CN112463201A - 基于系统聚类和灰色关联分析的软件维护成本优化方法 - Google Patents
基于系统聚类和灰色关联分析的软件维护成本优化方法 Download PDFInfo
- Publication number
- CN112463201A CN112463201A CN202011476634.6A CN202011476634A CN112463201A CN 112463201 A CN112463201 A CN 112463201A CN 202011476634 A CN202011476634 A CN 202011476634A CN 112463201 A CN112463201 A CN 112463201A
- Authority
- CN
- China
- Prior art keywords
- period
- maintenance
- maintenance period
- historical
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及软件维护技术领域，本发明旨在解决现有的软件的维护成本高的问题，提出一种基于系统聚类和灰色关联分析的软件维护成本优化方法，包括：分别获取多个预设周期内各影响因素对应的历史维护成本；基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期；分别对所述高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；根据所述灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素，根据所述核心影响因素在对应的维护期内进行维护优化。本发明降低了软件维护成本。
Description
技术领域
本发明涉及软件维护技术领域，具体来说涉及一种软件维护成本的优化方法。
背景技术
软件维护是指软件供应商将软件交付用户使用之后，为了保证软件产品能够在后续一段时间内安全稳定运行或者用户需求变更而对其进行修改的过程，通过维护修改软件缺陷，提高软件性能或其它属性，使软件产品适应用户环境，延长软件生命周期。
目前常用的软件维护方法通常从软件设计角度出发，尽可能的考虑到软件可能在日后的使用中可能会出现的问题，进而优化软件整体结构。但是，传统优化软件维护成本方案从软件设计出发的存在局限的缺点，这是因为软件在交付用户使用前很难将软件一次就设计得非常完美，并且用户的需求如果变更很可能与原本设计的软件结构有冲突，此外，开发时花费过大的精力设计软件维护方案也会增加开发成本。
发明内容
本发明旨在解决现有的软件的维护成本高的问题，提出一种基于系统聚类和灰色关联分析的软件维护成本优化方法。
本发明解决上述技术问题所采用的技术方案是：基于系统聚类和灰色关联分析的软件维护成本优化方法，包括以下步骤：
步骤1、分别获取多个预设周期内各影响因素对应的历史维护成本，所述影响因素为对软件维护成本产生影响的因素；
步骤2、基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期，分别得到高频维护期和稳定维护期内多个预设周期内各影响因素对应的历史维护成本；
步骤3、分别对所述高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；
步骤4、根据所述灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素，根据所述核心影响因素在对应的维护期内进行维护成本优化。
进一步的，步骤2中，所述分别对高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理包括：
分别对高频维护期和稳定维护期内各预设周期内各影响因素对应的历史维护成本进行序列均值化处理；
分别对高频维护期和稳定维护期内各预设周期内所有影响因素对应的历史维护成本之和进行序列均值化处理。
进一步的，所述分别对高频维护期和稳定维护期内各预设周期内各影响因素对应的历史维护成本进行序列均值化处理的公式为：
式中，yi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本的序列均值化处理结果，xi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本，
表示对应维护期内第i个影响因素下各预设周期对应的历史维护成本的平均值。
进一步的，所述分别对高频维护期和稳定维护期内各预设周期内所有影响因素对应的历史维护成本之和进行序列均值化处理的公式为：
式中，y(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和的序列均值化处理结果，x(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和，
表示对应维护期内各预设周期对应的历史维护成本之和的平均值。
进一步的，所述分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度的方法包括：
分别计算高频维护期和稳定维护期内各预设周期内各影响因素对应的灰色关联系数；
根据所述灰色关联系数分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度。
进一步的，所述灰色关联系数的计算公式为：
式中，ξi(k)表示第k个预设周期内第i个影响因素对应的灰色关联系数，ρ表示分辨系数，0＜ρ＜1，
表示两级最小差，其确定方法包括：
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周期内各影响因素对应的历史维护成本的最小绝对差值，确定对应维护周期内具有最小的最小绝对差值的预设周期，并将其对应的最小绝对差值作为两级最小差；
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周期内各影响因素对应的历史维护成本的最大绝对差值，确定对应维护周期内具有最大的最大绝对差值的预设周期，并将其对应的最大绝对差值作为两级最大差。
进一步的，所述分辨系数ρ为0.5。
进一步的，所述根据灰色关联系数分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度的方法包括：
分别计算高频维护期和稳定维护期内，同一影响因素下各预设周期对应的灰色关联系数的平均值，将其作为对应维护期内该影响因素的灰色关联度。
进一步的，步骤4中，所述根据灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素的方法包括：
分别确定高频维护期和稳定维护期内各影响因素对应的灰色关联度占比，选取所述灰色关联度占比大于预设值的影响因素作为对应维护期内的核心影响因素。
进一步的，所述影响因素至少包括：设计不合理、代码编写错误、测试不充分、设备不合格、使用不规范和客户需求变更。
本发明的有益效果是：本发明所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，通过系统聚类以及灰色关联分析的方法分析软件维护成本的影响因素，从开发方因素与用户方因素中找出影响程度较大的核心影响因素，并据此有针对性的改进软件维护成本方案，进而降低软件的维护成本。
附图说明
图1为本发明实施例所述的基于系统聚类和灰色关联分析的软件维护成本优化方法的一种流程示意图；
图2为本发明实施例所述的基于系统聚类和灰色关联分析的软件维护成本优化方法的另一种流程示意图。
具体实施方式
下面将结合附图对本发明的实施方式进行详细描述。
本发明旨在解决现有的软件存在维护成本高的问题，提出一种基于系统聚类和灰色关联分析的软件维护成本优化方法，其主要的技术构思为：分别获取多个预设周期内各影响因素对应的历史维护成本，所述影响因素为对软件维护成本产生影响的因素；基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期，分别得到高频维护期和稳定维护期内多个预设周期内各影响因素对应的历史维护成本；分别对所述高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；根据所述灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素，根据所述核心影响因素在对应的维护期内进行维护成本优化。
首先，需要收集历史维护成本，主要包括多个预设周期内各影响因素对应的历史维护成本，即预设周期和影响因素与历史维护成本的对应关系，其中，影响因素是指对软件维护成本产生影响的多种因素；然后，基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期，即高频维护期和稳定维护期内分别包含多个预设周期内各影响因素对应的历史维护成本；再然后，对得到的划分后的数据进行处理，并分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；最后，根据得到的灰色关联度从多个影响因素中分别确定出高频维护期和稳定维护期对应的核心影响因素，在后续的维护成本优化时厂商可以从核心影响因素入手来降低软件的维护成本。
实施例
本实施例所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，如图1和图2所示，包括以下步骤：
步骤S1、分别获取多个预设周期内各影响因素对应的历史维护成本，所述影响因素为对软件维护成本产生影响的因素；
本实施例中，对软件维护成本产生影响的因素可以为：设计不合理、代码编写错误、测试不充分、设备不合格、使用不规范和客户需求变更，预设周期可以为1个月。
下面以某软件公司的某软件产品为例，其多个预设周期内各影响因素对应的历史维护成本数据如表一所示：
| 时间 | U | U1 | U2 | U3 | U4 | U5 | U6 |
| 第1个月 | 1219.23 | 839.94 | 72.77 | 175.96 | 66.30 | 43.44 | 20.82 |
| 第2个月 | 3292.19 | 1750.01 | 224.13 | 548.00 | 260.71 | 239.03 | 270.31 |
| 第3个月 | 4538.44 | 2216.15 | 380.18 | 557.02 | 413.54 | 482.24 | 489.31 |
| 第4个月 | 5216.33 | 2538.99 | 410.96 | 674.44 | 474.28 | 535.88 | 581.78 |
上表中，U1表示设计不合理，U2表示代码编写错误，U3表示测试不充分，U4表示设备不合格，U5表示使用不规范，U6表示客户需求变更，U表示对应周期内所有影响因素对应的维护成本之和，其中，维护成本的单位为元。
步骤S2、基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期，分别得到高频维护期和稳定维护期内多个预设周期内各影响因素对应的历史维护成本；
使用系统聚类的方法将软件维护时间分为高频率维护期和稳定维护期，本实施例中第1、2月为高频率维护期，第3、4月为稳定维护期。
其中，高频维护期内多个预设周期内各影响因素对应的历史维护成本如表二所示：
| 时间 | U | U1 | U2 | U3 | U4 | U5 | U6 |
| 第1个月 | 1219.23 | 839.94 | 72.77 | 175.96 | 66.30 | 43.44 | 20.82 |
| 第2个月 | 3292.19 | 1750.01 | 224.13 | 548.00 | 260.71 | 239.03 | 270.31 |
稳定维护期内多个预设周期内各影响因素对应的历史维护成本如表三所示：
| 时间 | U | U1 | U2 | U3 | U4 | U5 | U6 |
| 第3个月 | 4538.44 | 2216.15 | 380.18 | 557.02 | 413.54 | 482.24 | 489.31 |
| 第4个月 | 5216.33 | 2538.99 | 410.96 | 674.44 | 474.28 | 535.88 | 581.78 |
步骤S3、分别对所述高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；
本实施例中，分别对高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理包括：
步骤S31、分别对高频维护期和稳定维护期内各预设周期内各影响因素对应的历史维护成本进行序列均值化处理，其序列均值化处理的公式为：
式中，yi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本的序列均值化处理结果，xi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本，
表示对应维护期内各预设周期对应的第i个影响因素的历史维护成本的平均值。
例如，参照表二，对于高频维护期而言，其影响因素U1下各预设周期对应的的历史维护成本的平均值为：(839.94+1750.01)/2＝1294.975，则第一个月内影响因素U1对应的序列均值化处理结果为839.94/1294.975≈0.65；依次推类即可计算得到高频维护期内各预设周期内各影响因素对应的历史维护成本的序列均值化处理结果；稳定维护期与高维护期同理。
步骤S32、分别对高频维护期和稳定维护期内各预设周期内所有影响因素对应的历史维护成本之和进行序列均值化处理，其序列均值化处理的公式为：
式中，y(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和的序列均值化处理结果，x(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和，
表示对应维护期内各预设周期对应的历史维护成本之和的平均值。
例如，参照表二，对于高频维护期而言，其各预设周期对应的历史维护成本之和的平均值为：(1219.23+3292.19)/2＝2255.71，则第一个月内所有影响因素对应的历史维护成本之和对应的序列均值化处理结果为1219.23/2255.71≈0.54；依次推类即可计算得到高频维护期内各预设周期内所有影响因素对应的历史维护成本之和的序列均值化处理结果；稳定维护期与高频维护期同理。
根据上述步骤S31和步骤S32对表二和表三内的数据进行序列均值化处理后得到序列均值化处理结果，其中，高频维护期对应的序列均值化处理结果如表四所示：
| 时间 | U | U1 | U2 | U3 | U4 | U5 | U6 |
| 第1个月 | 0.54 | 0.65 | 0.49 | 0.49 | 0.41 | 0.31 | 0.14 |
| 第2个月 | 1.46 | 1.35 | 1.51 | 1.51 | 1.59 | 1.69 | 1.86 |
稳定维护期对应的序列均值化处理结果如表五所示：
| 时间 | U | U1 | U2 | U3 | U4 | U5 | U6 |
| 第3个月 | 0.93 | 0.93 | 0.96 | 0.90 | 0.93 | 0.95 | 0.91 |
| 第4个月 | 1.07 | 1.07 | 1.04 | 1.10 | 1.07 | 1.05 | 1.09 |
在得到对应的序列均值化处理结果后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度，方法可以包括：
步骤S33、分别计算高频维护期和稳定维护期内各预设周期内各影响因素对应的灰色关联系数；其计算公式为：
式中，ξi(k)表示第k个预设周期内第i个影响因素对应的灰色关联系数，ρ表示分辨系数，0＜ρ＜1，
表示两级最小差，其确定方法包括：
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周期内各影响因素对应的历史维护成本的最小绝对差值，确定对应维护周期内具有最小的最小绝对差值的预设周期，并将其对应的最小绝对差值作为两级最小差；
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周内各影响因素对应的历史维护成本的最大绝对差值，确定对应维护周期内具有最大的最大绝对差值的预设周期，并将其对应的最大绝对差值作为两级最大差。
下面详细说明两级最小值和两级最大值的确定方法：
例如，参照表二，对于高频维护期而言，第一个月对应的历史维护成本之和与该预设周期内影响因素U1对应的历史维护成本的绝对差值为：|0.54-0.65|＝0.11，第一个月对应的历史维护成本之和与该预设周期内影响因素U2对应的历史维护成本的绝对差值为：|0.54-0.49|＝0.05，依次推类，分别计算出第一个月对应的历史维护成本之和与该预设周期内影响因素U1-U6对应的历史维护成本的绝对差值，确定出所有绝对差值中的最小值作为第一个月对应的最小绝对差值。同理计算出高频维护期第二个月对应的最小绝对差值，然后比较每个月对应的最小绝对差值，将最小的最小绝对差值作为两级最小差。
对于稳定维护期而言，其与高频维护期同理，此处不再赘述。
两级最大差与两级最小差同理，区别在于，两级最大差是各预设周期对应的最大绝对差值中最大的最大绝对差值。
根据步骤S33可以分别得到高频维护期第一个月内影响因素U1-U6对应的灰色关联系数和第二个月内影响因素U1-U6对应的灰色关联系数，以及稳定维护期第三个月内影响因素U1-U6对应的灰色关联系数和第四个月内影响因素U1-U6对应的灰色关联系数。
其中，分辨系数ρ作用是调整比较环境的大小，其取值要根据环境做出最优选择。在ρ≤0.5463时比较适合，本实施例优选为0.5。
步骤S34、根据所述灰色关联系数分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度。
本实施例中，计算高频维护期和稳定维护期内各影响因素对应的灰色关联度的方法可以包括：分别计算高频维护期和稳定维护期内，同一影响因素下各预设周期对应的灰色关联系数的平均值，将其作为对应维护期内该影响因素的灰色关联度。
灰色关联度描述了两个事物之间的关联程度。两数据序列曲线如果重合则关联性很强，关联系数为1，两数据序列的关联度也为1。同时因为两数据序列曲线不可能垂直，所以关联系数始终大于0。因为关联系数是两数据序列几何图形的相似程度值，所以关联系数不止一个。而多个关联系数造成了信息的分散，因此有必要将两个数据序列各个点之间的关联系数集取平均值，将这个求得的平均值作为两个数据序列之间关联程度的量化指标。
例如，对于高频维护期而言，其影响因素U1的灰色关联度为第一个月内影响因素U1对应的灰色关联系数和第二个月内影响因素U1对应的灰色关联系数的平均值，其影响因素U2的灰色关联度为第一个月内影响因素U2对应的灰色关联系数和第二个月内影响因素U2对应的灰色关联系数的平均值，依次推类，即可计算出高频维护期内各影响因素对应的灰色关联度。
对于稳定维护期而言，其与高频维护期同理，此处不再赘述。
根据表四中的数据，计算得到高频维护期内各影响因素对应的灰色关联度如表六所示：
| 影响因素 | U1 | U2 | U3 | U4 | U5 | U6 |
| 灰色关联度 | 0.8110 | 0.5648 | 0.5948 | 0.5656 | 0.5616 | 0.5601 |
| 占比 | 22.17％ | 15.44％ | 16.26％ | 15.46％ | 15.35％ | 15.31％ |
| 排序 | 1 | 4 | 2 | 3 | 5 | 6 |
根据表五中的数据，计算得到稳定维护期内各影响因素对应的灰色关联度如表七所示：
| 影响因素 | U1 | U2 | U3 | U4 | U5 | U6 |
| 灰色关联度 | 0.9651 | 0.6878 | 0.7102 | 0.6926 | 0.6993 | 0.7019 |
| 占比 | 21.65％ | 15.43％ | 15.93％ | 15.54％ | 15.69％ | 15.75％ |
| 排序 | 1 | 6 | 2 | 5 | 4 | 3 |
步骤S4、根据所述灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素，根据所述核心影响因素在对应的维护期内进行维护成本优化。
本实施例中，所述根据灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素的方法包括：分别确定高频维护期和稳定维护期内各影响因素对应的灰色关联度占比，选取所述灰色关联度占比大于预设值的影响因素作为对应维护期内的核心影响因素。
根据表六的计算结果可以看出，本软件产品的维护成本在高频维护期受影响最大的三个因素分别是U1、U3、U4，即设计不合理、测试不充分、设备不合格三个因素，在此阶段可以着重考虑从这三个方面入手降低维护成本。
根据表七的计算结果可以看出，本软件产品的维护成本在稳定维护期受影响最大的三个因素分别是U1、U3、U6，即设计不合理、测试不充分、客户需求变更三个因素，在此阶段可以着重考虑从这三个方面入手降低维护成本。
Claims (10)
1.基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，包括以下步骤：
步骤1、分别获取多个预设周期内各影响因素对应的历史维护成本，所述影响因素为对软件维护成本产生影响的因素；
步骤2、基于系统聚类方法将多个预设周期及其对应的历史维护成本划分为高频维护期和稳定维护期，分别得到高频维护期和稳定维护期内多个预设周期内各影响因素对应的历史维护成本；
步骤3、分别对所述高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理后，分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度；
步骤4、根据所述灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素，根据所述核心影响因素在对应的维护期内进行维护成本优化。
2.如权利要求1所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，步骤2中，所述分别对高频维护期和稳定维护期内各影响因素对应的历史维护成本进行处理包括：
分别对高频维护期和稳定维护期内各预设周期内各影响因素对应的历史维护成本进行序列均值化处理；
分别对高频维护期和稳定维护期内各预设周期内所有影响因素对应的历史维护成本之和进行序列均值化处理。
3.如权利要求2所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述分别对高频维护期和稳定维护期内各预设周期内各影响因素对应的历史维护成本进行序列均值化处理的公式为：
式中，yi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本的序列均值化处理结果，xi(k)表示第k个预设周期内第i个影响因素对应的历史维护成本，
表示对应维护期内第i个影响因素下各预设周期对应的历史维护成本的平均值。
4.如权利要求2所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述分别对高频维护期和稳定维护期内各预设周期内所有影响因素对应的历史维护成本之和进行序列均值化处理的公式为：
式中，y(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和的序列均值化处理结果，x(k)表示第k个预设周期内所有影响因素对应的历史维护成本之和，
表示对应维护期内各预设周期对应的历史维护成本之和的平均值。
5.如权利要求2所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度的方法包括：
分别计算高频维护期和稳定维护期内各预设周期内各影响因素对应的灰色关联系数；
根据所述灰色关联系数分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度。
6.如权利要求5所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述灰色关联系数的计算公式为：
式中，ξi(k)表示第k个预设周期内第i个影响因素对应的灰色关联系数，ρ表示分辨系数，0＜ρ＜1，
表示两级最小差，其确定方法包括：
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周期内各影响因素对应的历史维护成本的最小绝对差值，确定对应维护周期内具有最小的最小绝对差值的预设周期，并将其对应的最小绝对差值作为两级最小差；
确定各预设周期内，所有影响因素对应的历史维护成本之和与该预设周期内各影响因素对应的历史维护成本的最大绝对差值，确定对应维护周期内具有最大的最大绝对差值的预设周期，并将其对应的最大绝对差值作为两级最大差。
7.如权利要求6所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述分辨系数ρ为0.5。
8.如权利要求5所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述根据灰色关联系数分别计算高频维护期和稳定维护期内各影响因素对应的灰色关联度的方法包括：
分别计算高频维护期和稳定维护期内，同一影响因素下各预设周期对应的灰色关联系数的平均值，将其作为对应维护期内该影响因素的灰色关联度。
9.如权利要求1所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，步骤4中，所述根据灰色关联度分别确定高频维护期和稳定维护期内的核心影响因素的方法包括：
分别确定高频维护期和稳定维护期内各影响因素对应的灰色关联度占比，选取所述灰色关联度占比大于预设值的影响因素作为对应维护期内的核心影响因素。
10.如权利要求1至9任一项所述的基于系统聚类和灰色关联分析的软件维护成本优化方法，其特征在于，所述影响因素至少包括：设计不合理、代码编写错误、测试不充分、设备不合格、使用不规范和客户需求变更。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011476634.6A CN112463201A (zh) | 2020-12-14 | 2020-12-14 | 基于系统聚类和灰色关联分析的软件维护成本优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011476634.6A CN112463201A (zh) | 2020-12-14 | 2020-12-14 | 基于系统聚类和灰色关联分析的软件维护成本优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112463201A true CN112463201A (zh) | 2021-03-09 |
Family
ID=74804292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011476634.6A Pending CN112463201A (zh) | 2020-12-14 | 2020-12-14 | 基于系统聚类和灰色关联分析的软件维护成本优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112463201A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688224A (zh) * | 2021-10-26 | 2021-11-23 | 成都飞机工业（集团）有限责任公司 | 一种基于灰色关联的复杂装备交付问题的自适应处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120110489A1 (en) * | 2010-10-29 | 2012-05-03 | Rockwell Automation Technologies, Inc. | Dynamic loading of device feature specific graphical user interface presentations |
| CN106528151A (zh) * | 2016-10-28 | 2017-03-22 | 美的智慧家居科技有限公司 | 软件开发工具包管理方法及装置 |
| CN107528735A (zh) * | 2017-09-01 | 2017-12-29 | 苏州云联智慧信息技术应用有限公司 | 基于空间分析的大数据分析平台 |
| CN108427744A (zh) * | 2018-03-07 | 2018-08-21 | 鞍钢集团矿业有限公司 | 一种基于信息运维的智能数据关联关系确定方法 |
| CN108647843A (zh) * | 2018-03-09 | 2018-10-12 | 国网浙江省电力有限公司 | 一种基于灰色关联分析的区域行业用电影响因素判断方法 |
-
2020
- 2020-12-14 CN CN202011476634.6A patent/CN112463201A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120110489A1 (en) * | 2010-10-29 | 2012-05-03 | Rockwell Automation Technologies, Inc. | Dynamic loading of device feature specific graphical user interface presentations |
| CN106528151A (zh) * | 2016-10-28 | 2017-03-22 | 美的智慧家居科技有限公司 | 软件开发工具包管理方法及装置 |
| CN107528735A (zh) * | 2017-09-01 | 2017-12-29 | 苏州云联智慧信息技术应用有限公司 | 基于空间分析的大数据分析平台 |
| CN108427744A (zh) * | 2018-03-07 | 2018-08-21 | 鞍钢集团矿业有限公司 | 一种基于信息运维的智能数据关联关系确定方法 |
| CN108647843A (zh) * | 2018-03-09 | 2018-10-12 | 国网浙江省电力有限公司 | 一种基于灰色关联分析的区域行业用电影响因素判断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 沈旭等: "软件维护成本影响因素灰色关联分析", 《渤海大学学报（自然科学版）》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688224A (zh) * | 2021-10-26 | 2021-11-23 | 成都飞机工业（集团）有限责任公司 | 一种基于灰色关联的复杂装备交付问题的自适应处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106021545B (zh) | 用于车辆远程诊断与备件检索的方法 | |
| CN110503143B (zh) | 基于意图识别的阈值选取方法、设备、存储介质及装置 | |
| CN106951415A (zh) | 一种商户名称搜索方法和装置 | |
| CN112463201A (zh) | 基于系统聚类和灰色关联分析的软件维护成本优化方法 | |
| CN111401642A (zh) | 自动调整预测值的方法、装置、设备及存储介质 | |
| CN113076437A (zh) | 一种基于标签重分配的小样本图像分类方法及系统 | |
| CN111353529A (zh) | 一种自动确定聚类中心的混合属性数据集聚类方法 | |
| CN114358157A (zh) | 一种基于时序数据LSTM特征的K-Shape聚类方法 | |
| CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
| CN111160491B (zh) | 一种卷积神经网络中的池化方法和池化模型 | |
| CN113204642A (zh) | 文本聚类方法、装置、存储介质和电子设备 | |
| CN111798152A (zh) | 一种门店智能管理方法和装置 | |
| CN111459926A (zh) | 一种园区综合能源异常数据识别方法 | |
| CN116644339A (zh) | 一种信息归类方法及系统 | |
| CN116028873A (zh) | 一种基于支持向量机的多类服务器故障预测方法 | |
| CN112738724B (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
| CN113407700A (zh) | 一种数据查询方法、装置和设备 | |
| KR101085066B1 (ko) | 대용량 다속성 데이터집합에서 의미 있는 지식 탐사를 위한 연관 분류 방법 | |
| CN110555470B (zh) | 一种喷油器分组方法 | |
| CN114429172A (zh) | 基于变电站用户构成的负荷聚类方法、装置、设备及介质 | |
| CN113610350A (zh) | 复杂工况故障诊断方法、设备、存储介质及装置 | |
| CN111428773A (zh) | 一种基于频率改进的聚类方法 | |
| CN111428199A (zh) | 一种基于fam-svm的配电网线损的计算方法 | |
| CN113435480B (zh) | 通道顺序切换自监督提升长尾分布视觉识别能力的方法 | |
| CN117725437B (zh) | 一种基于机器学习的数据精准匹配分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210309 |
|
| RJ01 | Rejection of invention patent application after publication |