CN112988564B - 一种考虑成本-可靠性的srgm决策模型及其构建方法 - Google Patents
一种考虑成本-可靠性的srgm决策模型及其构建方法 Download PDFInfo
- Publication number
- CN112988564B CN112988564B CN202110090904.8A CN202110090904A CN112988564B CN 112988564 B CN112988564 B CN 112988564B CN 202110090904 A CN202110090904 A CN 202110090904A CN 112988564 B CN112988564 B CN 112988564B
- Authority
- CN
- China
- Prior art keywords
- srgm
- fitting
- evaluation
- model
- value
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明属于计算机软件技术领域,公开了一种考虑成本‑可靠性的SRGM决策模型及其构建方法,所述考虑成本‑可靠性的SRGM决策模型的构建方法包括:问题的形式化描述;拟合与预测结果标准化处理:设定SRGM性能评测合计共有M+N+1个标准;SRGM评价体系结构树构建;基于TOPSIS的SRGM决策算法构建:构建考虑成本‑可靠性的SRGM评价与选择算法SESABCRC。本发明结合已有决策评估数据的拟合信息,充分考虑模型拟合与预测信息的RE值。实验结果和分析表明,本发明的模型和算法可以较好地进行SRGM的性能评价与选择,为对涵盖测试资源与成本管控和最优发布时间抉择等在内的软件开发活动提供重要决策支持。
Description
技术领域
本发明属于计算机软件技术领域,尤其涉及一种考虑成本-可靠性的SRGM决策模型及其构建方法。
背景技术
目前,软件可靠性增长模型SRGM(Software Reliability and Growth Model)是软件测试阶段用于建模和预测可靠性提高过程的重要数学工具。准确建模软件可靠性并且预测其可能的趋势对于确定整个产品的可靠性至关重要。对SRGM的描述主要是通过建立描述测试过程的数学模型,获得累积检测的实效数量表达式m(t)来实施的。仅从描述SRGM的m(t)来研究是从可靠性的角度来实施,同时也需要考虑到测试成本,即需要考虑到测试工作量TE(Testing Effort),其与成本紧密相关。TE描述了测试资源的消耗,可由测试工作量函数TEF(Testing Effort Function)来描述。软件发布不仅要考虑到可靠性要求,成本因素也至关重要,即软件发布必须综合考虑“成本-可靠性”综合标准。因此,考虑TE到SRGM中已成为SRGM研究的重要分支,并取得了一系列的成果。
自二十世纪七十年代末的G-O模型算起,SRGM研究已跨越两个世纪,已有近四十年的研究历史,几百种模型被提出。这些成果丰富了研究的内涵,但同时也为评价与选择SRGM带来困难。当前主要从拟合与预测角度对SRGM的性能进行评价,即m(t)与真实历史失效数据的拟合情况,以及对未来失效的预测情况。例如,在对模型与历史数据的拟合评价上,MSE,Variation,MEOP,TS,RMS-PE,BMMRE和R-square常被用来作为度量的选择,其中除R-square标准以接近于1为优,其余标准数值越小表明拟合效果越好;RE被作为模型对未来数据预测的评价标准,RE越趋紧于0表明预测效果越好。但事实上,在不同的数据集上,尚难以找到一个在上述拟合与预测标准上均表现优秀的模型,此外,直观单一地从这些数值的高低来判别模型间的性能优劣是较为困难和非定量的。
显然,如何选择和评价模型的性能,进行更为客观和科学的决策成为SRGM研究的一个重要研究方面,当前已取得一些进展。Sharma K基于欧几里得(Euclidean)距离进行SRGM的最优选择,通过计算模型与理想解之间的最短距离来确定最优者,但缺少对TE和更多评测性能标准,尤其是预测RE标准的考虑。现有技术从决策软件发布角度提出了在工程实际中选择SRGM的方法,其通过评价模型预测软件中剩余故障的准确性来进行SRGM的选择标准。另外,还有现有技术从MSE拟合标准和自定义的预测指标(相对平衡RE)对SRGM进行评价,并给出了具体的SRGM选择执行流程。Lakshmanan提出了一种基于前馈神经网络(Feed-Forward Neural Network,FFNN)的方法,通过测量每种模型的拟合优度来选择SRGM,但在对成本损耗和模型预测性能的描述都有所欠缺。
这些研究工作从不同角度实施,推动了SRGM选择与决策研究的发展,当前研究中存有如下不足:
(1)针对现有的SRGM模型,在进行比较时,往往只考虑到少数几个评判准则,比如MSE,R-Square等,同时也忽略掉了预测标准RE在模型选择中的重要地位,所以很可能会导致选择出与工程软件不符合的模型;
(2)在拟合与预测标准上,不同的评价标准对模型性能度量程度是不同的,应予以考虑其权重;
(3)针对一些现有的SRGM模型,它们提出的时间比较早,设计之初考虑实际因素并不充分,因此只将失效数据信息等作为建模条件,没有考虑TE在建模中所占比重,从而导致一些SRGM模型对项目工程的评估与实际相差悬殊。
综上所述,亟需一种新的考虑成本-可靠性的SRGM决策模型及其构建方法,以解决现有技术中存在的问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有的SRGM模型,在进行比较时,往往只考虑到少数几个评判准则,比如MSE,R-Square等,同时也忽略掉了预测标准RE在模型选择中的重要地位,所以很可能会导致选择出与工程软件不符合的模型。
(2)在拟合与预测标准上,不同的评价标准对模型性能度量程度是不同的,应予以考虑其权重;同时,当前软件成本模型与最优发布研究中,没有充分考虑测试阶段实际排错情况。
(3)现有的SRGM模型,它们提出的时间比较早,设计之初考虑实际因素并不充分,因此只将失效数据信息等作为建模条件,没有考虑TE在建模中所占比重,从而导致一些SRGM模型对项目工程的评估与实际相差悬殊。
解决以上问题及缺陷的难度为:
本发明在推动解决复杂测试与应用环境下的可靠性模型评价与决策上提供了一种综合的创新办法,将多种真实因素进行了考虑,攻克了模型评价中经常遇到却尚未解决的多个问题,在解决实际问题的难度上较高,成为突破此类问题的一个重要探索。
解决以上问题及缺陷的意义为:
本发明为SRGM在应用上的“最后一公里”即模型选择提供了一种定量的方法,为度量不同模型之间的综合性能带来可借鉴的方法,特别是在工程开发中,如何在众多的模型中遴选和决策出符合实际的模型带来重要参考,具有较强的现实意义。
发明内容
针对现有技术存在的问题,本发明提供了一种考虑成本-可靠性的SRGM决策模型及其构建方法。
本发明是这样实现的,一种考虑成本-可靠性的SRGM决策模型的构建方法,所述考虑成本-可靠性的SRGM决策模型的构建方法包括以下步骤:
步骤一,问题的形式化描述:在众多SRGMs中选择具有优秀性能的模型或进行排序,抽象为多属性决策问题;
步骤二,拟合与预测结果标准化处理:设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准;
步骤三,SRGM评价体系结构树构建:考虑TE的SRGM在进行评测时,先对TE进行拟合与预测性能评测,进而再对SRGM进行评测;
步骤四,基于TOPSIS的SRGM决策算法构建:构建考虑成本-可靠性的SRGM评价与选择算法SESABCRC。
进一步,步骤一中,所述问题的形式化描述,包括:
在众多SRGMs中选择具有优秀性能的模型或进行排序,可被抽象为多属性决策问题,如下所示K个SRGMs在指定数据集DS上的拟合与预测结果值排列成多属性决策矩阵MADM(Multiple Attribute Decision Matrix)形式:
其中,fvi,j表示SRGMi在L-1个拟合指标上的拟合结果值,pvi,L表示SRGMi在1个预测指标上的预测结果值,1≤i≤K,1≤j≤L-1。SRGMi对应决策方案;拟合与预测指标:MSE,MEOP,Variation,RMS-PE,TS,BMMRE和RE对应决策属性;拟合与预测指标结果值对应方案的属性取值。
进一步,步骤一中,所述问题的形式化描述,还包括:
(1)设FP1,FP2,…,FPK表示待决策的K个模型,即可以是SRGM也可以是TE。对模型在O个失效数据集FDS(Failure Data Set)的评测包括拟合与预测两个方面,拟合指标包括L-1个,预测指标包括1个RE。第i个模型在第j个FDS上的拟合与预测结果向量可表示为:FPi,j=[fvi,1,fvi,2...fvi,L-1,pvi,L],1≤i≤K,1≤j≤O,其中fvi,n表示第i个模型在第n个拟合指标上的结果值,其中1≤n≤L-1,pvi,L表示相应的预测结果值。
(2)设FDS集合为DSSet,DSSet={FDSi|1≤i≤O},其中FDSi可用如下四元组进行描述,即<TYPE,TIME,FAILURE_NUM,TE_VALUE>,其中TYPE表示数据集类型,包括含有TE和不含有TE两类;TIME表示失效个数记录时间,可用CPU时间、日历时间等来记录,多以周为单位;与TIME相对应的失效个数用FAILURE_NUM表示,通常其呈现递增趋势;TE_VALUE表示TE消耗记录值。
(3)设拟合与预测权重设置分别为Wfit,Wpre,满足:Wfit+Wpre=1。其中Wfit又包括两大类型的拟合标准,即有M个关键标准:CC={pi|1≤i≤M},N个非关键标准:NCC={pj|1≤j≤N},满足:M+N=L﹣1。显然,关键评价指标的权重要高于非关键指标的权重,即满足/>拟合与预测权重向量W可表示:W=[Wfit,wcc1,...,wcci...wccM,wnc1,...,wncj,wncN,Wpre],1≤i≤M,1≤j≤N。
这样,涵盖所有标准在内的权重满足下面的归一化关系:
进一步,步骤二中,所述拟合与预测结果的标准化处理,包括:
在拟合标准中,除R-Square指标越接近于1表示模型性能越好外,其余指标数值越小越好。与仅有1个预测的RE标准不同,在拟合标准中,存在多个标准,这其中有一部分较为广泛使用。为此,本发明设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准。这样,可以得到K个SRGMs的初始评测矩阵DM如(3)所示:
其中,每行共计M+N+1个元素,前M个元素fvi,j,1≤i≤K,1≤j≤M为模型的关键拟合标准值,最后一个元素pvi,M+N+1,1≤i≤K为预测标准值,中间的N个元素fvi,j,1≤i≤K,M+1≤j≤M+N为非关键拟合标准值。
采用转换规则将原始的拟合与预测结果转换为[0,1]之间的单位正向增长性标准化数据,得到统一的正向性结果,针对不同的拟合标准采取式(4)的转换形式:
对于预测评价,预测标准RE曲线越快速地接近于0标准水平线表明模型的预测性能越好。对定性曲线结果的定量化,DM中最后一列的RE预测值pvi,M+N+1,1≤i≤K可以根据实际取表1中的数值,进而可以得到预测结果的数值化描述:
至此,已将DM中所有元素进行规范化为正向性越大效果越好式样。
采用下式进行标准化转换:
这样,得到了标准化的SDM=[vi,j]K×(M+N+1)。
至此,将公式(2)中权重向量代入SDM中,可得到带有权重的标准化评测矩阵WSDM:
TE-WSDM和SRGM-WSDM分别是对TE和SRGM在拟合与预测标准上的评价矩阵,矩阵中所有元素已进行了数据预处理,得到归一化的无量纲数据。
进一步,步骤三中,所述SRGM评价体系结构树的构建,包括:
对于考虑TE的SRGM在进行评测时,应该先对TE进行拟合与预测性能评测,进而再对SRGM进行评测,考虑到先后次序,将决策问题抽象为树形结构。
所述SRGM评价体系结构树中,最顶层根节点表示该树用以实现对SRGM进行评估,第二层节点表示不同的SRGM,可以分为两类,即不考虑TE的SRGM和考虑TE的SRGM,树的每个分支的最底层分别表示多个拟合标准节点和一个预测节点。所述SRGM评价体系结构树中,SRGMK表示不考虑TE的SRGM节点,SRGM1表示考虑TE的SRGM节点。易见,对SRGM1的评估只需对图①中拟合与预测进行评估;相比之下,对SRGMK包含则需要先后通过对图中②部分与③部分的综合评估来实现。
所述SRGM评价体系结构树中,叶子节点可由一个五元组来表示,即<TYPE,ID,FAID,FIT_INFO,PRE_INFO>,其中,
(1)TYPE表示TE或SRGM;
(2)ID是该节点的唯一编号;
(3)若节点的TYPE为TE类型,则其存在父节点SRGM,此时用FAID表示父节点,否则为空;
(4)FIT_INFO是与TYPE相对应的拟合节点,可用一个二元组来描述,即<CRITERIA,FIT_VALUE>,CRITERIA表示拟合标准,可为MSE,MEOP,Variation,RMS-PE,R-square,TS和BMMRE之一,FIT_VALUE是CRITERIA的标准值;
(5)PRE_INFO是与TYPE相对应的预测节点,可用一个二元组来描述,即<RE,PRE_VALUE>,RE表示预测标准,PRE_VALUE是相应的预测结果值。
对于所述SRGM评价体系结构树中的中间“TE评估”节点和SRGM节点,采用一个三元组来表示<TYPE,FIT_VALUE,PRE_VALUE>,其分别表示TE或SRGM,以及拟合标准值和预测标准值。从统一性的角度考虑,若上述三元组<TYPE,FIT_INFO,PRE_INFO>中FIT_INFO的<CRITERIA,FIT_VALUE>中CRITERIA为FIT时,表示中间节点。例如<TE,FIT,0.78,RE,0.65>表示所述SRGM评价体系结构树中某TE节点的拟合值是0.78,预测值是0.65。
此外,上述拟合标准值都是(0,1)内无量纲数值;对于预测值,可由RE预测曲线采用合适的算法策略获得,在此从略。
进一步,步骤四中,所述基于TOPSIS的SRGM决策算法的构建,包括:
SESABCRC算法由底部的TE向上逐层找到SRGM父节点,分别计算TE和SRGM的评价值,最终输出各个模型的偏序关系,算法由3个部分组成:
(1)初始化部分:对于每个失效数据集,①基于TE和SRGM在FDS上的拟合结果获得两者拟合与预测结果数据,利用公式(3)~(7)对数据进行预处理,得到TE和SRGM的加权标准化评测决策矩阵:TE-WSDM和SRGM-WSDM;②利用TE-WSDM和SRGM-WSDM构造一棵SRGM评价体系结构树。
(2)EvaluateSRGMWithTE--评价含有TE的SRGM:在每个失效数据集上,针对所构造的SRGM评价体系结构树,从每个子树开始进行如下操作:①如果是TE节点,则首先利用CaculateEvaValue()函数对该TE进行计算,获得评价结果;②据此TE节点找到其对应的SRGM父节点,基于父节点在SRGM-WSDM中的向量,计算其评价结果;③利用GetFinalValue()函数,对此含有TE的SRGM节点进行计算,获得最终的SRGM排序值。
(3)EvaluateSRGMNoTE--评价不含TE的SRGM:对于不含有TE的SRGM,直接利用CaculateEvaValue()和GetFinalValue()函数得到最终的SRGM排序值。
可以看出SESABCRC算法具有一定框架性,即可以根据实际情况确定两个关键评价函数CaculateEvaValue()和GetFinalValue()的具体内容。
进一步,所述函数CaculateEvaValue()和GetFinalValue(),包括:
算法中用到函数CaculateEvaValue()对TE和SRGM的评测结果进行评价,其核心主要是计算模型与特定解的距离。可以根据需要,可以采用简单的加权法、欧几里得距离等。显然,现有文献中只选择到正理想解POP最小距离的模型作为最优模型的同时,可能无法确保其到负理想解NOP的距离最大。相比之下,序数偏好方法/优劣解距离法TOPSIS则通过计算模型到POP和NOP的距离D+与D-,进而计算得到模型到理想解的接近程度H,来排序各个模型,具有更为全面的权衡性。下面给出了基于序数偏好方法TOPSIS(Technique for OrderPreference by Similarity to an Ideal Solution)实现的CaculateEvaValue()函数。
基于序数偏好方法TOPSIS的CaculateEvaValue()函数如下所示:
GetFinalValue()函数实现最终对SRGM的排序计算,包括考虑和不考虑TE的SRGM。对于前者,首先要评测TE,再评测SRGM,从考虑“成本-可靠性”的角度,要综合考虑该TE和SRGM的评测结果,以合适的方式确定最终的SRGM评测值;后者不包含TE,仅是该SRGM的拟合与预测综合评测。对于考虑TE的SRGM评测,可设置TE和SRGM的权重向量wTE和wSRGM,满足wTE+wSRGM=1,此时该模型与理解解得接近程度H可计算如下:
本发明的另一目的在于提供一种应用所述的考虑成本-可靠性的SRGM决策模型的构建方法,构建得到的考虑成本-可靠性的SRGM决策模型包括:
从拟合与预测的双重方面进行建立决策模型,并首次将刻画成本的测试工作量TE考虑进去,提出了树形分层结构的决策方法,并提出了基于序数偏好方法的评价与选择算法,这为本发明提供了较好的创新支撑。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述的考虑成本-可靠性的SRGM决策模型的构建方法。
本发明的另一目的在于提供一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行所述的考虑成本-可靠性的SRGM决策模型的构建方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的考虑成本-可靠性的SRGM决策模型,从排错的不完全性,引入新故障以及测试工作量的角度来建立不完美排错SRGM;所提出的SRGM经实际的失效数据集验证可以用来描述软件的测试过程,且优于其它模型。本发明基于所提出的SRGM,给出了相应的成本函数,其中明确考虑到了不完美排错对成本的影响。本发明还提出了当给定受限的可靠性目标要求下以及当考虑到实际成本可能超过期望成本的不确定时的最优发布策略,最后通过实验算例阐释和验证了最优发布问题,并进行了参数敏感性分析。
本发明在前期以SRGM为核心的可靠性过程研究工作的基础上,针对当前研究的不足,从“成本-可靠性”视角对考虑TE的SRGM的性能评价与决策问题进行研究。本发明的创新点如下:
(1)建立了考虑“成本-可靠性”下涵盖拟合与预测双重性能的SRGM性能评估与选择框架模型,给出了其形式化的问题描述;同时,建立了SRGM评测体系结构树,为评测包括TE在内的SRGM提供数据结构支撑;
(2)提出了考虑成本-可靠性的SRGM评价与选择算法,对于SRGM模型分两类处理,一类是建模时将TE考虑在内,另一类是没有考虑TE。这样在进行决策时也要分类处理,第一类先评价TE再评价SRGM模型,而第二类因为没有TE参与,直接评价SRGM模型即可。
考虑TE可以描述到成本,考虑更多的拟合与预测标准则是从可靠性角度出发的,因而兼顾成本-可靠性的SRGM决策显得尤为重要。本发明结合了已有决策评估数据的拟合信息,又充分考虑了模型更多的拟合与预测信息的RE值,支持拟合与预测间权重和TE与SRGM间权重的设置,基于层次结构SRGM评测体系结构树下的决策算法综合考量计算得出SRGMs间的性能偏序关系。在验证中,利用决策算法基于序数偏好方法(TPOSIS)计算模型与理想解的接近度来进行SRGM的排序。
针对SRGM的决策现状,本发明提出了涵盖成本—可靠性的SRGM性能评估与选择框架模型,建立了SRGM多属性决策体系树,并给出了相应的决策评价算法SESABCRC。特别地,本发明在评价准则中综合考虑了拟合标准与预测标准,根据专家经验设置合理的权重,用TOPSIS对考虑成本的SRGM进行排序。实验结果和分析表明,所提出的模型和算法可以较好地进行SRGM的性能评价与选择,为实际中的模型选择提供决策支持。在实际应用中,只要定义了一套完整的评价标准和备选对象SRGMs,就可以应用SESABCRC方法对多属性决策模型进行高效的评价与选择,为对涵盖测试资源与成本管控和最优发布时间抉择等在内的软件开发活动提供重要决策支持。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的考虑成本-可靠性的SRGM决策模型的构建方法流程图。
图2是本发明实施例提供的SRGM评价体系结构树示意图。
图3(a)是本发明实施例提供的模型的TEF在DS1上的RE曲线示意图。
图3(b)是本发明实施例提供的模型的TEF在DS2上的RE曲线示意图。
图4(a)是本发明实施例提供的模型的m(t)在DS1上的RE曲线示意图。
图4(b)是本发明实施例提供的模型的m(t)在DS2上的RE曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种考虑成本-可靠性的SRGM决策模型及其构建方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的考虑成本-可靠性的SRGM决策模型的构建方法包括以下步骤:
S101,问题的形式化描述:在众多SRGMs中选择具有优秀性能的模型或进行排序,抽象为多属性决策问题;
S102,拟合与预测结果的标准化处理:设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准;
S103,SRGM评价体系结构树构建:考虑TE的SRGM在进行评测时,先对TE进行拟合与预测性能评测,进而再对SRGM进行评测;
S104,基于TOPSIS的SRGM决策算法构建:构建考虑成本-可靠性的SRGM评价与选择算法SESABCRC。
本发明提供的考虑成本-可靠性的SRGM决策模型的构建方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的考虑成本-可靠性的SRGM决策模型的构建方法仅仅是一个具体实施例而已。
下面结合实施例对本发明的技术方案作进一步的描述。
1、针对当前软件成本模型与最优发布研究中,没有充分考虑测试阶段实际排错情况,提出了一种考虑成本-可靠性的SRGM评价与选择算法SESABCRC。从排错的不完全性,引入新故障以及测试工作量的角度来建立不完美排错SRGM。所提出的SRGM经实际的失效数据集验证可以用来描述软件的测试过程,且优于其它模型。基于所提出的SRGM,给出了相应的成本函数,其中明确考虑到了不完美排错对成本的影响。进一步,提出了当给定受限的可靠性目标要求下以及当考虑到实际成本可能超过期望成本的不确定时的最优发布策略。最后通过实验算例阐释和验证了最优发布问题,并进行了参数敏感性分析。
2、考虑TE的SRGM性能评估与选择框架构建
2.1问题的形式化描述
在众多SRGMs中选择具有优秀性能的模型或进行排序,可被抽象为多属性决策问题,如下所示K个SRGMs在指定数据集DS上的拟合与预测结果值排列成多属性决策矩阵MADM(Multiple Attribute Decision Matrix)形式:
其中,fvi,j表示SRGMi在L-1个拟合指标上的拟合结果值,pvi,L表示SRGMi在1个预测指标上的预测结果值,1≤i≤K,1≤j≤L-1。这样,SRGMi对应决策方案;拟合与预测指标:MSE,MEOP,Variation,RMS-PE,TS,BMMRE和RE对应决策属性;拟合与预测指标结果值对应方案的属性取值。
定义1:设FP1,FP2,…,FPK表示待决策的K个模型,即可以是SRGM也可以是TE。对模型在O个失效数据集FDS(Failure Data Set)的评测包括拟合与预测两个方面,拟合指标包括L-1个,预测指标包括1个RE。第i个模型在第j个FDS上的拟合与预测结果向量可表示为:FPi,j=[fvi,1,fvi,2...fvi,L-1,pvi,L],1≤i≤K,1≤j≤O,其中fvi,n表示第i个模型在第n个拟合指标上的结果值,其中1≤n≤L-1,pvi,L表示相应的预测结果值。
定义2:设FDS集合为DSSet,DSSet={FDSi|1≤i≤O},其中FDSi可用如下四元组进行描述,即<TYPE,TIME,FAILURE_NUM,TE_VALUE>,其中TYPE表示数据集类型,包括含有TE和不含有TE两类;TIME表示失效个数记录时间,可用CPU时间、日历时间等来记录,多以周为单位;与TIME相对应的失效个数用FAILURE_NUM表示,通常其呈现递增趋势;TE_VALUE表示TE消耗记录值。
定义3:设拟合与预测权重设置分别为Wfit,Wpre,满足:Wfit+Wpre=1。其中Wfit又包括两大类型的拟合标准,即有M个关键标准:CC={pi|1≤i≤M},N个非关键标准:NCC={pj|1≤j≤N},满足:M+N=L﹣1。显然,关键评价指标的权重要高于非关键指标的权重,即满足/>拟合与预测权重向量W可表示:W=[Wfit,wcc1,...,wcci...wccM,wnc1,...,wncj,wncN,Wpre],1≤i≤M,1≤j≤N。
这样,涵盖所有标准在内的权重满足下面的归一化关系:
2.2拟合与预测结果的标准化处理
在拟合标准中,除R-Square指标越接近于1表示模型性能越好外,其余指标数值越小越好。与仅有1个预测的RE标准不同,在拟合标准中,存在多个标准,这其中有一部分较为广泛使用。为此,本发明设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准。这样,可以得到K个SRGMs的初始评测矩阵DM如(3)所示:
其中,每行共计M+N+1个元素,前M个元素fvi,j,1≤i≤K,1≤j≤M为模型的关键拟合标准值,最后一个元素pvi,M+N+1,1≤i≤K为预测标准值,中间的N个元素fvi,j,1≤i≤K,M+1≤j≤M+N为非关键拟合标准值。
为了得到统一的正向性结果并便于后续计算,需采用转换规则将原始的拟合与预测结果转换为[0,1]之间的单位正向增长性标准化数据,针对不同的拟合标准采取式(4)的转换形式:
对于预测评价,预测标准RE曲线越快速地接近于0标准水平线表明模型的预测性能越好。与可定量比较的拟合标准不同,预测曲线主要借助观测的方式来区别各个模型的预测性能差异,具有一定的主观模糊信息。为此,对于模型的预测性能,可以给出相互之间的优劣排序,借助AHP、信息熵等不确定性方法转换为定量的性能比较值。为此,需要进行此定性曲线结果的定量化,如表1所示。
表1等级划分表
描述 | 最差 | 差 | 一般 | 好 | 最好 |
量化值 | 1 | 3 | 5 | 7 | 9 |
这样,DM中最后一列的RE预测值pvi,M+N+1,1≤i≤K可以根据实际取表1中的数值,进而可以得到预测结果的数值化描述:
至此,已将DM中所有元素进行规范化为正向性越大效果越好式样。
为便于统一比较,采用下式进行标准化转换:
这样,得到了标准化的SDM=[vi,j]K×(M+N+1)。
至此,将公式(2)中权重向量代入SDM中,可得到带有权重的标准化评测矩阵WSDM:
TE-WSDM和SRGM-WSDM分别是对TE和SRGM在拟合与预测标准上的评价矩阵,矩阵中所有元素已进行了数据预处理,得到归一化的无量纲数据。
2.3 SRGM评价体系结构树
对于考虑TE的SRGM在进行评测时,应该先对TE进行拟合与预测性能评测,进而再对SRGM进行评测,这样考虑到这种先后次序,可以将决策问题抽象为如图2所示的树形结构。
图2中最顶层根节点表示该树用以实现对SRGM进行评估,第二层节点表示不同的SRGM,可以分为两类,即不考虑TE的SRGM和考虑TE的SRGM,树的每个分支的最底层分别表示多个拟合标准节点和一个预测节点。图2中SRGMK表示不考虑TE的SRGM节点,SRGM1表示考虑TE的SRGM节点。易见,对SRGM1的评估只需对图①中拟合与预测进行评估;相比之下,对SRGMK包含则需要先后通过对图中②部分与③部分的综合评估来实现。
图2中叶子节点可由一个五元组来表示,即<TYPE,ID,FAID,FIT_INFO,PRE_INFO>,其中,
(1)TYPE表示TE或SRGM;
(2)ID是该节点的唯一编号;
(3)若节点的TYPE为TE类型,则其存在父节点SRGM,此时用FAID表示父节点,否则为空;
(4)FIT_INFO是与TYPE相对应的拟合节点,可用一个二元组来描述,即<CRITERIA,FIT_VALUE>,CRITERIA表示拟合标准,可为MSE,MEOP,Variation,RMS-PE,R-square,TS和BMMRE之一,FIT_VALUE是CRITERIA的标准值;
(5)PRE_INFO是与TYPE相对应的预测节点,可用一个二元组来描述,即<RE,PRE_VALUE>,RE表示预测标准,PRE_VALUE是相应的预测结果值。
对于图2中的中间“TE评估”节点和SRGM节点,采用一个三元组来表示<TYPE,FIT_VALUE,PRE_VALUE>,其分别表示TE或SRGM,以及拟合标准值和预测标准值。从统一性的角度考虑,若上述三元组<TYPE,FIT_INFO,PRE_INFO>中FIT_INFO的<CRITERIA,FIT_VALUE>中CRITERIA为FIT时,表示中间节点。例如<TE,FIT,0.78,RE,0.65>表示图2树中某TE节点的拟合值是0.78,预测值是0.65。
此外,上述拟合标准值都是(0,1)内无量纲数值;对于预测值,可由RE预测曲线采用合适的算法策略获得,在此从略。
2.4基于TOPSIS的SRGM决策算法
综合前面的分析总结,本发明提出了考虑成本-可靠性的SRGM评价与选择算法SESABCRC(SRGM Evaluation and Selection Algorithm Based on Cost-ReliabilityCriterion),考虑成本-可靠性的SRGM评价与选择算法SESABCRC如下所示:
整体而言,SESABCRC算法由底部的TE向上逐层找到SRGM父节点,分别计算TE和SRGM的评价值,最终输出各个模型的偏序关系,算法由3个部分组成:
(1)初始化部分:对于每个失效数据集,①基于TE和SRGM在FDS上的拟合结果获得两者拟合与预测结果数据,利用公式(3)~(7)对数据进行预处理,得到TE和SRGM的加权标准化评测决策矩阵:TE-WSDM和SRGM-WSDM;②利用TE-WSDM和SRGM-WSDM构造一棵SRGM评价体系结构树。
(2)EvaluateSRGMWithTE--评价含有TE的SRGM:在每个失效数据集上,针对所构造的SRGM评价体系结构树,从每个子树开始进行如下操作:①如果是TE节点,则首先利用CaculateEvaValue()函数对该TE进行计算,获得评价结果;②据此TE节点找到其对应的SRGM父节点,基于父节点在SRGM-WSDM中的向量,计算其评价结果;③利用GetFinalValue()函数,对此含有TE的SRGM节点进行计算,获得最终的SRGM排序值。
(3)EvaluateSRGMNoTE--评价不含TE的SRGM:对于不含有TE的SRGM,直接利用CaculateEvaValue()和GetFinalValue()函数得到最终的SRGM排序值。
可以看出SESABCRC算法具有一定框架性,即可以根据实际情况确定两个关键评价函数CaculateEvaValue()和GetFinalValue()的具体内容。
2.5关于函数CaculateEvaValue()和GetFinalValue()
算法中用到函数CaculateEvaValue()对TE和SRGM的评测结果进行评价,其核心主要是计算模型与特定解的距离。可以根据需要,可以采用简单的加权法、欧几里得距离等。显然,现有文献中只选择到正理想解POP最小距离的模型作为最优模型的同时,可能无法确保其到负理想解NOP的距离最大。相比之下,序数偏好方法/优劣解距离法TOPSIS则通过计算模型到POP和NOP的距离D+与D-,进而计算得到模型到理想解的接近程度H,来排序各个模型,具有更为全面的权衡性。下面给出了基于序数偏好方法TOPSIS(Technique for OrderPreference by Similarity to an Ideal Solution)实现的CaculateEvaValue()函数。
基于序数偏好方法TOPSIS的CaculateEvaValue()函数如下所示:
GetFinalValue()函数实现最终对SRGM的排序计算,包括考虑和不考虑TE的SRGM。对于前者,首先要评测TE,再评测SRGM,从考虑“成本-可靠性”的角度,要综合考虑该TE和SRGM的评测结果,以合适的方式确定最终的SRGM评测值;后者不包含TE,仅是该SRGM的拟合与预测综合评测。对于考虑TE的SRGM评测,可设置TE和SRGM的权重向量wTE和wSRGM,满足wTE+wSRGM=1,此时该模型与理解解得接近程度H可计算如下:
3、数值算例评价
本节,基于前述设计与分析,对选定的SRGMs基于给定的失效数据集上的拟合与预测结果值,采用上节SESABCRC评价算法进行实例验证。
3.1SRGM实例与数据集选择及参数设置
为更加具体的阐释本算例,本发明选取了6个典型的附带有TEF的SRGM进行实验和评价分析,如表2所示。
表2参与比较的SRGM及相应的测试工作量函数TEF
本发明使用的两个数据集DS1和DS2分别是由IBM和Tandem(天腾)公司发布的大型计算机项目测试过程中记录的失效数据集,分别记录了19周和20周,二者均包含了累积测试工作量和失效个数。
3.2考虑TE的SRGM性能评价基准值
首先,基于表2中模型在两个失效数据集上的参数拟合,本发明计算得到了相应的拟合结果数值,如表3所示,这里列出的结果即为未预处理前的原始数据。其中,MSE等标准对应DS1和DS2两大行,其中又分为两个子行,上面的一行数据为SRGM的m(t)标准值,下面的为相应TE的W(t)标准值。
表3考虑TE的SRGM在2个数据集上拟合标准值
另一方面,此6个模型在2个数据集上的RE预测曲线如图3和4所示,其中图3为TE模型的RE曲线,表征了对测试资源消耗情况的预测,图4是对SRGM的m(t)与未来失效数据的预测曲线。图中横坐标是以周为单位的测试时间,纵坐标是刻画预测性能的数值,绝对值越小越好。特别指出,鉴于页面空间所限,这里将所有模型的预测曲线画在一处,实际上可以分别将每个模型的RE曲线单独来绘制,这样具有更为直接的显示区分能力。
3.3实验数据处理与结果分析
3.3.1模型拟合与预测数据处理
首先对表3中的拟合数据依据第2节中的数据处理方法进行标准化加工,得到[0,1]间的以正向增长为优的数值,如表4所示。可以看出,在7个拟合标准上,6个模型的m(t)和TEF(即W(t))拟合数值均已被映射到[0,1]间的数值。6个模型在某个拟合标准上的优劣较为清晰,但从全部7个拟合标准来看,但尚无法直接给出这些模型的整体性能优劣。
表4考虑TE的SRGM在2个数据集上的拟合标准值处理结果
为便于处理,在表3数据的处理过程中,截取到小数点后3位。
图4呈现的是6个模型在两个数据集上的预测曲线,预测性能以曲线趋近于0标准的速度和接近程度为判断标准。显然,预测性能具有一定的定性特征,需要人工进行性能高低的比较并给出判断结果。基于本发明前期在SRGM领域的研究成果和性能比较经验,通过图3和图4所有模型画在一处的综合比较,以及本发明将其分开来进行单一比较的效果,确定了表5所示的各个模型预测性能值。
表5模型RE曲线性能量化值
对表5中的数据进行标准化处理,最终得到[0,1]内以正向增长为优的预测性能数值。
至此,基于6个模型在DS1和DS2上进行实验得到的拟合与预测数值,本发明通过进行数据的预处理得到了可以进行模型性能比较的基础数据。最后依据(6)式的标准化计算,即可得到标准化数据和SDM。
3.3.2实验结果与分析
基于现有的多篇文献,可知MSE,R-Square和Variation被频繁用来评测SRGM的拟合性能,因而其被用来作为拟合指标的关键属性,即M=3(N=4),其占有的权重相比于其它拟合权重要大;此外,鉴于预测与拟合是刻画SRGM性能的两个方面,重要程度基本相当,因此这里将二者权重设置为相同。这样,可以得到如表6所示的拟合与预测权重。
表6拟合与预测权重设置
这里,不妨设置MSE,R-Square和Variation在7个拟合标准中占有权重的60%,且三者均等;余下的4个拟合标准占有权重的40%,且四者均等。在TE与SRGM的权重设置上,即成本与可靠性的比例关系,通过WTE+WSRGM=1的线性关系进行调节。进一步,后面的实验中这些权重数值会被调整以观测其对SRGM性能的影响。
在后续实验上,首先构造SRGM评价体系结构树,依据SESABCRC算法流程进行计算,在当前权重参数设置下,可以得到表7所示的综合性能值和相应的排序。
表7模型决策排序结果
注意:因空间有限,所有SRGM的性能综合值都仅保留了原始数据的小数点后五位。
从上表可以看出,在不同的数据集上,随着TE所占的权重WTE逐渐升高,不同SRGM的性能优劣变化呈现不同的趋势。其中,在DS1上,随着WTE不断升高,各SRGM的性能综合值都呈现出下降趋势;而在DS2上,M17的性能综合值随着WTE不断升高,依旧表现出下降趋势,而其余的SRGM则具有相反的表现。综合来说,在各个SRGM性能综合值的不同变化趋势下,本发明所采用的算法依旧保持了最终排序结果的稳定性。
3.4与其它模型的比较:基数权重的敏感性分析
作为对照比较,这里本发明实现了基于欧几里得(Euclidean)距离和简单加权法下的SRGM性能决策过程。其中,欧几里得距离方法是计算各个模型与理想解之间的最短距离来排序,理想解即为由每个标准上的最优值所构成的一个虚拟解;简单加权法则是依据加权平均值的大小进行排序。表8给出了三种方法下的排序结果。
表8三种决策方法比较
依据上表可以看出,三种计算方法中,欧几里得距离法表现最差,该方法的排序结果混乱,模型优劣不明显,不利于对模型优劣进行排序;简单加权法表现稍好于欧几里得法,在DS1上表现较好,排序结果稳定,但在DS2上,当WTE超过WSRGM时,排序结果出现了变化,这说明不同的WTE和WSRGM组合会影响简单加权法判断结果的稳定性;本发明提出的基于序数偏好方法TOPSIS表现最好,在不同的数据集上排序结果都最稳定,可以有效地对模型优劣进行排序。
4、针对SRGM的决策现状,本发明提出了涵盖成本—可靠性的SRGM性能评估与选择框架模型,建立了SRGM多属性决策体系树,并给出了相应的决策评价算法SESABCRC。特别地,本发明在评价准则中综合考虑了拟合标准与预测标准,根据专家经验设置合理的权重,用TOPSIS对考虑成本的SRGM进行排序。实验结果和分析表明,所提出的模型和算法可以较好地进行SRGM的性能评价与选择,为实际中的模型选择提供决策支持。在实际应用中,只要定义了一套完整的评价标准和备选对象SRGMs,就可以应用SESABCRC方法对多属性决策模型进行高效的评价与选择,为对涵盖测试资源与成本管控和最优发布时间抉择等在内的软件开发活动提供重要决策支持。
实际上,SRGM多属性决策问题在不同情况下具有不同的结果,例如同是无偏好情况下的最大最小法(取决于最差的属性)与最小最大法(取决于最好的属性)结果存有很大差异,甚至是相反。因此,区分测试环境与运行环境的差异进行SRGM决策更具有针对性。此外,从条件属性和决策属性的角度,后续研究中建立基于粗糙集的SRGM多属性决策模型也是重要的研究方向。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种考虑成本-可靠性的SRGM决策模型的构建方法,其特征在于,所述考虑成本-可靠性的SRGM决策模型的构建方法包括:
问题的形式化描述:在众多SRGMs中选择具有优秀性能的模型或进行排序,抽象为多属性决策问题;所述问题的形式化描述,还包括:
(1)设FP1,FP2,…,FPK表示待决策的K个模型,即可以是SRGM也可以是TE;对模型在O个失效数据集FDS的评测包括拟合与预测两个方面,拟合指标包括L-1个,预测指标包括1个RE;第i个模型在第j个FDS上的拟合与预测结果向量可表示为:FPi,j=[fvi,1,fvi, 2...fvi,L-1,pvi,L],1≤i≤K,1≤j≤O,其中fvi,n表示第i个模型在第n个拟合指标上的结果值,其中1≤n≤L-1,pvi,L表示相应的预测结果值;
(2)设FDS集合为DSSet,DSSet={FDSi|1≤i≤O},其中FDSi可用如下四元组进行描述,即<TYPE,TIME,FAILURE_NUM,TE_VALUE>,其中TYPE表示数据集类型,包括含有TE和不含有TE两类;TIME表示失效个数记录时间,用CPU时间、日历时间来记录,以周为单位;与TIME相对应的失效个数用FAILURE_NUM表示,其呈现递增趋势;TE_VALUE表示TE消耗记录值;
(3)设拟合与预测权重设置分别为Wfit,Wpre,满足:Wfit+Wpre=1,其中Wfit又包括两大类型的拟合标准,即有M个关键标准:CC={pi|1≤i≤M},N个非关键标准:NCC={pj|1≤j≤N},满足:M+N=L﹣1,关键评价指标的权重要高于非关键指标的权重,即满足拟合与预测权重向量W可表示:W=[Wfit,wcc1,...,wcci...wccM,wnc1,...,wncj,wncN,Wpre],1≤i≤M,1≤j≤N;
这样,涵盖所有标准在内的权重满足下面的归一化关系:
拟合与预测结果标准化处理:设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准;
SRGM评价体系结构树构建:考虑TE的SRGM在进行评测时,先对TE进行拟合与预测性能评测,进而再对SRGM进行评测;
基于TOPSIS的SRGM决策算法构建:构建考虑成本-可靠性的SRGM评价与选择算法SESABCRC;所述基于TOPSIS的SRGM决策算法的构建,包括:SESABCRC算法由底部的TE向上逐层找到SRGM父节点,分别计算TE和SRGM的评价值,最终输出各个模型的偏序关系,算法由3个部分组成:
(1)初始化部分:对于每个失效数据集,①基于TE和SRGM在FDS上的拟合结果获得两者拟合与预测结果数据,利用公式对数据进行预处理,得到TE和SRGM的加权标准化评测决策矩阵:TE-WSDM和SRGM-WSDM;②利用TE-WSDM和SRGM-WSDM构造一棵SRGM评价体系结构树;
(2)EvaluateSRGMWithTE--评价含有TE的SRGM:在每个失效数据集上,针对所构造的SRGM评价体系结构树,从每个子树开始进行如下操作:①如果是TE节点,则首先利用CaculateEvaValue()函数对该TE进行计算,获得评价结果;②据此TE节点找到其对应的SRGM父节点,基于父节点在SRGM-WSDM中的向量,计算其评价结果;③利用GetFinalValue()函数,对此含有TE的SRGM节点进行计算,获得最终的SRGM排序值;
(3)EvaluateSRGMNoTE--评价不含TE的SRGM:对于不含有TE的SRGM,直接利用CaculateEvaValue()和GetFinalValue()函数得到最终的SRGM排序值;根据实际情况确定两个关键评价函数CaculateEvaValue()和GetFinalValue()的具体内容;
所述函数CaculateEvaValue()和GetFinalValue(),包括:算法中用到函数CaculateEvaValue()对TE和SRGM的评测结果进行评价,其核心是计算模型与特定解的距离;基于序数偏好方法TOPSIS(Technique for Order Preference by Similarity to anIdeal Solution)实现的CaculateEvaValue()函数;
基于序数偏好方法TOPSIS的CaculateEvaValue()函数如下所示:
CaculateEvaValue(ID)
基于模型的评测值构造正理想解POP和负理想解NOP,前者是由所有模型中L个评测指标中最优元素构成,后者则由最差元素构成;
获得模型与POP和NOP的距离D+(ID)和D-(ID);
计算模型距离理想解的接近程度H,以此作为衡量模型性能的优劣;
GetFinalValue()函数实现最终对SRGM的排序计算,包括考虑和不考虑TE的SRGM;对于前者,首先要评测TE,再评测SRGM,确定最终的SRGM评测值;后者不包含TE,仅是该SRGM的拟合与预测综合评测;对于考虑TE的SRGM评测,可设置TE和SRGM的权重向量wTE和wSRGM,满足wTE+wSRGM=1,此时该模型与理解解得接近程度H可计算如下:
3.如权利要求1所述的考虑成本-可靠性的SRGM决策模型的构建方法,其特征在于,所述拟合与预测结果的标准化处理,包括:在拟合标准中,除R-Square指标越接近于1表示模型性能越好外,其余指标数值越小越好;与仅有1个预测的RE标准不同,在拟合标准中,存在多个标准,这其中有一部分较为广泛使用;为此,设定SRGM性能评测合计共有M+N+1个标准,其中M为常用的拟合标准,N为不常用拟合标准,1个RE预测标准;这样,得到K个SRGMs的初始评测矩阵DM:
其中,每行共计M+N+1个元素,前M个元素fvi,j,1≤i≤K,1≤j≤M为模型的关键拟合标准值,最后一个元素pvi,M+N+1,1≤i≤K为预测标准值,中间的N个元素fvi,j,1≤i≤K,M+1≤j≤M+N为非关键拟合标准值;
采用转换规则将原始的拟合与预测结果转换为[0,1]之间的单位正向增长性标准化数据,得到统一的正向性结果,针对不同的拟合标准采取转换形式:
对于预测评价,预测标准RE曲线越快速地接近于0标准水平线表明模型的预测性能越好;对定性曲线结果的定量化,DM中最后一列的RE预测值pvi,M+N+1,1≤i≤K可以根据实际取表1中的数值,得到预测结果的数值化描述:
表1等级划分表
至此,已将DM中所有元素进行规范化为正向性越大效果越好式样;
采用下式进行标准化转换:
这样,得到了标准化的SDM=[vi,j]K×(M+N+1);
至此,将公式中权重向量代入SDM中,可得到带有权重的标准化评测矩阵WSDM:
TE-WSDM和SRGM-WSDM分别是对TE和SRGM在拟合与预测标准上的评价矩阵,矩阵中所有元素已进行了数据预处理,得到归一化的无量纲数据。
4.如权利要求1所述的考虑成本-可靠性的SRGM决策模型的构建方法,其特征在于,所述SRGM评价体系结构树的构建,包括:对于考虑TE的SRGM在进行评测时,先对TE进行拟合与预测性能评测,进而再对SRGM进行评测,考虑到先后次序,将决策问题抽象为树形结构;
所述SRGM评价体系结构树中,最顶层根节点表示该树用以实现对SRGM进行评估,第二层节点表示不同的SRGM,可以分为两类,即不考虑TE的SRGM和考虑TE的SRGM,树的每个分支的最底层分别表示多个拟合标准节点和一个预测节点;所述SRGM评价体系结构树中,SRGMK表示不考虑TE的SRGM节点,SRGM1表示考虑TE的SRGM节点;
所述SRGM评价体系结构树中,叶子节点可由一个五元组来表示,即<TYPE,ID,FAID,FIT_INFO,PRE_INFO>,其中,
(1)TYPE表示TE或SRGM;
(2)ID是该节点的唯一编号;
(3)若节点的TYPE为TE类型,则其存在父节点SRGM,此时用FAID表示父节点,否则为空;
(4)FIT_INFO是与TYPE相对应的拟合节点,可用一个二元组来描述,即<CRITERIA,FIT_VALUE>,CRITERIA表示拟合标准,可为MSE,MEOP,Variation,RMS-PE,R-square,TS和BMMRE之一,FIT_VALUE是CRITERIA的标准值;
(5)PRE_INFO是与TYPE相对应的预测节点,可用一个二元组来描述,即<RE,PRE_VALUE>,RE表示预测标准,PRE_VALUE是相应的预测结果值;
对于所述SRGM评价体系结构树中的中间“TE评估”节点和SRGM节点,采用一个三元组来表示<TYPE,FIT_VALUE,PRE_VALUE>,其分别表示TE或SRGM,以及拟合标准值和预测标准值;从统一性的角度考虑,若上述三元组<TYPE,FIT_INFO,PRE_INFO>中FIT_INFO的<CRITERIA,FIT_VALUE>中CRITERIA为FIT时,表示中间节点;
此外,上述拟合标准值都是(0,1)内无量纲数值;对于预测值,可由RE预测曲线采用合适的算法策略获得。
5.一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~4任意一项所述的考虑成本-可靠性的SRGM决策模型的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090904.8A CN112988564B (zh) | 2021-01-22 | 2021-01-22 | 一种考虑成本-可靠性的srgm决策模型及其构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110090904.8A CN112988564B (zh) | 2021-01-22 | 2021-01-22 | 一种考虑成本-可靠性的srgm决策模型及其构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112988564A CN112988564A (zh) | 2021-06-18 |
CN112988564B true CN112988564B (zh) | 2023-05-23 |
Family
ID=76344636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110090904.8A Active CN112988564B (zh) | 2021-01-22 | 2021-01-22 | 一种考虑成本-可靠性的srgm决策模型及其构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112988564B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0876991A (ja) * | 1994-08-31 | 1996-03-22 | Mitsubishi Electric Corp | ソフトウェア信頼度の評価装置 |
EP1420344A2 (en) * | 2002-11-13 | 2004-05-19 | Imbus Ag | Method and device for prediction of the reliability of software programs |
CN103530229A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 一种考虑测试效用的软件可靠性检测方法 |
CN106600077A (zh) * | 2017-01-11 | 2017-04-26 | 重庆大学 | 一种模糊topsis评价方法 |
CN111488281A (zh) * | 2020-05-28 | 2020-08-04 | 山西大学 | 一种基于随机引进故障的开源软件可靠性建模方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101041779B1 (ko) * | 2008-12-26 | 2011-06-17 | 한국건설기술연구원 | 불확실성 기반의 비용 효율적인 보강공법 선정을 위한 의사결정 방법 |
CN102508774A (zh) * | 2011-10-28 | 2012-06-20 | 哈尔滨工程大学 | 基于新环境因子函数的软件可靠性增长模型的建模方法 |
JP5745561B2 (ja) * | 2013-04-08 | 2015-07-08 | 日本電信電話株式会社 | 予測誤差評価装置及び方法 |
CN103761183A (zh) * | 2013-12-29 | 2014-04-30 | 哈尔滨工业大学 | 考虑fde和fce的基于isq的软件可靠性增长模型的建立方法 |
CN107360147A (zh) * | 2017-07-03 | 2017-11-17 | 武汉理工大学 | 基于topsis和云模型的公有云可信度评估方法及系统 |
CN109828925B (zh) * | 2018-06-25 | 2021-02-09 | 北京航空航天大学 | 一种基于软件网络结构特征的软件可靠性度量方法 |
CN110008122B (zh) * | 2019-03-22 | 2022-09-06 | 哈尔滨工业大学(威海) | 一种考虑测试工作量与变动点下的模型建立方法 |
CN111538654B (zh) * | 2020-04-09 | 2024-02-13 | 哈尔滨工业大学(威海) | 一种软件可靠性测试方法、系统、存储介质 |
CN111538655B (zh) * | 2020-04-09 | 2023-09-22 | 哈尔滨工业大学(威海) | 软件故障检测方法、系统、存储介质、终端 |
-
2021
- 2021-01-22 CN CN202110090904.8A patent/CN112988564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0876991A (ja) * | 1994-08-31 | 1996-03-22 | Mitsubishi Electric Corp | ソフトウェア信頼度の評価装置 |
EP1420344A2 (en) * | 2002-11-13 | 2004-05-19 | Imbus Ag | Method and device for prediction of the reliability of software programs |
CN103530229A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 一种考虑测试效用的软件可靠性检测方法 |
CN106600077A (zh) * | 2017-01-11 | 2017-04-26 | 重庆大学 | 一种模糊topsis评价方法 |
CN111488281A (zh) * | 2020-05-28 | 2020-08-04 | 山西大学 | 一种基于随机引进故障的开源软件可靠性建模方法 |
Non-Patent Citations (2)
Title |
---|
SRGM建模类别与性能分析;张策;孟凡超;万锟;陈智朋;刘宏伟;崔刚;;哈尔滨工业大学学报(第08期);全文 * |
基于多属性群决策的软件可靠性模型选择方案;马飒飒;王光平;赵守伟;;数学的实践与认识(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112988564A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN115374106B (zh) | 一种基于知识图谱技术的数据智能分级方法 | |
US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
CN113537807A (zh) | 一种企业智慧风控方法及设备 | |
CN113469571A (zh) | 数据质量评价方法、装置、计算机设备及可读存储介质 | |
CN114742564A (zh) | 一种融合复杂关系的虚假评论者群体检测方法 | |
Wakabi-Waiswa et al. | Mining High Quality Association Rules Using Genetic Algorithms. | |
CN112988564B (zh) | 一种考虑成本-可靠性的srgm决策模型及其构建方法 | |
CN109190798B (zh) | 一种云制造服务组合方法 | |
CN116091206A (zh) | 信用评价方法、装置、电子设备及存储介质 | |
CN110457360A (zh) | 一种基于数据挖掘的建模方法及系统 | |
CN115712775A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN115221955A (zh) | 基于样本差异分析的多深度神经网络参数融合系统及方法 | |
Cai et al. | Fuzzy criteria in multi-objective feature selection for unsupervised learning | |
Lotfi et al. | A new method for complex decision making based on TOPSIS for complex decision making problems with fuzzy data | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN113448840A (zh) | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 | |
Jiang et al. | Srgm decision model considering cost-reliability | |
Sadi-Nezhad et al. | A new fuzzy clustering algorithm based on multi-objective mathematical programming | |
CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
CN117539520B (zh) | 固件自适应升级方法、系统以及设备 | |
CN114065944A (zh) | 基于自动机器学习的推荐与校准方法 | |
CN115689191A (zh) | 一种面向指标体系筛选优化的智能电网安全性评估方法 | |
CN112836749A (zh) | 一种系统资源调整方法、装置及设备 | |
CN117540247A (zh) | 基于图神经网络的偏好学习的综合决策方法、系统及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |