一種基于qbgsa-rvr的軟件可靠性預(yù)測方法
【專利說明】-種基于QBGSA-RVR的軟件可靠性預(yù)測方法 【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及軟件可靠性預(yù)測的技術(shù)領(lǐng)域，特別涉及一種基于QBGSA-RVR的軟件可 靠性預(yù)測方法。 【【背景技術(shù)】】
[0002] 隨著互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，應(yīng)用軟件系統(tǒng)規(guī)模越做越大越復(fù)雜，其可靠性越來 越難保證。應(yīng)用本身對系統(tǒng)運行的可靠性要求越來越高，在一些關(guān)鍵的應(yīng)用領(lǐng)域，如航空、 航天等，其可靠性要求尤為重要，在銀行等服務(wù)性行業(yè)，其軟件系統(tǒng)的可靠性也直接關(guān)系到 自身的聲譽和生存發(fā)展競爭能力。特別是軟件可靠性比硬件可靠性更難保證，會嚴重影響 整個系統(tǒng)的可靠性。在許多項目開發(fā)過程中，對可靠性沒有提出明確的要求，開發(fā)商也不在 可靠性方面花更多的精力，往往只注重速度、結(jié)果的正確性和用戶界面的友好性等，而忽略 了可靠性。在投入使用后才發(fā)現(xiàn)大量可靠性問題，增加了維護困難和工作量，嚴重時只有束 之高閣，無法投入實際使用。
[0003] 軟件可靠性預(yù)測指的是使用測試或運行過程中收集的失效數(shù)據(jù)對軟件未來失效 情況做出預(yù)測，它在軟件質(zhì)量保障以及軟件成本控制中起著決定性作用，然而由于軟件失 效過程的復(fù)雜性及非線性，軟件失效的精確預(yù)測異常困難。近年來，支持向量回歸、相關(guān)向 量回歸等核函數(shù)技術(shù)在軟件可靠性預(yù)測中得到了較好的應(yīng)用，然而核函數(shù)軟件可靠性預(yù)測 中的參數(shù)優(yōu)化還有許多需要解決的問題。
[0004] 量子衍生二進制引力搜索算法（Quantum-inspired Binary Gravitational Search Algorithm)，簡稱QBGSA，是一種基于量子計算原理的新型概率優(yōu)化方法，它以量 子計算的一些概念和理論為基礎(chǔ)，用量子位編碼來表示粒子，用量子門更新來完成進化搜 索，利用旋轉(zhuǎn)變換來更新粒子的位置，基于量子衍生二進制引力搜索算法優(yōu)化的相關(guān)向量 回歸，簡稱QBGSA-RVR，使用量子衍生二進制引力搜索算法優(yōu)化相關(guān)向量回歸估計中核函數(shù) 參數(shù)，具有較好的預(yù)測效果，因此提出一種基于QBGSA-RVR的軟件可靠性預(yù)測方法。 【
【發(fā)明內(nèi)容】
】
[0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于QBGSA-RVR的軟件可 靠性預(yù)測方法，其旨在解決現(xiàn)有技術(shù)中核函數(shù)軟件可靠性預(yù)測中的參數(shù)優(yōu)化效果較差、軟 件可靠性預(yù)測效果較低的技術(shù)問題。
[0006] 為實現(xiàn)上述目的，本發(fā)明提出了一種基于QBGSA-RVR的軟件可靠性預(yù)測方法，其 基于量子衍生二進制引力搜索算法優(yōu)化相關(guān)向量機，即QBGSA-RVR，包括如下步驟：
[0007] 步驟一、觀測并記錄軟件失效時間序列數(shù)據(jù)集t，t2，…，tn，失效時間t與在它之 前發(fā)生的m次失效時間之間存在映射關(guān)系，選擇合適的核函數(shù)對軟件失效數(shù)據(jù)進行歸一化 處理，歸一化映射公式為
將軟件失效序列數(shù)據(jù)轉(zhuǎn)換到 (〇，1)區(qū)間，得到η個軟件失效序列數(shù)據(jù)，方便相關(guān)向量機進行學(xué)習(xí)、預(yù)測；
[0008] 步驟二、若核函數(shù)寬度值r(i) e (Ma\，Mir〇,隨機取r(0) e (Ma\，Mir〇,使用式 子
1將r (0)映射得到初始化混沌變量X (0) e (〇, 1)，應(yīng)用Logistic映射 生成 N 個混純變量 x(i+l)，通過變換 r (i+1) = Minr+x(i+l) · (Max1-Minr)，i = 0, 1，2,…， N-I，得到N個的核函數(shù)寬度值，使用M維量子位對它們進行二進制編碼，得到規(guī)模為N的初 始化種群；
[0009] 步驟三、使用已觀測到的軟件失效序列數(shù)據(jù)^，t2，…，tn進行相關(guān)向量機向量回歸 學(xué)習(xí)，計算不同核函數(shù)寬度下的適應(yīng)度，適應(yīng)度函數(shù)為
其中^表示歸 一化后的軟件失效時間預(yù)測值，t' 歸一化后的軟件失效時間實測值；
[0010] 步驟四、計算
計算best (t)和worst (t)，使用式子
以及適應(yīng)度函數(shù)
計算每 個粒子i的慣性質(zhì)量Hi1，其中Tniax為最大循環(huán)次數(shù)，M1U)為粒子i的引力質(zhì)量；
[0011] 步驟五、根據(jù)公另
計算每個粒子i在循環(huán)t 時維數(shù)d的旋轉(zhuǎn)因子Δ Θ id⑴，式_
其值在（Θ _，Θ _)之間 單調(diào)增長，用以控制旋轉(zhuǎn)角度的大小，Pkd表示粒子k在第d維上的位置，p ld表示粒子i在 第d維上的位置；
[0012] 步驟六、進行旋轉(zhuǎn)變換
通過式子
更新每個粒子位置上的值，其中rand(0, 1)表示 (〇, 1)之間的隨機數(shù)；
[0013] 步驟七、判斷是否滿足終止條件，若不滿足，則回轉(zhuǎn)至步驟三，若滿足，則得到最優(yōu) 核函數(shù)參數(shù)值；
[0014] 步驟八、使用最優(yōu)核函數(shù)參數(shù)情況下的相關(guān)向量機對下一時間段的歸一化軟件失 效時間進行預(yù)測，預(yù)測完成后使用映射
將數(shù)據(jù)回放即可得到真 實預(yù)測值。
[0015] 作為優(yōu)選，所述步驟一中合適的核函數(shù)包括高斯核函數(shù)、線性核函數(shù)、多項式核函 數(shù)、柯西核函數(shù)、拉普拉斯核函數(shù)、對稱三角核函數(shù)、雙曲正割核函數(shù)、平方正弦基核函數(shù)。
[0016] 作為優(yōu)選，所述高斯核函數(shù)包括具有非線性特性的高斯核函數(shù)
r表示核函數(shù)寬度。
[0017] 作為優(yōu)選，所述步驟一中m的取值為5~15之間。
[0018] 作為優(yōu)選，所述步驟四中best (t)的計算公式為
的計算公式為
[0019] 作為優(yōu)選，所述步驟五的旋轉(zhuǎn)因子Δ Θ id(t)計算公式中，
為適應(yīng) 度函數(shù)
[0020] 作為優(yōu)選，所述在if(/)的計算公式中，Mk(t)和…⑴分別為粒子k和粒子i的引 力質(zhì)量，R ik是粒子i和粒子k之間的Hamming距離。
[0021] 作為優(yōu)選，所述
的公式中τ為常量。
[0022] 本發(fā)明的有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明提供的一種基于QBGSA-RVR的軟件 可靠性預(yù)測方法，步驟合理，使用量子衍生二進制引力搜索算法優(yōu)化相關(guān)向量回歸估計核 函數(shù)參數(shù)，QBGSA-RVR較一些廣泛使用的神經(jīng)網(wǎng)絡(luò)及核函數(shù)方法預(yù)測效果更優(yōu)；其次，使用 不同樣本數(shù)量情況下，甚至在小樣本情況下使用QBGSA-RVR方法進行軟件可靠性預(yù)測也可 以保持很好的預(yù)測效果，改善了核函數(shù)軟件可靠性預(yù)測中參數(shù)優(yōu)化效果較差的問題，且預(yù) 測偏差在5%區(qū)間內(nèi)，提高了軟件可靠性的預(yù)測效果。
[0023] 本發(fā)明的特征及優(yōu)點將通過實施例結(jié)合附圖進行詳細說明。 【【附圖說明】】
[0024] 圖1是本發(fā)明一種基于QBGSA-RVR的軟件可靠性預(yù)測方法的步驟示意圖。 【【具體實施方式】】
[0025] 為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚明了，下面通過附圖中及實施例，對 本發(fā)明進行進一步詳細說明。但是應(yīng)該理解，此處所描述的具體實施例僅僅用以解釋本發(fā) 明，并不用于限制本發(fā)明的范圍。此外，在以下說明中，省略了對公知結(jié)構(gòu)和技術(shù)的描述，以 避免不必要地混淆本發(fā)明的概念。
[0026] 參閱圖1，本發(fā)明實施例提供一種基于QBGSA-RVR的軟件可靠性預(yù)測方法，其基于 量子衍生二進制引力搜索算法優(yōu)化相關(guān)向量機，即QBGSA-RVR，包括如下步驟：
[0027] 步驟一、觀測并記錄軟件失效時間序列數(shù)據(jù)集t，t2，…，tn，失效時間t與在它之 前發(fā)生的m次失效時間之間存在映射關(guān)系，選擇合適的核函數(shù)對軟件失效數(shù)據(jù)進行歸一化 處理，歸一化映射公式為
將軟件失效序列數(shù)據(jù)轉(zhuǎn)換到 (〇，1)區(qū)間，得到η個軟件失效序列數(shù)據(jù)，方便相關(guān)向量機進行學(xué)習(xí)、預(yù)測；
[0028] 步驟二、若核函數(shù)寬度值r(i) e (Ma\，Mir〇,隨機取r(0) e (Ma\，Mir〇,使用式
將r(0)映射得到初始化混沌變量x(0) e (〇, I)，應(yīng)用Logistic映射 生成 N 個混純變量 x(i+l)，通過變換 r (i+1) = Minr+x(i+l) · (Max1-Minr)，i = 0, 1，2,…， N-I，得到N個的核函數(shù)寬度值，使用M維量子位對它們進行二進制編碼，得到規(guī)模為N的初 始化種群；
[0029] 步驟三、使用已觀測到的軟件失效序列數(shù)據(jù)、t2，…，tn進行相關(guān)向量機向量回歸 學(xué)習(xí)，計算不同核函數(shù)寬度下的適應(yīng)度，適應(yīng)度函數(shù)為
其中€表示歸 一化后的軟件失效時間預(yù)測值，t' 歸一化后的軟件失效時間實測值；
[0030] 步驟四、計算
計算best⑴和worst (t)，best⑴ 的計算公式戈
使用 式子
以及適應(yīng)度函數(shù)
計 算每個粒子i的慣性質(zhì)量Hi1，其中Tniax為最大循環(huán)次數(shù)，M Jt)為粒子i的引力質(zhì)量；
[0031] 步驟五、根據(jù)公式
計算每個粒子i在