[发明专利]软件产品线特征选择优化方法

说明书

技术领域

本发明涉及一种软件产品线特征选择优化方法，具体涉及对从复杂的特征模型中，选取出最优产品配置问题，将特征模型转换为原子集模型并使用遗传算法快速获取满足特征之间约束关系的最优特征选择的方法，属于软件产品线工程技术领域。

背景技术

软件产品线工程(SoftwareProductLine--SPLE)是一种新型的软件开发范式。区别于独立开发单个系统，软件产品线工程将特定领域中相似的系统看作一个整体，抓住系统间的共性和可变性并通过最大化的平台复用和批量个性化定制实现产品家族开发。该方式具有低成本、高质量、缩短产品上市时间等优势。

软件产品线工程通过领域工程和应用工程两个阶段实现产品家族开发。在领域工程阶段，关键是对软件产品线的领域、共性和可变性进行分析建模，确保软件部件能够被有效地复用。特征模型(FeatureModel--FM)是一种广泛应用于领域工程阶段描述软件产品线共性和可变性特征以及特征间关系的需求模型。特征模型一般由树形结构图表示，称为特征图(FeatureDiagram，简称FD)。特征图中有且仅有一个根节点--表示一个系统。特征则由树形结构中的一般节点表示，并通过特征名称来识别。边表示父特征与子特征间的约束分解关系，包括了Mandatory、Optional、And-Group、Alternative-Group、Or-Group等关系。Mandatory:表示所有包含父特征的产品必须包含该类型的子特征；Optional:表示所有包含父特征的产品可选择包含该类型的子特征；And-Group:表示所有包含父特征的产品必须包含所有的必选(Mandatory)子特征，可选择包含可选(Optional)子特征；Alternative-Group:表示所有包含父特征的产品能且仅能包含一个子特征；Or-Group:表示所有包含父特征的产品至少包含一个子特征。跨层次特征之间的约束关系包括了Includes和Excludes等关系。Includes:表示包含特征A的产品要求该产品同时也包含特征B；Excludes:表示包含特征A的产品要求该产品不能包含特征B，反之亦然。软件产品线中某个特定产品配置是指满足约束条件的特征集；一个特征模型的产品配置集指所有产品的集合。在应用工程阶段，关键是从特征模型中派生出满足用户需求以及整体约束的特征实现最优的产品配置。

然而，产品配置是一个复杂的过程。首先，对于一个具有n个特征的特征模型来说，存在2^n个可能的特征组合。当n很大的时候，此问题被软件产品线研究者公认为NP难问题。其次，特征的选择不是任意的，需满足公司的战略、市场需求、利益相关者的约束以及特征模型的整体约束等信息；此外，基本的特征模型无法满足实际的应用。资源约束以及非功能属性的引入使得特征选择过程更加困难。手动进行产品配置是一项繁琐且容易出错的过程，如何从特征模型中选择最优的产品配置是近年来国内外研究的热点。

遗传算法(GeneticAlgorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(geneticoperators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。遗传算法流程如下：

(1)种群初始化：通过特定的编码方式(如二进制编码：10110011)生成一定规模的初始染色体集合P，开始时每个染色体都是随机生成的。

(2)计算个体适应度：群体中的每个个体根据其最优化的任务赋予一个称为适应值得的数量值。