[發明專利]軟件缺陷預測的方法、分類器、計算機設備及存儲介質

有效

• 申請號: 202011048727.9
• 申請日: 2020-09-29
• 公開（公告）號: CN112131089B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 宋莉;曹良林
• 申請（專利權）人: 九江學院
• 主分類號: G06F11/34
• 分類號: G06F11/34;G06F11/36;G06K9/62
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 楊采良

本發明屬于缺陷預測技術領域，公開了一種軟件缺陷預測的方法、分類器、計算機設備及存儲介質，收集提取軟件代碼的特征數據，并利用數據處理公式對收集的數據進行預處理；構建軟件缺陷預測模型，并利用缺陷預測公式計算預測精度；采用改進的螢火蟲算法優化軟件缺陷預測模型；將缺陷預測公式作為適應度函數，在訓練數據集及測試數據集中分別獲得最佳缺陷預測精度值；利用優化的軟件缺陷預測模型進行軟件缺陷預測。本發明將螢火蟲種群分成三組，每組在搜索最優解的過程中扮演不同的角色，并按照不同的移動策略進行學習，以平衡算法的勘探能力和探索能力。將改進的螢火蟲算法應用在軟件缺陷預測上，提高了預測精度，降低了計算成本。

技術領域

本發明屬于缺陷預測技術領域，尤其涉及一種軟件缺陷預測的方法、分類器、計算機設備及存儲介質。

背景技術

目前，軟件缺陷測試背景，軟件缺陷預測被大多數軟件工程師用來估計軟件中最容易產生缺陷的組件。為了建立軟件缺陷預測模型，許多經典算法被用來作為軟件缺陷預測的分類器，如邏輯回歸、決策表、支持向量機、貝葉斯網絡。此外，軟件缺陷預測還采用了一些智能優化算法來提高預測精度，包括經典的粒子群優化算法、差分進化算法、人工蜜蜂算法、蟻群優化算法、螢火蟲算法，腦風暴優化算法。

螢火蟲算法背景，螢火蟲算法是最重要的群體智能優化算法之一。由于其較強全局搜索和密集的局部搜索能力，它獲得了廣泛的實際應用。近年來，螢火蟲算法已被用于優化軟件工作量估算模型。然而，很少有研究將螢火蟲算法應用于軟件缺陷預測。螢火蟲算法在尋找最優解的過程中存在著許多不必要的行動，降低了求解效率。因此，很多改進的螢火蟲算法被提出，它們分別從參數層面、策略層面、混合算法層面進行改進。但是對于較好的螢火蟲移動方法很少有人研究。

通過上述分析，現有技術存在的問題及缺陷為：現有軟件缺陷預測方法預測精度不高，且計算成本高。

解決以上問題及缺陷的難度為：

現有螢火蟲算法普遍存在計算冗余，并容易陷入局部搜索，導致計算效率及軟件預測精度都比較低。如何降低冗余，并提高預測精度成為一直以來的技術難題，本文提出的新技術在一定程度上提高了預測效率及其精度。

解決以上問題及缺陷的意義為：

軟件組件的缺陷與其的發展、維護成本和客戶的滿意度有著重要關系。一個好的軟件缺陷技術幫助并促使其發展，而且降低軟件的維護成本，并有效的提高客戶的滿意度有著非常積極的意義。

發明內容

針對現有技術存在的問題，本發明提供了一種軟件缺陷預測的方法、分類器、計算機設備及存儲介質，具體涉及一種基于改進螢火蟲算法優化軟件缺陷預測的方法。

本發明是這樣實現的，一種基于改進螢火蟲算法優化軟件缺陷預測的方法，所述基于改進螢火蟲算法優化軟件缺陷預測的方法包括：

步驟一，收集提取軟件代碼的特征數據，并利用數據處理公式對收集的數據進行預處理；

步驟二，構建軟件缺陷預測模型，并利用缺陷預測公式計算預測精度；

步驟三，采用改進的螢火蟲算法優化軟件缺陷預測模型；將缺陷預測公式作為適應度函數，在訓練數據集及測試數據集中分別獲得最佳缺陷預測精度值；

步驟四，利用優化的軟件缺陷預測模型進行軟件缺陷預測。

進一步，步驟一中，所述數據處理公式如下：

其中，x表示數據的長度，x_min、x_max表示所有數據長度中最大值和最小值。

進一步，步驟二中，所述缺陷預測公式如下：