买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：华南理工大学

摘要：本发明属于软件缺陷预测领域，具体提供了基于工作量感知即时软件缺陷预测方法及装置，通过构建初始软件缺陷预测模型；通过加权代码改动量计算变更工作量；依据变更工作量计算初始软件缺陷预测模型的ACC和Popt值；通过多目标黏菌算法（SlimeMouldAlgorithm,SMA），对初始软件缺陷预测模型的超参数进行优化，进行多次迭代，使ACC和Popt值同时达到最优。采用加权代码改动量来计算变更工作量，从而将工作量与具体编程技术、代码分布、问题复杂度等因素进行关联，提高了工作量的合理性，同时通过多目标SMA，以求解ACC和和Popt两个性能评估指标的最大值作为优化目标，对软件缺陷预测模型进行优化，提高了预测的准确度。

主权项：1.基于工作量感知即时软件缺陷预测方法，其特征在于，包括：构建初始软件缺陷预测模型；通过加权代码改动量计算变更工作量；所述通过加权代码改动量计算变更工作量的步骤包括：获取历史数据中每个变更的代码改动量CC，计算公式如下： 式中，LA为变更添加的代码行数，LD为删除的代码行数；通过变更修改文件的数量NF和修改代码在文件中的分布Entropy计算变更的难度系数；计算变更工作量，计算公式如下：；所述通过变更修改文件的数量NF和修改代码在文件中的分布Entropy计算变更的难度系数的步骤包括：采用最小最大值归一化方法对变更修改文件的数量进行归一化处理，计算公式如下所示： 式中：表示变更修改文件数量的最小值，表示变更修改文件数量的最大值，NF表示原始值，表示归一化的结果，位于[0,1]之间；采用香农熵表示变更修改文件分布的熵，计算公式如下： 式中，表示文件k出现的概率，≥0，并且，n表示修改文件的数量；采用对数对香农熵进行归一化处理，计算公式如下： 式中，0≤Entropy≤1，Entropy的值越大，表示变更修改文件分布范围越广；变更的难度系数的计算公式如下：；依据变更工作量计算初始软件缺陷预测模型的ACC和Popt值；通过多目标黏菌算法即SMA算法，对初始软件缺陷预测模型的超参数进行优化，进行多次迭代，使ACC和Popt值同时达到最优，具体步骤包括：定义超参数配置空间；对多目标种群初始化；设计SMA多目标同步和冲突机制，完成超参数的优化，具体步骤包括：在多目标优化任务中，N组黏菌同时接近ACC和POPT达到最优时的超参数组，用下列公式表示其逼近行为： 其中，X表示黏菌位置，即超参数空间中的参数，t表示当前迭代次数，Xt和Xt+1表示第t次和第t+1次迭代时黏菌的位置，XA和XB表示从黏菌中随机选择的两个不同个体，vb是振荡参数，在区间内随机振荡，并随着迭代次数的增加而逐渐趋近于零,Xbt表示第t次迭代时食物浓度最高的位置，vc表示黏菌参数，从1线性递减到0，vb和vc之间的协同相互作用模仿了黏菌的选择性行为，其中，P值的范围位于[-1,1]区间，r是一个取值范围在[0,1]区间之间的随机数； 值的计算过程如下： 式中，max_t表示最大迭代次数，t表示当前迭代次数；P值的计算过程如下： 式中，i∈1,2,…N，Si表示第i组黏菌的适应度值，DF表示在所有迭代中获得的最佳适应度值的组合； W是权重参数，由下式计算： 式中，condition表示适应度值排在种群的前半部分的黏菌个体，others表示适应度值排在种群的后半部分的黏菌个体，bFj表示当前迭代过程中第j个优化目标获得的最优适应度值，wFj表示当前迭代过程中第j个优化目标获得的最差适应度值，Sij表示第i组黏菌第j个优化目标的适应度值，SortIndex表示适应度值排序后的序列；当食物浓度越高时，对应的权重W越大；而当食物浓度越低时，对应的权重会减小，从而改变搜索方向，探索其他食物浓度，因此，在种群的前半部分，选择不同黏菌个体权重参数的最大值；在种群的后半部分，选择不同黏菌个体权重参数的最小值，黏菌更新位置的公式如下： 式中，z表示位置更新参数，ub表示超参数范围的上边界，lb表示超参数范围的下边界；将优化后的超参数代入初始软件缺陷预测模型，得到最终软件缺陷预测模型；通过最终软件缺陷预测模型进行缺陷预测。

全文数据：

权利要求：

百度查询： 华南理工大学 基于工作量感知即时软件缺陷预测方法及装置