[发明专利]一种软件缺陷预测的改进排序学习方法

权利要求书

1.一种软件缺陷预测的改进排序学习方法，其特征在于，包括以下步骤：

步骤1、从已知缺陷个数的源代码文件中提取度量元和相应的缺陷个数，作为训练数据；

步骤2、对训练数据进行预处理，包括对重复样本、不一致样本、缺失数据的处理；

步骤3、利用预处理过的训练数据构造预测模型，使用多目标优化算法同时优化模型的排序性能、回归性能以及模型复杂度，得到一组模型参数，然后根据实际需要选择合适的模型参数；或者先根据实际需求对模型的排序性能、回归性能以及模型复杂度赋予相应的权值，然后使用单目标优化算法求得模型参数；

步骤4、输入测试数据，利用训练得到的模型分析测试数据，得到相应软件模块的缺陷信息。

2.根据权利要求1所述的软件缺陷预测的改进排序学习方法，其特征在于，所述步骤3使用线性预测模型，根据演化算法得到模型参数：

S31、使用平均缺陷百分比FPA衡量模型的排序性能，平均绝对误差AAE作为模型的回归性能度量，非零参数的个数作为模型复杂度的衡量指标；

S32、利用预处理过的训练数据构造预测模型，使用多目标优化算法同时优化模型的排序性能、回归性能以及模型复杂度，得到一组模型参数，然后根据实际需要选择合适的模型参数；或者先根据实际需求对模型的排序性能、回归性能以及模型复杂度赋予相应的权值，然后使用单目标优化算法求得模型参数。

3.根据权利要求2所述的软件缺陷预测的改进排序学习方法，其特征在于，步骤3中，假设线性预测模型为使用组合差分进化算法求得模型参数α_i：

a)、输入M个训练向量x_i＝(x_i1，x_i2，...，X_id)，i＝1，2，...，M，以及最小化目标函数G(x)＝-λ₁G₁(x)+λ₂G₂(x)+λ₃G₃(x)；其中即平均缺陷百分比FPA，用于衡量模型的排序性能；即平均绝对误差AAE，用来衡量模型的回归性能；G₃(x)为非零参数的个数，是模型复杂度的衡量指标；λ₁、λ₂、λ₃分别是模型的排序性能、回归性能及模型复杂度的权重；

b)、初始化N为每一次迭代的种群数量，随机生成N个解，组成初始种群P0，设置为第0代种群t＝0；

c)、设t_max为设定的最大种群代数，当t＜t_max时，循环以下步骤：

(1)对于Pt中的每一个解vi，通过杂交或变异方法根据以下三种策略生成三个新解：

Rand-1-bin：

Rand-2-bin：

Current-to-rand-1：

每一种策略创造出一个新解其中F和杂交控制参数C_r是从[F＝1.0，C_r＝0.1]，[F＝1.0，C_r＝0.9]，[F＝0.8，C_r＝0.2]中随机选择的，r1、r2、r3、r4、r5是从[1，N]中随机选择的不相同整数，rand和F1是(0，1)中均匀分布的随机数，j_rand是从[1，d]中随机选择的整数；根据目标函数，从三个新解以及原始解vi中选择出最优的解进入到下一代种群中；

(2)令t＝t+1，当t＜t_max时返回步骤(1)，否则转入步骤d)；

d)、根据目标函数G(x)，求得种群Pt+1中的最优解，即从第t代种群中选择目标函数值最大的作为最终解，最终得到预测模型