浅析缺陷改善PSO在软件缺陷预测模型中研究

论文导读：模块，以此来降低软件的开发和维护成本。研究表明，有效的软件缺陷预测能够提高软件的可靠性和质量。从现有的大批量信息中提取自己所需要信息定义为数据挖掘技术。现在，数据挖掘技术这项新技术已经被应用到许多不同的领域中发挥其不同的作用。本篇论文主要是研究将该项技术中的粒子SO（ParticleSwarmOptimization）算
摘要：文绍了运用改进PSO粒子群优化算法，并将该算法应用到软件缺陷预测模型。在该模型中提取度量属性与软件质量属性之间的关系规则，并运用互信息熵的方法简化提取规则集。与标准粒子群优化进行了比较，实验表明该方法实现精简规则集的同时又提高了预测的准确率。
关键词：分类；缺陷预测；粒子群优化；规则简化
1009-3044（2013）30-6770-03
软件开发过程中，应用软件缺陷预测技术体现出软件中的度量元与软件的开发质量之间的关系帮助软件开发者重点关注那些容易产生缺陷的高风险模块，以此来降低软件的开发和维护成本。研究表明， 有效的软件缺陷预测能够提高软件的可靠性和质量。
从现有的大批量信息中提取自己所需要信息定义为数据挖掘技术。现在，数据挖掘技术这项新技术已经被应用到许多不同的领域中发挥其不同的作用。本篇论文主要是研究将该项技术中的粒子SO（Particle Swarm Optimization）算法的分类技术与规则映射来建立模型，并将该模型应用到软件模块的缺陷预测中为软件开发提供有利的参考价值。
1 改进粒子群优化算法
改进算法的优化过程，首先计算全局最优值和所有粒子最优值，然后取其均值作为粒子的搜索方向和速度进行搜索最优解，在此过程中，随着算法的收敛粒子慢慢靠近最优目标，最后获取最优值。
算法优化过程中，粒子寻优空间跟随收敛过程逐渐缩小。开始时，粒子在整个空间内搜索，此时粒子的收敛速度较快；随着惯性权重值的调整，算法收敛速度的降低，寻优空间逐渐变小，粒子逐渐优化到最优解。在该过程中如果粒子在搜索空间中所处的位置比较分散，粒子易于跳出局部最优解陷入全局最优。粒子群的收敛过快，则易于寻找局部最优，算法中，通过增大搜索空间，提高全局寻优能力。
输入：度量元数据集
输出：粒子映射规则
1）算法初始化并设置初始参数；
2）计算每个粒子的适应度；
3）对适应度值进行评价并根据该值调整粒子[pid，e]和[g]；
4）根据式（1）、（2）、（3）改变粒子搜索速度和移动方向，并计算粒子新的适应度值；
5）如果达到预设最大迭代次数，转步骤6），否则返回步骤3）；
6）将获取粒子的最优解映射为分类规则存储并删除该规则覆盖的样本数据；
7）如果数据集为空返回，否则转步骤1）。
2 预测模型
本文根据改进粒子群优化的特点结合条件属性与决策属性的互信息熵设计如下图1所示预测模型。

2.1 粒子适应度的选择

4 结论
本文建立的软件缺陷预测模型中，首先研究对训练数据进行降维处理减小训练规模，主要通过改进PSO算法对数据样本进行优化训练从而将最优解映射提取分类规则集，研究中考虑了训练数据集的值范围变化较大从而使粒子在优化过程中扩大搜索空间，增加寻优复杂性，从而采用值映射的方式降低寻优空间的大小；在提取的规则集过程中运用信息熵的概念简化规则集的量。同时，根据条件属性的依赖度与规则集的匹配值进行检测算法的有效性。经过仿真实验得出的结论为本文所提出的方法不但提高了软件缺陷预测的准确率，而且大大缩小了预测花费的时间。
参考文献：
王存睿，段晓东，刘向东，等.中值基本粒子群优化算法[C].沈阳：辽宁省第二届学术年会暨第五届青年学术年会论文集，辽宁省第二届学术年会暨第五届青年学术年会，2005：714-718.
张选平.一种动态改变惯性权的自适应粒子群算法[J].西安交通大学学报，2005 （10）：1039-1042.
[3] 钟波，肖智，周家启.组合预测中基于粗糙集理论的权值确定方法[J].源于：毕业论文致谢www.7ctime.com
重庆大学学报，2002 （7）：127-130.
[4] 李烨，尹汝泼，蔡云泽，等.基于离散化的支持向量机特征选择[J].计算机工程，2006（11）：16-21.