[发明专利]基于混合狼群算法的软件可靠性模型参数估计方法

说明书

本发明涉及软件可靠性模型评估技术领域，具体地说，是一种基于混合狼群算法的软件可靠性模型参数评估方法，首先选取软件可靠性模型，初始化粒子群体各参数，然后通过软件可靠性模型参数的极大似然估计公式来构造适应值函数，再将狼群算法和粒子群算法进行混合，最终基于混合算法获得最优的软件可靠性模型的参数值。本发明的关键是利用粒子群算法进一步发挥狼群算法的优势，得到比单个算法更优的参数估计结果。不仅如此，也能提高结果的稳定性，比单个算法的估计结果更稳定。即使在减少数据量或改变算法迭代次数时，情况亦是如此。

技术领域

本发明涉及软件可靠性模型评估技术领域，具体地说，是一种基于混合狼群算法的软件可靠性模型参数评估方法。

背景技术

软件可靠性是衡量软件质量的定性指标，具有重要的研究意义，因此越来越受到研究者的重视。迄今为止，研究者们已经发表了近百种软件可靠性模型，比如G-O模型、M-O模型和J-M模型等。然而这些模型都是非线性函数模型，很难直接估计它们的参数，所以一种新的思路是将智能优化算法应用到模型参数估计中。

狼群算法(WPA)是一种典型的群体智能算法，和其他群体生物具有类似的群体行为，但是狼群在捕食及其猎物的分配更具有严格的机制，核心思想是通过各个狼之间的协作和信息互享，对最优解进行搜索，如今已经被应用于多个领域。WPA作为群体智能优化算法的一种，是由吴虎胜等学者系统地提出。该算法具有较好的全局收敛性和较高的精度值，种群的多样性较高，寻优策略也较高。粒子群算法(PSO)由Eberhart和Kennedy于1995年提出，它是参考鸟群觅食的行为。PSO算法的优点是设置的参数少，比较容易实现，前期的收敛速度较快，但是在搜索过程中容易陷入局优，导致求解的准确度不高。

发明内容

为了解决上述技术问题，本发明将两种算法各自的特点进行混合，提出混合狼群算法(WPA-PSO),并用WPA、PSO和WPA-PSO这三种算法分别对软件可靠性模型的参数进行估计。结果表明，混合狼群算法估计结果的误差率一直保持最优性和稳定性，即使在减少数据量或改变算法迭代次数时，情况亦是如此，其可更大发挥狼群算法的优势，进一步提高参数估计的准确性和稳定性，特别是在较少数据量的情况下仍然具有较好的适应性。

本发明提供如下技术方案：基于混合狼群算法的软件可靠性参数估计方法，包括如下步骤：

(1)：选取软件可靠性模型，以G-O模型为例，G-O模型对软件系统中累积失效数的估计函数如式(1)所示：

m(t)＝a(1-e^-bt) (1)

上式中：m(t)表示到时刻t为止的累积失效数的期望函数；a表示测试结束后软件期望被检测出来的失效总数；b代表剩余失效被发现的概率，即在时刻t产生的失效检出率，是一个比例常数，范围为(0,1)。G-O模型的参数就是a和b，它们的选取会影响到模型预测的准确性；

(2)初始化所有的参数：人工狼的总数wolfnum＝m＝60(粒子数)，探狼比例因子α＝4，距离判定因在因子W＝100，步长因子S＝100，更新比例因子β＝10，最大游走次数Tmax＝30最大迭代次数Gmax＝500，待寻优的第d个变量的取值范围是[lb,ub],其中ub＝π，lb＝-π，游走步长stepa＝(ub-lb)/S；奔袭步长stepb＝(ub-lb)/S*2；攻击步长stepc＝(ub-lb)/(S*2)；随机生成游走方向h为[hmin,hmax]的随机数,其中设置hmin＝2,hmax＝15适应值精度要求k≤1e(-5)。每头狼的位置即G-O模型的参数x初始化为(0,1)之间的随机数(这里x就是代表b的值)；惯性权重W＝0.9，学习因子C1＝C2＝1.5，速度v为[-1,1]内的随机数；

(3)利用极大似然估计法构造适应值函数，下面是使用极大似然法估计出来的a、b的计算公式，如式(2)所示：