基于蚁群算法优化反向传播神经网络的软件质量预测

doi:10.11772/j.issn.1001-9081.2022101600

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (11): 3568-3573.DOI: 10.11772/j.issn.1001-9081.2022101600

• 计算机软件技术 • 上一篇

基于蚁群算法优化反向传播神经网络的软件质量预测

朱嘉豪¹^,²(), 郑巍¹^,², 杨丰玉¹^,², 樊鑫¹^,², 肖鹏¹^,²

^1.南昌航空大学软件学院，南昌 330063
^2.南昌航空大学软件测评中心，南昌 330063

收稿日期:2022-10-25 修回日期:2022-12-17 接受日期:2022-12-26 发布日期:2023-11-14 出版日期:2023-11-10
通讯作者: 朱嘉豪
作者简介:朱嘉豪（1998—），男，江西丰城人，硕士研究生，CCF会员，主要研究方向：软件可靠性、软件质量预测 zhujiahao_nchu@126.com
郑巍（1982—），男，江西萍乡人，教授，博士，CCF会员，主要研究方向：复杂网络、软件可靠性
杨丰玉（1980—），男，江西九江人，副教授，硕士，CCF会员，主要研究方向：大数据分析
樊鑫（1981—），男，湖北荆州人，副教授，硕士，CCF会员，主要研究方向：软件测试
肖鹏（1988—），男，江西吉安人，讲师，博士，CCF会员，主要研究方向：软件测试。
基金资助:
总装预研基金项目(JZX7J202202ZL002000)

Software quality prediction based on back propagation neural network optimized by ant colony optimization algorithm

Jiahao ZHU¹^,²(), Wei ZHENG¹^,², Fengyu YANG¹^,², Xin FAN¹^,², Peng XIAO¹^,²

^1.School of Software，Nanchang Hangkong University，Jiangxi Nanchang 330063，China
^2.Software Testing and Evaluation Center，Nanchang Hangkong university，Jiangxi Nanchang 330063，China

Received:2022-10-25 Revised:2022-12-17 Accepted:2022-12-26 Online:2023-11-14 Published:2023-11-10
Contact: Jiahao ZHU
About author:ZHU Jiahao， born in 1998， M.S. candidate. His research interests include software reliability， software quality prediction.
ZHENG Wei， born in 1982， Ph.D.， professor. His research interests include complex network， software reliability.
YANG Fengyu， born in 1980， M.S.， associate professor. His research interests include big data analysis.
FAN Xin， born in 1981， M.S.， associate professor. His research interests include software testing.
XIAO Peng， born in 1988， Ph.D.， lecturer. His research interests include software testing.
Supported by:
Assemble Pre-Research Foundation of China(JZX7J202202ZL002000)

摘要/Abstract

摘要：

针对基于反向传播神经网络（BPNN）的软件质量预测模型存在收敛慢、模型精度不高的问题，提出一种基于蚁群算法优化BPNN的软件质量预测（SQP-ACO-BPNN）方法。首先，选择软件质量评价指标，确立软件质量评价体系；其次，采用BPNN构建初始软件质量预测模型，并利用蚁群优化（ACO）算法确定若干网络结构、网络初始连接权值和阈值；再次，给出网络结构评价函数，选择神经网络模型的最佳结构、网络初始连接权值和阈值；最后，通过BP算法训练该网络，得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明，优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值，并且模型能够更快收敛，验证了SQP-ACO-BPNN方法的有效性。

关键词: 软件质量预测, 蚁群优化算法, 反向传播神经网络, 网络结构评价

Abstract:

Concerning the problems of slow convergence and low accuracy of software quality prediction model based on Back Propagation Neural Network （BPNN）， a Software Quality Prediction method based on BPNN optimized by Ant Colony Optimization algorithm （SQP-ACO-BPNN） was proposed. Firstly， the software quality evaluation factors were selected and a software quality evaluation system was determined. Secondly， BPNN was adopted to build initial software quality prediction model and ACO algorithm was used to determine network structures， initial connection weights and thresholds of network. Then， an evaluation function was given to select the best structure， initial connection weights and thresholds of the network. Finally， the network was trained by BP algorithm， and the final software quality prediction model was obtained. Experimental results of predicting the quality of airborne embedded software show that the accuracy， precision， recall and F1 value of the optimized BPNN model are all improved with faster convergence， which indicates the validity of SQP-ACO-BPNN.

Key words: software quality prediction, Ant Colony Optimization (ACO) algorithm, Back Propagation Neural Network (BPNN), network structure evaluation

中图分类号:

TP311.5

朱嘉豪, 郑巍, 杨丰玉, 樊鑫, 肖鹏. 基于蚁群算法优化反向传播神经网络的软件质量预测[J]. 计算机应用, 2023, 43(11): 3568-3573.

Jiahao ZHU, Wei ZHENG, Fengyu YANG, Xin FAN, Peng XIAO. Software quality prediction based on back propagation neural network optimized by ant colony optimization algorithm[J]. Journal of Computer Applications, 2023, 43(11): 3568-3573.

图/表 11

参考文献 19

1	RODRIGUEZ M， PIATTINI M， EBERT C. Software verification and validation technologies and tools［J］. IEEE Software， 2019， 36（2）： 13-24. 10.1109/ms.2018.2883354
2	KLOTINS E， UNTERKALMSTEINER M， GORSCHEK T. Software engineering antipatterns in start-ups［J］. IEEE Software， 2018， 36（2）： 118-126. 10.1109/ms.2018.227105530
3	RAJAPAKSHA D， TANTITHAMTHAVORN C， JIARPAKDEE J， et al. SQAPlanner： Generating data-informed software quality improvement plans［J］. IEEE Transactions on Software Engineering， 2021， 48（8）： 2814-2835. 10.1109/tse.2021.3070559
4	BOGNER J， FRITZSCH J， WAGNER S， et al. Microservices in industry： insights into technologies， characteristics， and software quality［C］// Proceedings of the 2019 IEEE International Conference on Software Architecture Companion. Piscataway： IEEE， 2019： 187-195. 10.1109/icsa-c.2019.00041
5	LIU Y， KHOSHGOFTAAR T M， SELIYA N. Evolutionary optimization of software quality modeling with multiple repositories［J］. IEEE Transactions on Software Engineering， 2010， 36（6）： 852-864. 10.1109/tse.2010.51
6	ZHOU Z Q， XIANG S， CHEN T Y. Metamorphic testing for software quality assessment： a study of search engines［J］. IEEE Transactions on Software Engineering， 2015， 42（3）： 264-284. 10.1109/tse.2015.2478001
7	AZUMA M. Software products evaluation system： quality models， metrics and processes — International Standards and Japanese practice［J］. Information and Software Technology， 1996， 38（3）： 145-154. 10.1016/0950-5849(95)01069-6
8	McCULLOCH W S， PITTS W. A logical calculus of the ideas immanent in nervous activity［J］. The Bulletin of Mathematical Biophysics， 1943， 5（4）： 115-133. 10.1007/bf02478259
9	KARUNANITHI N， WHITLEY D， MALAIYA Y K. Using neural networks in reliability prediction［J］. IEEE Software， 1992， 9（4）： 53-59. 10.1109/52.143107
10	SITTE R. Comparison of software-reliability-growth predictions： neural networks vs parametric-recalibration［J］. IEEE Transactions on Reliability， 1999， 48（3）： 285-291. 10.1109/24.799900
11	SU Y S， HUANG C Y. Neural-network-based approaches for software reliability estimation using dynamic weighted combinational models［J］. Journal of Systems and Software， 2007， 80（4）： 606-615. 10.1016/j.jss.2006.06.017
12	宫丽娜，马怀志.粒子群算法优化的BP网络预测软件质量［J］.计算机工程与应用，2014，50（23）：65-68. 10.3778/j.issn.1002-8331.1301-0180
	GONG L N， MA H Z. Software quality prediction of BP network based on PSO ［J］. Computer Engineering and Applications， 2014，50（23）：65-68. 10.3778/j.issn.1002-8331.1301-0180
13	田川，王闯，刘灿，等.基于鸽群改进RBF网络的软件质量预测方法［J］.航空计算技术，2021，51（5）：24-28. 10.3969/j.issn.1671-654X.2021.05.006
	TIAN C， WANG C， LIU C，et al. Software quality prediction based on PIO-RBF ［J］. Aeronautical Computing Technique， 2021，51（5）：24-28. 10.3969/j.issn.1671-654X.2021.05.006
14	COLORNI A， DORIGO M， MANIEZZO V. Distributed optimization by ant colonies［C］// Proceedings of the 1st European Conference on Artificial Life. Cambridge， MA： MIT Press， 1991： 134-142.
15	LI J， LIU X， JIANG H， et al. Melt index prediction by adaptively aggregated RBF neural networks trained with novel ACO algorithm［J］. Journal of Applied Polymer Science， 2012， 125（2）： 943-951. 10.1002/app.35688
16	MAVROVOUNIOTIS M， YANG S. Training neural networks with ant colony optimization algorithms for pattern classification ［J］. Soft Computing， 2015， 19（6）： 1511-1522. 10.1007/s00500-014-1334-5
17	ABDELBAR A M， SALAMA K M. A gradient-guided ACO algorithm for neural network learning［C］// Proceedings of the 2015 IEEE Symposium Series on Computational Intelligence. Piscataway： IEEE， 2015： 1133-1140. 10.1109/ssci.2015.162
18	庞清乐，刘新允.基于蚁群神经网络的财务危机预警方法［J］.数理统计与管理，2011，30（3）：554-561.
	PANG Q L， LIU X Y. Ant colony algorithms and neural network based early-warning system for enterprise financial distress ［J］. Journal of Applied Statistics and Management， 2011， 30（3）：554-561.
19	王李进，吴保国，郑德祥.基于人工神经网络的软件质量评价［J］.计算机应用与软件，2008，25（12）：133-134，150. 10.3969/j.issn.1000-386X.2008.12.045
	WANG L J， WU B G， ZHENG D X. Software quality evaluation based on artificial neural network［J］. Computer Applications and Software， 2008， 25（12）： 133-134， 150. 10.3969/j.issn.1000-386X.2008.12.045

指标序列	指标名称	指标序列	指标名称
Index1	模块数	Index7	代码审查问题数
Index2	行数>200模块数	Index8	静态分析问题数
Index3	圈复杂度>10模块数	Index9	动态测试问题数
Index4	扇出>7模块数	Index10	首轮动态测试用例通过率
Index5	有效代码率	Index11	回归测试次数
Index6	文档审查问题数	Index12	回归测试问题总数

指标序列	指标名称	指标序列	指标名称
Index1	模块数	Index7	代码审查问题数
Index2	行数>200模块数	Index8	静态分析问题数
Index3	圈复杂度>10模块数	Index9	动态测试问题数
Index4	扇出>7模块数	Index10	首轮动态测试用例通过率
Index5	有效代码率	Index11	回归测试次数
Index6	文档审查问题数	Index12	回归测试问题总数

参数名	编码
结构参数	ST
第一隐含层神经元连接权值	h₁w₁，h₁w₂，…，h₁w₁₉₂
第一隐含层神经元阈值	h₁b₁，h₁b₂，…，h₁b₁₆
第二隐含层神经元连接权值	h₂w₁，h₂w₂，…，h₂w₅₁₂
第二隐含层神经元阈值	h₂b₁，h₂b₂，…，h₂b₃₂
第三隐含层神经元连接权值	h₃w₁，h₃w₂，…，h₂w₅₁₂
第三隐含层神经元阈值	h₃b₁，h₃b₂，…，h₃b₁₆
输出层神经元连接权值	ow₁，ow₂，…，ow₆₄
输出层神经元阈值	ob₁， ob₂，…， ob₄

参数名	编码
结构参数	ST
第一隐含层神经元连接权值	h₁w₁，h₁w₂，…，h₁w₁₉₂
第一隐含层神经元阈值	h₁b₁，h₁b₂，…，h₁b₁₆
第二隐含层神经元连接权值	h₂w₁，h₂w₂，…，h₂w₅₁₂
第二隐含层神经元阈值	h₂b₁，h₂b₂，…，h₂b₃₂
第三隐含层神经元连接权值	h₃w₁，h₃w₂，…，h₂w₅₁₂
第三隐含层神经元阈值	h₃b₁，h₃b₂，…，h₃b₁₆
输出层神经元连接权值	ow₁，ow₂，…，ow₆₄
输出层神经元阈值	ob₁， ob₂，…， ob₄

信息素挥发因子	最优路径长度	迭代次数
0.3	1.63	31
0.5	1.31	46
0.7	1.35	54
0.9	1.41	73

基于蚁群算法优化反向传播神经网络的软件质量预测

Software quality prediction based on back propagation neural network optimized by ant colony optimization algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 19

相关文章 15

编辑推荐

Metrics

信息启发式因子	期望启发式因子	最优路径长度	迭代次数
0.1	0.1	1.72	121
0.1	0.5	1.64	73
0.5	1.0	1.62	61
1.0	2.0	1.33	40
1.5	3.0	1.36	43
1.5	5.0	1.39	51

模型编号	网络层数	网络结构	CE	F
1	4	（12，15，10，4）	1.218	2.01
2	5	（12，10，16，12，4）	1.766	1.94
3	4	（12，15，12，4）	1.377	1.91
4	5	（12，12，12，10，4）	1.322	1.88
5	5	（12，10，18，8，4）	1.832	1.86
6	3	（12，16，4）	1.331	1.84
7	4	（12，10，10，4）	1.368	1.82
8	3	（12，15，4）	1.325	1.81
9	4	（12，10，8，4）	1.384	1.78
10	3	（12，14，4）	1.329	1.77

[1]	李开荣, 刘爽, 胡倩倩, 唐亦媛. 基于转角约束的改进蚁群优化算法路径规划[J]. 计算机应用, 2021, 41(9): 2560-2568.
[2]	李蒙蒙, 秦伟, 刘艺, 刁兴春. 结合头脑风暴优化的混合蚁群优化算法[J]. 计算机应用, 2021, 41(8): 2412-2417.
[3]	樊小毛, 熊红林, 赵淦森. 带约束的清洁排班问题模型及其求解[J]. 计算机应用, 2021, 41(2): 577-582.
[4]	汪虹余, 张彧, 杨恒, 穆楠. 基于蚁群优化算法的弱光图像显著性目标检测[J]. 计算机应用, 2021, 41(10): 2970-2978.
[5]	熊勇, 张加, 余嘉俊, 张本任, 梁萱卓, 朱奇舸. 船舶三维管路智能布局优化算法[J]. 计算机应用, 2020, 40(7): 2164-2170.
[6]	褚苏荣, 牛之贤, 宋春花, 牛保宁. 面向移动端的渐进网格简化算法[J]. 计算机应用, 2020, 40(3): 806-811.
[7]	许英鑫, 孙磊, 赵建成, 郭松辉. 基于蚁群优化算法的虚拟现场可编程门阵列部署策略[J]. 计算机应用, 2020, 40(3): 747-752.
[8]	韩颖, 赵萌, 陈胜勇, 王照锡. 基于最大截面特征的病变宫颈细胞核的自动筛查[J]. 计算机应用, 2019, 39(4): 1189-1195.
[9]	王庆荣, 王瑞峰. 基于改进粒子群算法的配电网重构策略[J]. 计算机应用, 2018, 38(9): 2720-2724.
[10]	陈暄, 徐见炜, 龙丹. 基于蚁群优化蛙跳算法的云计算资源调度算法[J]. 计算机应用, 2018, 38(6): 1670-1674.
[11]	陈浩广, 王银河. 基于扩展BP神经网络的一类非线性系统自适应控制设计[J]. 计算机应用, 2017, 37(6): 1670-1673.
[12]	刘巧玲, 李劲, 肖人彬. 基于参数反演的网络舆情传播趋势预测——以新浪微博为例[J]. 计算机应用, 2017, 37(5): 1419-1423.
[13]	征察, 吉立新, 李邵梅, 高超. 基于多模态信息融合的新闻图像人脸标注[J]. 计算机应用, 2017, 37(10): 3006-3011.
[14]	李世宝, 陈瑞祥, 刘建航, 陈海华, 丁淑妍, 龚琛. 基于反向传播神经网络改进的增益修改卡尔曼滤波算法[J]. 计算机应用, 2016, 36(5): 1196-1200.
[15]	邵良杉, 郭雅婵. 基于Codebook的视频火焰识别算法[J]. 计算机应用, 2015, 35(5): 1483-1487.

蚂蚁数量	最优路径长度	迭代次数
10	1.67	39
30	1.54	43
50	1.29	47
70	1.34	53
90	1.32	64

蚂蚁数量	最优路径长度	迭代次数
10	1.67	39
30	1.54	43
50	1.29	47
70	1.34	53
90	1.32	64