[发明专利]一种基于多目标优化算法的软件产品线配置方法

说明书

本发明属于基于搜索的软件工程领域，具体为一种基于多目标优化算法的软件产品线配置方法；所述配置方法包括提取软件产品的特征和特征间的约束关系；随机产生指定个数的特征模型配置，形成初始种群；使用随机局部搜索类型的可满足性求解器对随机生成的特征模型配置进行修正；计算修正后的特征模型配置的适应度，选择适应度较高的特征模型配置进入下一代，将子代特征模型配置集合置于父代特征模型配置集合演化直至得到最终特征模型配置集合；根据软件产品的非功能性需求，对最终特征模型配置集合进行Pareto排序，得到软件产品的特征最优解集，并对软件产品进行配置；本发明大大减少特征规则数量；减少无效配置方案在优化过程所带来的影响。

技术领域

本发明属于基于搜索的软件工程领域，具体为一种基于多目标优化算法的软件产品线配置方法。

背景技术

软件产品线工程中开发单个产品的过程称为产品定制，这其中一个关键步骤就是根据产品需求选择合适的功能模块。这实际上是特征选择问题，一般而言，若无自动化支持，特征选择过程是很难达到最优化的。原因在于，这些功能模块之间的约束关系一般是通过树形结构的关系以及跨树的约束关系表示，限制可组合产品的可能性；且当软件产品线的规模较大时，其中的特征数量将会十分庞大。这种情况下，在软件产品线中选择一个或一组符合需求的软件产品，其本质上是在一个极大的搜索空间中选择满足多个目标的最优产品，并且搜索空间中多数目标之间还存在约束关系，这就为最优化选择工作带来了极大的限制。

软件产品线的多目标最优特征选择问题，面临的关键问题主要包括：

(1)特征间的依赖和约束关系是判断配置方案有效性重要依据，任何违反约束的配置方案都是无效的；而随着特征数量的增大，这些关系变得数量庞大且错综复杂，往往会因为选择一个新特征而导致已选的多个其他特征变得无效，这样的情况非常普遍，需耗费大量时间。

(2)对非功能性需求的满足，越来越成为软件产品成败的关键；非功能性需求实质上是用户的偏好需求，这对于当前软件即服务的生产理念而言至关重要，但满足一个其他质量属性的同时会导致系统性能在一定程度上下降，因此必须权衡多个非功能性需求的满足，以达到系统整体质量最优。

(3)一个产品线中明确的功能需求往往成百上千，但用户明确需要的并不多，所以有效避免用户对规模庞大的无关特征进行逐个判断。

目前，相关研究人员提出了许多方法来解决软件产品线最优产品选择问题，主要方法有两类。

单目标最优软件产品选择方法，在此类方法中，选择的目标只有一个，常见的目标就是希望产品的成本最低；采用遗传算法定义一种代价函数，并将软件产品线的特征模型建模成最小费用流问题，其中产品配置网络被表示为流网络。在相应的产品配置网络找出最短路径即可轻松获得满足优化目标的最优产品。

多目标最优软件产品选择方法，在此类方法中搜索目标考虑更多的特征信息，优化的目标更多，有3个以上甚至10个以上。主要采用演化多目标优化算法(EMO)，并采用在初试种群植入有效产品、提出启发式技术PUSH和PULL最小化产品违反约束数等方式提高算法得到的产品结果的有效性和多样性。

可满足性(SAT)求解器是软件工程领域通用的约束满足性求解技术，相比前面所述的在通过改进多目标优化算法机制来提高产品结果的有效性和多样性，可满足性(SAT)求解器更具有针对性，有研究结果也证明了将可满足性(SAT)求解器应用到多目标优化算法的世代种群演化中对个体的修复，产品结果的有效性和多样性会更优。但在返回大比例有效产品方面依然存在一定困难，有待尝试和对比更多类型的可满足性(SAT)求解器应用到多目标优化算法的效果。

这些方法从最优化选择的角度出发，采用遗传算法框架为基础的演化算法求解单目标和多目标最优软件产品选择问题，实现了自动化的从软件产品线中配置符合需求目标的有效产品，但对于高维多目标的最优选择问题，即优化需求目标在5个以上甚至更多时，这些方法在运行时间和返回大比例有效解方法表现还存在困难。

发明内容