[发明专利]一种基于QBGSA-RVR的软件可靠性预测方法

摘要

本发明适用于软件可靠性预测的技术领域，公开了一种基于QBGSA-RVR的软件可靠性预测方法，其基于量子衍生二进制引力搜索算法优化相关向量机，即QBGSA-RVR，包括如下步骤：观测并记录软件累计失效时间序列；软件失效序列数据归一化、选择核函数用于相关向量机、选择m值；参数优化；更新每个粒子位置，直至满足终止条件；得到最优核函数参数值，使用相关向量机进行预测；最后数据回放，得到下一时间段软件失效时间预测值。本发明提供的一种基于QBGSA-RVR的软件可靠性预测方法，步骤简单，QBGSA-RVR较一些广泛使用的神经网络及核函数方法预测效果更优，在小样本情况下使用QBGSA-RVR方法进行软件可靠性预测也可以保持很好的预测效果，大大提高了软件的可靠性预测效果。

主权项

一种基于QBGSA‑RVR的软件可靠性预测方法，其基于量子衍生二进制引力搜索算法优化相关向量机，即QBGSA‑RVR，其特征在于：包括如下步骤：步骤一、观测并记录软件失效时间序列数据集t₁,t₂,…,t_n，失效时间t与在它之前发生的m次失效时间之间存在映射关系，选择合适的核函数对软件失效数据进行归一化处理，归一化映射公式为将软件失效序列数据转换到(0，1)区间，得到n个软件失效序列数据，方便相关向量机进行学习、预测；步骤二、若核函数宽度值r(i)∈(Max_r,Min_r)，随机取r(0)∈(Max_r,Min_r)，使用式子将r(0)映射得到初始化混沌变量x(0)∈(0,1)，应用Logistic映射生成N个混沌变量x(i+1)，通过变换r(i+1)＝Min_r+x(i+1)·(Max_r‑Min_r)，i＝0,1,2,…，N‑1，得到N个的核函数宽度值，使用M维量子位对它们进行二进制编码，得到规模为N的初始化种群；步骤三、使用已观测到的软件失效序列数据t₁,t₂,…,t_n进行相关向量机向量回归学习，计算不同核函数宽度下的适应度，适应度函数为其中表示归一化后的软件失效时间预测值，t_i'为归一化后的软件失效时间实测值；步骤四、计算计算best(t)和worst(t)，使用式子$m_i\left(t\right)=\frac{f_i\left(t\right)-worst\left(t\right)}{best\left(t\right)-worst\left(t\right)},$$M_i\left(t\right)=\frac{m_i\left(t\right)}{{\mathrm{\Σ}}_{i=1}^N{m}_i\left(t\right)}$以及适应度函数$f_i\left(t\right)=\frac{1}{n-8}\underset{i=9}{\overset{n}{\Σ}}\left|\frac{{\hat{t}}_i^{\′}-t_i^{\′}}{t_i^{\′}}\right|$计算每个粒子i的惯性质量m_i，其中T_max为最大循环次数，M_i(t)为粒子i的引力质量；步骤五、根据公式计算每个粒子i在循环t时维数d的旋转因子Δθ_id(t)，式中其值在(θ_min,θ_max)之间单调增长，用以控制旋转角度的大小，p_kd表示粒子k在第d维上的位置，p_id表示粒子i在第d维上的位置；步骤六、进行旋转变换$\left[\begin{array}{c}{\mathrm{\α}}_{id}\left(t+1\right)\\ {\mathrm{\β}}_{id}\left(t+1\right)\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\Δ\θ}}_{id}\left(t+1\right)\right)& -\sin \left({\mathrm{\Δ\θ}}_{id}\left(t+1\right)\right)\\ \sin \left({\mathrm{\Δ\θ}}_{id}\left(t+1\right)\right)& \cos \left({\mathrm{\Δ\θ}}_{id}\left(t+1\right)\right)\end{array}\right]\×\left[\begin{array}{c}{\mathrm{\α}}_{id}\left(t\right)\\ {\mathrm{\β}}_{id}\left(t\right)\end{array}\right],$通过式子更新每个粒子位置上的值，其中rand(0,1)表示(0,1)之间的随机数；步骤七、判断是否满足终止条件，若不满足，则回转至步骤三，若满足，则得到最优核函数参数值；步骤八、使用最优核函数参数情况下的相关向量机对下一时间段的归一化软件失效时间进行预测，预测完成后使用映射将数据回放即可得到真实预测值。