粒子群算法的软件可靠性模型参数估计(附件)【字数：11315】
摘 要摘 要软件系统规模日益庞大，结构日益复杂，从而导致软件可靠性问题日益突出。关键领域软件的可靠性必须得到严格保证，而软件可靠性参数估计是利用软件可靠性模型开展软件可靠性评估的关键性工作，因而受到研究者的高度重视。传统上两种最常用的参数估计方法是极大似然法和最小二乘法，但是传统数值方法经常会面临不能收敛或者迭代过程过分依赖初值等问题，因此需要寻找更好的软件可靠性模型参数估计方法。近年来，一种新的思路是将群体智能算法应用到可靠性模型的参数估计中去。本文基于粒子群算法对软件可靠性模型进行参数估计，针对现有的利用粒子群算法中使用的适应值函数存在的问题，结合极大似然估计构造了一种新的适应值函数。本文还针对算法在软件可靠性模型参数估计的具体应用中存在的问题，提出了问题解的剔除方法和利用先验知识的方法。通过对比5组经典软件可靠性数据的仿真结果，本文提出的算法比现有算法在软件可靠性参数估计和预计方面具有更好的适用性，对于失效数的估计比现有算法有很大的提高。关键词粒子群算法；软件可靠性模型；参数估计；
目 录
第一章 绪论 1
1.1 研究背景 1
1.2 粒子群算法的发展历史及由来 1
1.3 软件可靠性 3
1.4 论文安排 5
第二章 基本概念 6
2.1 软件可靠性模型 6
2.1.1 软件可靠性评估的基本理论 6
2.1.2 JELINSKIMORANDA模型 6
2.1.3 GOELOKUMOTO模型 8
2.1.4 MUSAOKUMOTO模型 10
2.2 粒子群算法的基本原理 11
2.2.1 基本粒子群算法 11
2.2.2 算法的构成要素 12
第三章 软件可靠性模型参数估计 14
3.1 前期准备 14
3.1.1 现有的参数估计方法 14
3.2 改进的估计方法 14
3.3 实验中用到的方法 15
3.3.1 方法 15
3.3.2 实验中问题解的剔除 16
3.3.3 加入先验知识的改进求解 16
第四章 实验结果与 *好棒文|www.hbsrm.com +Q: *351916072*
比较 17
4.1 GO模型验证 17
4.2 方法对比 17
4.2.1 适应值函数构造方法对比 17
4.2.2 得到参数估计值的对比 18
4.3 仿真对比 19
结 论 22
致 谢 23
参 考 文 献 24
第一章 绪论
1.1 研究背景
随着计算机技术的发展，各种高度复杂的软件系统已大量应用到航空航天、工业控制、交通运输、金融、医疗卫生等关键领域，同时，软件系统规模日益庞大，结构日益复杂，从而导致软件可靠性问题日益突出，而由软件的不可靠和失效所导致的经济、生命、军事和社会利益的巨大损失也让用户、工业界、军方和政府无法接受。因此，关键领域软件的可靠性必须得到严格保证，而软件可靠性参数估计是利用软件可靠性模型开展软件可靠性评估的关键性工作，受到研究者的高度重视。
传统上两种最常用的参数估计方法是极大似然法和最小二乘法[1]，但由于极大似然法和最小二乘法都包含了概率论和数理统计方面的特性，因此可能会破坏软件可靠性模型参数估计的约束条件。当模型较为复杂或者软件失效数据规模较为庞大时，这两种方法都无法找到参数估计的最优解，此时大多转而采用数值计算方法。而传统数值方法经常会面临不能收敛或者迭代过程过分依赖初值等问题，因此需要寻找更好的软件可靠性模型参数估计方法。
近年来，一种新的思路是将群体智能算法应用到可靠性模型的参数估计中去。群体智能算法的基本思想是用分布搜索优化空间中的点来模拟自然界中的个体，用个体的进化或觅食过程类比为随机搜索最优解的过程，用求解问题的目标函数度量个体对于环境的适应能力，根据适应能力采取优胜劣汰的选择机制类比为用好的可行解代替差的可行解，将整个群体逐步向最优解靠近的过程类比为迭代的随机搜索过程。群体智能的最大特点是不依赖于问题本身的严格数学性质，不要求建立关于问题本身的精确数学描述模型，可解决传统方法难以或者不能解决的问题。
1.2 粒子群算法的发展历史及由来
粒子群算法就是因为这个方法的方便，具体应用起来的非常的简单。而且它还没有梯度信息。这个算法的参数也比较少等特点。对于解决优化问题有着非常好的作用。特别是连续和离散优化问题。也正是因为这种算法有自带的编码特点，对于处理实际优化问题有着很好的效果。粒子群算法的提出，让更多的人们开始了解和熟悉这种算法。算法的优点让其在学术界也得到了重视。并且一度成为研究热门。对于算法研究的理论性方面，有一些专家和学者对算法的收敛性进行了探讨和改进，更多的专家和教授则是把研究重点放在了算法性能的改进方面。对于算法结构的改进也下了很大的功夫，包括一些参数的分析，拓扑结构，粒子多样性的保持，算法融合还有性能比较等等。在数据分类、数据聚类、模式的识别、电信管理、生物系统建模、流程的规划、信号的处理分类、机器人控制等各个方面都体现出了粒子群算法的优点，证明了粒子群算法的良好的应用前景。国内目前也有越来越多的学者去关注粒子群算法的应用，并且将其用于非线性规划，同步发电机的识别辨识等方面，可以说粒子群算法已经成为一个全球化、实用性强的算法首选。
粒子群算法提出的根本依据就是对于我们所处的社会模型的一个简易的模拟。自然界中大部分的生命体都存在一定的群体行为，研究自然界生命体行为是人工生命的主要探索方面之一，这样就可以在电脑上进行模型的模拟了。通常的群体行为可以分为几个比较简单的规则进行建模，比如蚁群和燕群等等。经过很多的实验可以发现，这些群体中对于单个个体的行动规则是非常简单的。可是这些有着简单行为规则的个体构成的群体行为就会累积。从而变得更加复杂。
有许多专家对于群体行为做出了重点研究[2]，并且在计算机上进行了仿真和模拟。Reynolds和Heppner这两位动物学家在1987和1990年就发表了对群体行动的研究。他们主要是研究了鸟群的活动规律，并写出论文。他们发现，有众多鸟组成的鸟群它们的活动规律更明显。它们组成的群体在飞翔的过程中可以改变飞翔的方向，并且能够分散飞行和重新回到群体聚集飞行等。那么一定有某种因素去决定这种有规律的行为。开始的时候这两位学者把研究的核心归结于单个鸟个体与彼此之间的位置问题。也就是鸟群中的鸟个体彼此之间保持的最优距离。
目 录
第一章 绪论 1
1.1 研究背景 1
1.2 粒子群算法的发展历史及由来 1
1.3 软件可靠性 3
1.4 论文安排 5
第二章 基本概念 6
2.1 软件可靠性模型 6
2.1.1 软件可靠性评估的基本理论 6
2.1.2 JELINSKIMORANDA模型 6
2.1.3 GOELOKUMOTO模型 8
2.1.4 MUSAOKUMOTO模型 10
2.2 粒子群算法的基本原理 11
2.2.1 基本粒子群算法 11
2.2.2 算法的构成要素 12
第三章 软件可靠性模型参数估计 14
3.1 前期准备 14
3.1.1 现有的参数估计方法 14
3.2 改进的估计方法 14
3.3 实验中用到的方法 15
3.3.1 方法 15
3.3.2 实验中问题解的剔除 16
3.3.3 加入先验知识的改进求解 16
第四章 实验结果与 *好棒文|www.hbsrm.com +Q: *351916072*
比较 17
4.1 GO模型验证 17
4.2 方法对比 17
4.2.1 适应值函数构造方法对比 17
4.2.2 得到参数估计值的对比 18
4.3 仿真对比 19
结 论 22
致 谢 23
参 考 文 献 24
第一章 绪论
1.1 研究背景
随着计算机技术的发展，各种高度复杂的软件系统已大量应用到航空航天、工业控制、交通运输、金融、医疗卫生等关键领域，同时，软件系统规模日益庞大，结构日益复杂，从而导致软件可靠性问题日益突出，而由软件的不可靠和失效所导致的经济、生命、军事和社会利益的巨大损失也让用户、工业界、军方和政府无法接受。因此，关键领域软件的可靠性必须得到严格保证，而软件可靠性参数估计是利用软件可靠性模型开展软件可靠性评估的关键性工作，受到研究者的高度重视。
传统上两种最常用的参数估计方法是极大似然法和最小二乘法[1]，但由于极大似然法和最小二乘法都包含了概率论和数理统计方面的特性，因此可能会破坏软件可靠性模型参数估计的约束条件。当模型较为复杂或者软件失效数据规模较为庞大时，这两种方法都无法找到参数估计的最优解，此时大多转而采用数值计算方法。而传统数值方法经常会面临不能收敛或者迭代过程过分依赖初值等问题，因此需要寻找更好的软件可靠性模型参数估计方法。
近年来，一种新的思路是将群体智能算法应用到可靠性模型的参数估计中去。群体智能算法的基本思想是用分布搜索优化空间中的点来模拟自然界中的个体，用个体的进化或觅食过程类比为随机搜索最优解的过程，用求解问题的目标函数度量个体对于环境的适应能力，根据适应能力采取优胜劣汰的选择机制类比为用好的可行解代替差的可行解，将整个群体逐步向最优解靠近的过程类比为迭代的随机搜索过程。群体智能的最大特点是不依赖于问题本身的严格数学性质，不要求建立关于问题本身的精确数学描述模型，可解决传统方法难以或者不能解决的问题。
1.2 粒子群算法的发展历史及由来
粒子群算法就是因为这个方法的方便，具体应用起来的非常的简单。而且它还没有梯度信息。这个算法的参数也比较少等特点。对于解决优化问题有着非常好的作用。特别是连续和离散优化问题。也正是因为这种算法有自带的编码特点，对于处理实际优化问题有着很好的效果。粒子群算法的提出，让更多的人们开始了解和熟悉这种算法。算法的优点让其在学术界也得到了重视。并且一度成为研究热门。对于算法研究的理论性方面，有一些专家和学者对算法的收敛性进行了探讨和改进，更多的专家和教授则是把研究重点放在了算法性能的改进方面。对于算法结构的改进也下了很大的功夫，包括一些参数的分析，拓扑结构，粒子多样性的保持，算法融合还有性能比较等等。在数据分类、数据聚类、模式的识别、电信管理、生物系统建模、流程的规划、信号的处理分类、机器人控制等各个方面都体现出了粒子群算法的优点，证明了粒子群算法的良好的应用前景。国内目前也有越来越多的学者去关注粒子群算法的应用，并且将其用于非线性规划，同步发电机的识别辨识等方面，可以说粒子群算法已经成为一个全球化、实用性强的算法首选。
粒子群算法提出的根本依据就是对于我们所处的社会模型的一个简易的模拟。自然界中大部分的生命体都存在一定的群体行为，研究自然界生命体行为是人工生命的主要探索方面之一，这样就可以在电脑上进行模型的模拟了。通常的群体行为可以分为几个比较简单的规则进行建模，比如蚁群和燕群等等。经过很多的实验可以发现，这些群体中对于单个个体的行动规则是非常简单的。可是这些有着简单行为规则的个体构成的群体行为就会累积。从而变得更加复杂。
有许多专家对于群体行为做出了重点研究[2]，并且在计算机上进行了仿真和模拟。Reynolds和Heppner这两位动物学家在1987和1990年就发表了对群体行动的研究。他们主要是研究了鸟群的活动规律，并写出论文。他们发现，有众多鸟组成的鸟群它们的活动规律更明显。它们组成的群体在飞翔的过程中可以改变飞翔的方向，并且能够分散飞行和重新回到群体聚集飞行等。那么一定有某种因素去决定这种有规律的行为。开始的时候这两位学者把研究的核心归结于单个鸟个体与彼此之间的位置问题。也就是鸟群中的鸟个体彼此之间保持的最优距离。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/1031.html
