[发明专利]软件缺陷预测的方法、分类器、计算机设备及存储介质

说明书

本发明属于缺陷预测技术领域，公开了一种软件缺陷预测的方法、分类器、计算机设备及存储介质，收集提取软件代码的特征数据，并利用数据处理公式对收集的数据进行预处理；构建软件缺陷预测模型，并利用缺陷预测公式计算预测精度；采用改进的萤火虫算法优化软件缺陷预测模型；将缺陷预测公式作为适应度函数，在训练数据集及测试数据集中分别获得最佳缺陷预测精度值；利用优化的软件缺陷预测模型进行软件缺陷预测。本发明将萤火虫种群分成三组，每组在搜索最优解的过程中扮演不同的角色，并按照不同的移动策略进行学习，以平衡算法的勘探能力和探索能力。将改进的萤火虫算法应用在软件缺陷预测上，提高了预测精度，降低了计算成本。

技术领域

本发明属于缺陷预测技术领域，尤其涉及一种软件缺陷预测的方法、分类器、计算机设备及存储介质。

背景技术

目前，软件缺陷测试背景，软件缺陷预测被大多数软件工程师用来估计软件中最容易产生缺陷的组件。为了建立软件缺陷预测模型，许多经典算法被用来作为软件缺陷预测的分类器，如逻辑回归、决策表、支持向量机、贝叶斯网络。此外，软件缺陷预测还采用了一些智能优化算法来提高预测精度，包括经典的粒子群优化算法、差分进化算法、人工蜜蜂算法、蚁群优化算法、萤火虫算法，脑风暴优化算法。

萤火虫算法背景，萤火虫算法是最重要的群体智能优化算法之一。由于其较强全局搜索和密集的局部搜索能力，它获得了广泛的实际应用。近年来，萤火虫算法已被用于优化软件工作量估算模型。然而，很少有研究将萤火虫算法应用于软件缺陷预测。萤火虫算法在寻找最优解的过程中存在着许多不必要的行动，降低了求解效率。因此，很多改进的萤火虫算法被提出，它们分别从参数层面、策略层面、混合算法层面进行改进。但是对于较好的萤火虫移动方法很少有人研究。

通过上述分析，现有技术存在的问题及缺陷为：现有软件缺陷预测方法预测精度不高，且计算成本高。

解决以上问题及缺陷的难度为：

现有萤火虫算法普遍存在计算冗余，并容易陷入局部搜索，导致计算效率及软件预测精度都比较低。如何降低冗余，并提高预测精度成为一直以来的技术难题，本文提出的新技术在一定程度上提高了预测效率及其精度。

解决以上问题及缺陷的意义为：

软件组件的缺陷与其的发展、维护成本和客户的满意度有着重要关系。一个好的软件缺陷技术帮助并促使其发展，而且降低软件的维护成本，并有效的提高客户的满意度有着非常积极的意义。

发明内容

针对现有技术存在的问题，本发明提供了一种软件缺陷预测的方法、分类器、计算机设备及存储介质，具体涉及一种基于改进萤火虫算法优化软件缺陷预测的方法。

本发明是这样实现的，一种基于改进萤火虫算法优化软件缺陷预测的方法，所述基于改进萤火虫算法优化软件缺陷预测的方法包括：

步骤一，收集提取软件代码的特征数据，并利用数据处理公式对收集的数据进行预处理；

步骤二，构建软件缺陷预测模型，并利用缺陷预测公式计算预测精度；

步骤三，采用改进的萤火虫算法优化软件缺陷预测模型；将缺陷预测公式作为适应度函数，在训练数据集及测试数据集中分别获得最佳缺陷预测精度值；

步骤四，利用优化的软件缺陷预测模型进行软件缺陷预测。

进一步，步骤一中，所述数据处理公式如下：

其中，x表示数据的长度，x_min、x_max表示所有数据长度中最大值和最小值。

进一步，步骤二中，所述缺陷预测公式如下：