(shù)集.

以檢測器A中謂詞Method參數(shù)集(C12，m154，void，Y，public)和范例代碼34中的謂詞Method參數(shù)集(Options，isFractionalMetrics，boolean，Y，public)為例，由Jaccard系數(shù)計算出來兩個謂詞參數(shù)集的相似度0.2.改進后得到計算LCS矩陣如公式(6)所示，其中Sim(A，B)=J(A，B).兩種方法的對比如圖5所示.

圖5 兩種方法的對比圖Fig.5 Comparisonfigureof two methods

根據(jù)以上兩個公式計算出來的最長公共子序列分別為2.4和2.2，將結果帶入式(5)，可得到檢測器A和代碼范例34的相似度Sim()分別為0.4和0.2.由式(3)可得，檢測器和范例代碼之間相似度的精確可以提高檢測器的通用性；由式(4)可見，檢測器間相似度的精確可以降低檢測器之間的重疊；由式(2)可得，隨著檢測器通用性的提高和檢測器間重疊的降低，檢測器的成本也隨之減少.后續(xù)本文對這兩種方法在同一數(shù)據(jù)集上進行驗證，以說明基于Jaccard系數(shù)的Needleman-Wunsch算法要優(yōu)于改進的的Needleman-Wunsch算法.

4.3 協(xié)同并行算法優(yōu)化

為了減少搜索時間、精確檢測結果，本文提出將最優(yōu)檢測規(guī)則和最優(yōu)檢測器并行應用在檢測過程中，該并行算法的具體實現(xiàn)過程如算法1和算法2所示.

算法1.基于遺傳規(guī)劃的最優(yōu)檢測規(guī)則獲取算法

輸入：代碼質量度量集合M

手工評估的系統(tǒng)集合S(異味示例)

新系統(tǒng)A

輸出：最優(yōu)檢測規(guī)則

1.Max_size=100;

2.gen=0;%Counter

3.NBS=100;%number of best Soulution

4.MaxGen=500;%maximum no.fo generation

5.R1=rules(M,Smell_type);

6.P1=set_of(R1);

7.Initial_population_GP(P1,Max_size);

8.While gen

9. for each R1∈P1 do

10. detected_smells_GP(S)=excute_rules(R1,S);

11. fitness(R1)=compare(detected_smells,smells_examples);

12. end for

13. best_sol_P1=select(P1,NBS);

14. send(best_sol_P1);

15. best_sol_P2=receive(best_sol_P2);

16. for each R1∈best_sol_P1 do

17. detected_smells_GP(A)=excute_rules(R1,A);

18. fitness_intersection(R1)=Max_intersection(detected_smells_GP(A,R1)∩detected_smells_GA(A,best_sol_P2)

19. fitness(R1):=update fitness(R1,fitness_intersection);

20. end for

21. gen=gen+1;

22.end

23.retum best solution rules;

算法2.基于遺傳算法的最優(yōu)檢測器獲取算法

輸入：良好示例代碼的集合GES

新系統(tǒng)A

輸出：最優(yōu)檢測器

1.Max_size=100;

2.gen=0;%Counter

3.NBS=100;%number of best Soulution

4.MaxGen=500;%maximum no.fo generation

5.R2=detectors(GES);

6.P2=set_of(R2);

7.Initial_population_GP(P2,Max_size);

8.While gen

9. for each R2∈P2 do

10. fitness(R2)=cost(R2);

12. end for

13. best_sol_P2=select(P2,NBS);

14. send(best_sol_P2);

15. best_sol_P1=receive(best_sol_P1);

16. for each R2∈best_sol_P2 do

17. detected_smells_GA(A)=excute_rules(R2,A);

18. fitness_intersection(R2)=Max_intersection(detected_smells_GA(A,R2)∩detected_smells_GP(A,best_sol_P1)

19. fitness(R2):=update fitness(R2,fitness_intersection);

20. end for

21. gen=gen+1;

22.end

23.retum best solution rules;

算法1和算法2并行執(zhí)行，并在每一代中使用適應度函數(shù)進行交互.第1-3行構造一個初始檢測規(guī)則種群和檢測器種群；第4-15行是搜索最優(yōu)檢測規(guī)則和檢測器的循環(huán)過程；第16-20行是兩種算法的交互.

在每次迭代中，本文使用適應度函數(shù)對每個個體進行質量評估.在評估檢測器時(算法2的第10行)，對原先的適應度函數(shù)進行了改進.本文使用Jaccard系數(shù)對Needleman-Wunsch算法進行改進，從而增加了檢測器的通用性和檢測器之間的重疊，減小了檢測器的成本.5.2中的實驗結果表明，這種改進不僅增加了代碼異味的精度和召回率，還減少了搜索時間.

圖6 方法的概圖Fig.6 Overviewof the proposed approach

如圖6所示，協(xié)同并行算法優(yōu)化可以理解為以下4個步驟：

1)通過遺傳規(guī)則和遺傳算法并行搜索最優(yōu)檢測規(guī)則和最優(yōu)檢測器；

2)將搜索得到的最優(yōu)檢測規(guī)則和最優(yōu)檢測器應用在新系統(tǒng)上；

3)根據(jù)交叉點得分更改最優(yōu)檢測規(guī)則和最優(yōu)檢測器的適應度函數(shù)，生成最優(yōu)解決方案.

4)達到先前設定的固定迭代次數(shù)后，停止.

5 實 驗

5.1 實驗環(huán)境

為了評估基于協(xié)同并行算法優(yōu)化的代碼異味檢測的方法，本實驗從大型開源系統(tǒng)中提取8個開源項目對8種代碼異味進行實驗，并與基于單一種群的算法以及文獻[16]中的協(xié)同并行算法進行比較.

本實驗從現(xiàn)有的數(shù)據(jù)集[17]中挑選出類大小不的開源項目，其包含了近800種手動識別的代碼異味，如表4所示.

在過去的十多年中，這些項目一直保持著活躍的狀態(tài)，并包含了大量的代碼異味.此外，這些項目被諸多研究引用，分布于不同的應用領域，其包含的代碼異味已被大量相關研究明確檢測和分析[16].

表4 實驗項目Table 4 Systems for experiment

5.2 實驗配置

本實驗將剩余的項目作為代碼異味范例來生成檢測規(guī)則，例如檢測GanttProject3，則選擇剩余的項目作為代碼異味范例來生成規(guī)則.從范例中可以生成特定項目的特定的規(guī)則，所以在同一軟件項目內(nèi)，規(guī)則是適用的[10].

對于檢測規(guī)則的充分性，范例庫中包含了研究的所有代碼異味類型，所以范例具有充分性.規(guī)則是從范例中生成，范例的充分性從一定程度上也保證了規(guī)則的充分性[10].

對于檢測規(guī)則的一般性，Decor[3]是公認的可用于生產(chǎn)環(huán)境的經(jīng)典代碼異味檢測工具.在參考文獻[10]中，將從范例中生成規(guī)則的方法與Decor行對比，實驗表明前者的精度與召回都要優(yōu)于后者.

本實驗選擇JHotdraw[18]作為良好的代碼異味范例，并通過與JHotdraw之間的偏差來生成檢測器，因為JHotdraw包含很少的已知代碼異味.

本文根據(jù)文獻[19]提出的種群數(shù)和迭代數(shù)，將遺傳規(guī)則和遺傳算法的種群數(shù)固定在100，迭代數(shù)固定在1000.協(xié)同并行算法優(yōu)化的種群數(shù)固定在100，迭代數(shù)固定在500.并將基于遺傳規(guī)劃、遺傳算法、協(xié)同并行算法以及協(xié)同并行算法優(yōu)化的方法執(zhí)行500次進行比較.

為了強調種群的多樣性，本實驗將進化算子中交叉概率設為0.9，變異概率設為0.5.

為了評估本文方法的準確性，本實驗計算了兩種度量：精度(PMV)和召回(RMV).在實驗中，精度表示所有檢測到的代碼異味中檢測到正確的代碼異味的概率，召回表示所有手動識別的代碼異味中正確檢測到的代碼異味的概率.

實驗主要尋求以下幾個問題的解答：

Q1：基于協(xié)同并行算法優(yōu)化，什么類型的代碼異味可以被正確的檢測？

Q2：協(xié)同并行算法優(yōu)化在多大程度上優(yōu)于基于單一種群的方法以及原來的協(xié)同并行算法？

5.3 實驗結果與分析

本實驗記錄了不同項目中基于協(xié)同并行優(yōu)化方法下8種代碼異味的精度值和召回率，如表5所示.在不同的項目中，8種代碼氣味的精度值和召回率都超過了85%.表5結果表明協(xié)同并行算法優(yōu)化的方法沒有偏向于檢測特定的代碼異味.在所有項目中，每個代碼異味類型的分布幾乎相等.這種不偏向于識別某種特定代碼異味的能力是本文方法的一個關鍵優(yōu)勢.大多數(shù)現(xiàn)有的工具和技術在很大程度上依賴于度量的方法，對于FE、SS這些代碼異味，度量的方法并不奏效[20，21].從這一方面來看，協(xié)同并行算法優(yōu)化結合了多種不同的檢測方法，在代碼異味的檢測上具有一定的準確性.(Q1)

表5 不同項目下代碼異味的精度值和召回率Table 5 Precision median values and recall median values of different projects

實驗將4種方法分別應用在不同的項目上，每種方法運行51次，并計算精度值和召回率.

表6 不同方法下的精度值和召回率Table 6 Precision median values and recall median values of different methods

如表6所示，基于遺傳規(guī)劃方法下得到的精度值大約在82%、召回率大約在80%；基于遺傳算法方法下得到的精度值大約在82%、召率大約在81%；基于協(xié)同并行算法方法下得到的精度值大約在89%、召回率大約在87%；基于協(xié)同并行算法優(yōu)化方法下得到的精度值大約在91%、召回率大約在88%；從縱向來看，隨著項目大小的改變，精度值和召回率并沒有很大的浮動，可以表明精度值以及召回率與項目大小無關.從整體來看，基于單一種群的算法的精度和召回率低于基于協(xié)同并行算法，基于協(xié)同并行算法優(yōu)化方法的精度值和召回率最高，可以表明基于協(xié)同并行算法優(yōu)化的方法優(yōu)于其余兩種基于單一種群以及基于協(xié)調并行算法的方法.(Q1)

將基于協(xié)同并行算法優(yōu)化的代碼異味檢測方法和兩個基于單一種群以及基于協(xié)同并行算法的代碼異味檢測方法，分別應用在不同的項目上.

圖7 不同項目上的平均執(zhí)行時間比較Fig.7 Average execution time comparison on the different project

如圖7所示，從CUP時間來看，基于協(xié)同并行算法優(yōu)化的執(zhí)行時間是基于單一種群的一半.因此，在代碼異味檢測的問題上，并行執(zhí)行比單一執(zhí)行耗時更少，基于協(xié)同算法優(yōu)化的執(zhí)行時間也少于基于協(xié)同并行算法.這是因為在優(yōu)化研究領域中，評估階段通常是最耗時的，在本實驗中，用Jaccard算法優(yōu)化了用于評估檢測器的Needleman-Wuncsh算法，增大了檢測器的通用性并減小了檢測器之間的重疊，減少搜索時間的同時也減少了評估階段的耗時.(Q2)

6 期 望

本文提出了基于并行協(xié)同算法優(yōu)化的方法來檢測代碼異味，降低了檢測器的成本，加快了搜索速度.由遺傳規(guī)劃搜索得到最優(yōu)檢測規(guī)則，由遺傳算法搜索得到最優(yōu)檢測器，再將兩種方法在同一項目上運行，找到兩種解決方案的交集，其結果是令人信服的.不足之處在于，本文只關注8種代碼異味，相對局限，未來將擴大實驗規(guī)模，以檢測更多的代碼異味，提高方法的一般適用性.此外，還準備增加并行的算法個數(shù)，求證3個及3個以上的算法檢測出來的結果會不會更加精確.