[发明专利]一种复杂软件系统软件单元可信性评估方法

摘要

一种复杂软件系统软件单元可信性评估方法，包括以下步骤：A.建立可信指标体系；B.确定可信评估评语集；C.利用SPSS进行因子分析获得客观权重，采用层次分析法获得主观权重，利用动态赋值方法确定最终各因素权重；D.对软件单元可信性进行一级模糊评估；E.采用多重模糊合成算子对评估结果进行修正；F.迭代上述的计算过程，实现对软件单元可信性的多级模糊综合评估。该方法对评估指标进行分类，使评价结果更为可靠；获得的指标权重值更加符合软件单元实际状况，可以根据不同软件单元的需求动态的调整主客观权重结构；采用多重模糊合成算子对评估结果进行修正，使评价结果更加科学、准确、合理。

主权项

一种复杂软件系统软件单元可信性评估方法其特征在于，主要包括以下步骤：A.确定可信评估指标根据待评估的复杂软件系统的实际状况，确定可信指标属性，并对各指标因素进行分类，形成指标层次结构，确定指标评估体系，评估对象的因素集一般用U表示，假设影响复杂软件系统可信性的属性类有m个，评估对象的因素集可表示为：U＝{u₁,u₂,…,u_m}u_i(i＝1,2,…,m)代表每个评估指标属性；B.确定评语集根据软件可信等级，结合复杂软件系统软件单元的评估结果，对最终软件单元的可信性进行评定，确定评定的评语集，假设复杂软件系统软件单元的评估结果的分级情况有n种，评估评语集可以表示为：V＝{v₁,v₂,…,v_n}v_j(j＝1,2,…,n)代表每个评语；C.确定可信指标权重权重确定考虑各可信属性对软件单元可信性的影响重要程度，根据步骤A中确定的可信指标属性，分别对每一层的可信指标进行权重分析确定：(1)针对各个指标属性，根据复杂软件系统软件单元的实际功能需求，获取相关的软件单元开发数据、测试数据、用户反馈数据等，利用SPSS(Statistical Product and Service Solutions)，采用因子分析中的主成分分析模块，对数据进行统计分析，获得总方差的解释表和成分矩阵，进而求得指标权重；假设某一层中第i个指标集u_i有k个评估指标，u_i＝{u_i1,u_i2,…,u_ik}，根据软件单元的实际运行数据获得n个样本，构成初始样本矩阵：其中，x_ij表示第i组样本数据中的第j个指标的值；利用SPSS进行主成分分析后得到总方差的解释表和成分矩阵，获得主成分数量为m个，其特征值λ＝{λ₁,λ₂,…,λ_m}，其方差百分比η＝{η₁,η₂,…,η_m}构建主成分线性系数矩阵：其中，y_ij表示第i个评估指标中的第j个主成分的线性系数，满足如下关系：f_ij为成分矩阵中的初始因子载荷；由线性系数矩阵得到的m个主成分线性组合：F_i＝y_i1u_i1+y_i2u_i2+…+y_iju_ij+…+y_iku_ik，i＝1,2,…,m；对指标在m个主成分线性组合中的系数做加权平均，获得主成分的方差贡献率，得到最终的综合模型：G＝g₁u_i1+g₂u_i2+…+g_ju_ij+…+g_ku_ik，其中$g_j=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{y}_{\mathrm{ij}}\×{\mathrm{\η}}_i}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\η}}_i},j=\mathrm{1,2},...,k$由于所有指标的权重之和为1，因此指标权重需要在综合模型中指标系数的基础上归一化，得到各个因素的客观权重为A_i＝{α_i1,α_i2,…,α_ik}；(2)根据可信指标的层次结构，利用层次分析法计算各准则层的权重和上层准则权重，设某一层中因素集u_i＝{u_i1,u_i2,…,u_ik}，利用几何平均法计算各权重为B_i＝{β_i1,β_i2,…,β_ik}，假设断矩阵T＝(t_ij)_k×k，几何平均法计算方法如下：$W_i=\frac{{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}}{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\left(\underset{j=1}{\overset{k}{\mathrm{\Π}}}{\mathrm{\α}}_{\mathrm{ij}}\right)}^{\frac{1}{k}}},i=\mathrm{1,2},...,k$(3)确定动态权重系数ρ，根据复杂软件中待评估的软件单元的实际功能需求和运行状况，将主成分分析方法和层次分析法确定的权重进行动态调整，最终综合主客观两种权重，获得最终权重W_i＝{ω_i1,ω_i2,…,ω_ik}，权重计算方法如下：ω_ij＝ρa_ij+(1‑ρ)β_ij,j＝1,2,…,k；0≤ρ≤1；D.单因素模糊综合评价单因素模糊综合评价又称为一级模糊综合评价；(1)对于每类指标因素u_i，因素u_ij对评语v_k(k＝1,2,…,n)的隶属度为r_ijk，r_ijk可表示为相应的评价矩阵如下所示：其中，f_i表示第i类指标因素中构成指标因素的个数，构建一级模糊综合评价矩阵：$B_i=W_i\⊗R_i=(b_{i1},b_{i2},...,b_{\mathrm{in}})$(2)为模糊合成算子，算子的选择关系到最终的评价结果，为保重评价结果的合理与准确，首先采用算子，通过该算子获得综合评价矩阵，并分析评价结果，然后采用M(∧,∨)算子获得综合评价矩阵并分析评价结果，对算子的评价结果进行修正，最终获得的综合评价结果，两种合成算子特征如下：算子：$b_{\mathrm{ik}}=\min (1,\underset{j=1}{\overset{f_i}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ij}}{r}_{\mathrm{ijk}}),$该算子权重作用体现明显，综合程度较强，可以充分利用评价矩阵R的信息，属于加权平均型算子；M(∧,∨)算子：该算子权重作用体现不明显，综合程度较弱，R的信息利用不太充分，属于主因素突出型算子；E.模糊多级综合评价在一级模糊综合评判的基础上，根据对指标因素类的分层情况，进行二级以及多级模糊综合评判，迭代上述方法，最终实现对复杂软件系统的软件单元可信性的综合评估。