賈　瑛

?

基于蟻群神經(jīng)網(wǎng)絡(luò)算法的軟件預(yù)警評估

賈瑛

摘 要：針對傳統(tǒng)軟件項(xiàng)目預(yù)警的分析的缺點(diǎn)，引入蟻群神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行軟件預(yù)警評估，從進(jìn)度、成本、質(zhì)量3個(gè)角度建立預(yù)警評估指標(biāo)。通過蟻群神經(jīng)網(wǎng)絡(luò)算法對項(xiàng)目流程進(jìn)行中的各個(gè)環(huán)節(jié)點(diǎn)進(jìn)行分析，設(shè)定預(yù)警信號點(diǎn)輔助決策者對整個(gè)項(xiàng)目進(jìn)行控制。以某公司2015年間所有開發(fā)項(xiàng)目為數(shù)據(jù)進(jìn)行仿真，得出的預(yù)警評估數(shù)據(jù)要更貼近于軟件開發(fā)項(xiàng)目的實(shí)際風(fēng)險(xiǎn)情況。通過預(yù)警評估定量分析后得到的數(shù)據(jù)，項(xiàng)目經(jīng)理可以分析誘發(fā)軟件項(xiàng)目危機(jī)的原因，對軟件項(xiàng)目進(jìn)行改進(jìn)。

關(guān)鍵詞：軟件過程；預(yù)警評估；項(xiàng)目經(jīng)理；神經(jīng)網(wǎng)絡(luò)

0　引言

國內(nèi)外軟件公司對軟件項(xiàng)目預(yù)警的分析方法目前較為常用的有兩個(gè)，分別是經(jīng)驗(yàn)判斷法及風(fēng)險(xiǎn)評分法。經(jīng)驗(yàn)判斷法指的是項(xiàng)目經(jīng)理、公司高層管理人員、技術(shù)專家等以個(gè)人知識、技能、經(jīng)驗(yàn)等來對軟件項(xiàng)目進(jìn)行評估，這一方法具有較強(qiáng)的主觀性。經(jīng)驗(yàn)判斷法通常是依靠對項(xiàng)目進(jìn)度表等的分析來進(jìn)行。風(fēng)險(xiǎn)評分法指的是利用數(shù)學(xué)及統(tǒng)計(jì)學(xué)相關(guān)理論模型為依托來進(jìn)行風(fēng)險(xiǎn)評估。相關(guān)理論模型是建立在大量歷史數(shù)據(jù)基礎(chǔ)上的，采取定量分析方法來綜合評判軟件項(xiàng)目所包含的風(fēng)險(xiǎn)等，從而為項(xiàng)目決策提供依據(jù)。經(jīng)驗(yàn)判斷法與風(fēng)險(xiǎn)評分法各有千秋，二者均有廣泛的應(yīng)用[1]。上述兩個(gè)方法在使用過程中均需要利用影響軟件項(xiàng)目的因素的資料。不同的是，風(fēng)險(xiǎn)評分法是將影響軟件項(xiàng)目的因素通過統(tǒng)計(jì)資料進(jìn)行深入分析，找出各因素與其它因素之間的聯(lián)系，得出不同因素的重要性，并賦予其權(quán)重，從而為決策提供依據(jù)[2]。對于經(jīng)驗(yàn)判斷法，其關(guān)注的重心更多的是在影響流程管理各項(xiàng)因素重要性等級變動方面。風(fēng)險(xiǎn)判斷法能夠很好的對影響軟件質(zhì)量的一些傳統(tǒng)因素進(jìn)行深入分析與論證，而經(jīng)驗(yàn)判斷法則可更進(jìn)一步，甚至可以用來分析不符合質(zhì)量組監(jiān)管的因素。風(fēng)險(xiǎn)評分法充分考慮了各項(xiàng)因素并進(jìn)行了升華提煉，而經(jīng)驗(yàn)判斷法則受人的影響較大，通常依次評價(jià)影響軟件項(xiàng)目的各項(xiàng)因素。

1　軟件預(yù)警評估

當(dāng)一個(gè)軟件開發(fā)項(xiàng)目啟動時(shí)，會因?yàn)槠渖婕暗囊?guī)模、種類、時(shí)間等因素來修改、裁剪軟件開發(fā)流程，而一般是根據(jù)開發(fā)者項(xiàng)目經(jīng)理或流程控制組的經(jīng)驗(yàn)而定，當(dāng)然這種人為的確定并不符合科學(xué)性。因此新的系統(tǒng)需要有種輔助流程管理構(gòu)建的功能，本系統(tǒng)采用了蟻群神經(jīng)網(wǎng)絡(luò)算法，在選擇任務(wù)portlet的時(shí)候，通過對項(xiàng)目規(guī)模、種類、時(shí)間等因素的角度出發(fā)，對需要的portlet進(jìn)行分析學(xué)習(xí)，并最終給出一個(gè)優(yōu)化解反饋給用戶。

軟件服務(wù)評估的首要工作是建立軟件服務(wù)評估指標(biāo)體系。結(jié)合目前國內(nèi)外軟件行業(yè)成熟的評估指標(biāo)，根據(jù)軟件行業(yè)的實(shí)際情況，可建立一級指標(biāo)3個(gè)：進(jìn)度、成本和質(zhì)量 。針對傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法容易陷入局部極小的不足，本文提出了蟻群訓(xùn)練方法。蟻群神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程可看作一個(gè)最優(yōu)化問題，即找到一組最優(yōu)的實(shí)數(shù)權(quán)值組合，使得在此權(quán)值下輸出結(jié)果與期望結(jié)果之間的誤差最小，蟻群算法成為尋找這一最優(yōu)權(quán)值組合的較好選擇。

在蟻群神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)已經(jīng)確定的情況下，采用蟻群方法訓(xùn)練神經(jīng)網(wǎng)絡(luò)的具體步驟如下：

Step1：初始化

Step2：釋放m只螞蟻。螞蟻k依據(jù)如下概率公式從一點(diǎn)移動到下一點(diǎn)，如公式（1）：

螞蟻記錄所經(jīng)過點(diǎn)的標(biāo)號，即為該權(quán)值選擇一個(gè)數(shù)值，并記錄在tabuk中。當(dāng)螞蟻為所有權(quán)值參數(shù)選擇值后，螞蟻完成了一次遍歷，記錄的所有值構(gòu)成了該神經(jīng)網(wǎng)絡(luò)的所有參數(shù)。輸入訓(xùn)練樣本，得到相應(yīng)的輸出，計(jì)算誤差EO。

Step3：所有螞蟻構(gòu)造解以后記錄誤差較小的σ權(quán)值，并比較最小的誤差與EO的大小。如果轉(zhuǎn) step7，否則轉(zhuǎn)step4。

Step4：信息素更新。按照“精英”更新策略對信息素按下式進(jìn)行更新，如公式（2）：

其中公式（3）：

Step5：重復(fù)step2—step3，直到滿足最大迭代次數(shù)。

Step6：采用驗(yàn)證樣本對訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行檢驗(yàn)，如果驗(yàn)證誤差滿足要求，退出程序；否則轉(zhuǎn)step1，重新開始訓(xùn)練。

算法程序流程圖如圖1所示：

圖1　蟻群神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程圖

根據(jù)蟻群神經(jīng)網(wǎng)絡(luò)模型對所有的軟件服務(wù)進(jìn)行評估，并得到一個(gè)適合相應(yīng)軟件項(xiàng)目開發(fā)的軟件流程服務(wù)[4]。

輸入：項(xiàng)目預(yù)算，項(xiàng)目規(guī)模、項(xiàng)目種類選擇、項(xiàng)目計(jì)劃完成時(shí)間、是否已有文檔、原文檔影響因子、技術(shù)風(fēng)險(xiǎn)、人力風(fēng)險(xiǎn)。

輸出：項(xiàng)目軟件流程管理裁剪模型。

2　基于蟻群神經(jīng)網(wǎng)絡(luò)算法的軟件預(yù)警評估應(yīng)用

2.1 評估指標(biāo)體系建立

分析軟件項(xiàng)目風(fēng)險(xiǎn)的影響因素是建立軟件預(yù)警評估指標(biāo)體系的基礎(chǔ)，是構(gòu)建評估體系的基礎(chǔ)。按照以上對于軟件過程管理模型的影響因素的分析，系統(tǒng)可以按照軟件開發(fā)流程的狀態(tài)是適當(dāng)調(diào)整工程管理的順序及權(quán)重。軟件過程中程序基于對項(xiàng)目大致可分從以下三個(gè)方面考慮：即進(jìn)度、成本和質(zhì)量。

（1）進(jìn)度：

這是項(xiàng)目開發(fā)過程中非常關(guān)鍵的一個(gè)流程控制，軟件項(xiàng)目組開發(fā)應(yīng)該盡量避免開發(fā)時(shí)間超支、項(xiàng)目范圍發(fā)生不可控的重大改變，校正行動拙劣以及客戶的不滿不斷增加。不過節(jié)點(diǎn)性事件未能按時(shí)完成并不意味著項(xiàng)目已經(jīng)失控。軟件項(xiàng)目很少會或從來不會嚴(yán)格地遵循其詳細(xì)的時(shí)間計(jì)劃；實(shí)際中，在項(xiàng)目過程中，節(jié)點(diǎn)性事件的滯后經(jīng)常是時(shí)多時(shí)少，不應(yīng)該用查看某個(gè)節(jié)點(diǎn)性事件是否滯后來判斷某個(gè)項(xiàng)目的可控性。換而取代的是滯后程度判定項(xiàng)目進(jìn)度的好壞。如表1所示：

表1　公司進(jìn)度報(bào)表

（2）預(yù)算：

高額的軟件開發(fā)項(xiàng)目經(jīng)費(fèi)可以換來更好的進(jìn)度情況，但是，實(shí)際當(dāng)中，項(xiàng)目成本很可能遠(yuǎn)遠(yuǎn)超過客戶所愿意支付的資金。可以通過項(xiàng)目收支平衡點(diǎn)來進(jìn)行比較。收支平衡值是公司預(yù)期的投資回報(bào)率的函數(shù)。如2所示：

表2　公司預(yù)算報(bào)表

>7$180000$900000

（3）質(zhì)量：

多數(shù)軟件開發(fā)機(jī)構(gòu)將軟件質(zhì)量定義為：在過去的時(shí)間階段，存在很多質(zhì)量問題的數(shù)量；對軟件進(jìn)行評估的客戶或者用戶對軟件的滿意度。如表3所示：

表3　公司質(zhì)量報(bào)表

2.2 評估指數(shù)分析

根據(jù)三項(xiàng)數(shù)據(jù)顯現(xiàn)，該項(xiàng)目在進(jìn)行中期時(shí)，出現(xiàn)嚴(yán)重問題，包括預(yù)算超支及質(zhì)量問題。當(dāng)項(xiàng)目狀態(tài)到達(dá)危機(jī)時(shí)候，項(xiàng)目經(jīng)理或流程控制組應(yīng)當(dāng)及時(shí)向上級發(fā)出預(yù)警信號，提醒決策者應(yīng)該放棄項(xiàng)目或者改變項(xiàng)目流程。而這些完全需要靠一個(gè)經(jīng)驗(yàn)豐富的高層領(lǐng)導(dǎo)做出及時(shí)的判斷。而在本系統(tǒng)設(shè)計(jì)中，系統(tǒng)將通過蟻群神經(jīng)網(wǎng)絡(luò)算法對項(xiàng)目流程進(jìn)行中的各個(gè)環(huán)節(jié)點(diǎn)進(jìn)行分析，設(shè)定預(yù)警信號點(diǎn)輔助決策者對整個(gè)項(xiàng)目進(jìn)行控制。

由于每個(gè)公司的軟件開發(fā)項(xiàng)目參數(shù)是保密的，因此本借鑒的數(shù)據(jù)來源于某公司2015年間所有項(xiàng)目的開發(fā)指數(shù)，僅作為模擬數(shù)據(jù)進(jìn)行學(xué)習(xí)，并通過向資深人士求教及以往項(xiàng)目中相應(yīng)的做法對本系統(tǒng)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。項(xiàng)目匯總表如表4所示：

表4　匯總表

這個(gè)使用第三方軟件對數(shù)據(jù)進(jìn)行模擬。軟件為java開源蟻群神經(jīng)網(wǎng)絡(luò)包，如圖2所示：

圖2　神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理軟件截圖

每個(gè)任務(wù)點(diǎn)將被劃分為關(guān)鍵任務(wù)和可選任務(wù)兩類，再根據(jù)其分類給每個(gè)任務(wù)進(jìn)行編碼。使用模擬數(shù)據(jù)進(jìn)行學(xué)習(xí)，輸入?yún)?shù)為各個(gè)階段的質(zhì)量指數(shù)、進(jìn)度控制和超支比率。按照每個(gè)項(xiàng)目的學(xué)習(xí)迭代次數(shù)1000次，并規(guī)定得到值為[0，1]，當(dāng)輸出值靠近0時(shí)表示安全，反之，當(dāng)輸出值靠近1的時(shí)候發(fā)出預(yù)警信號，并修正每個(gè)任務(wù)的權(quán)重[5]。

在模擬數(shù)據(jù)中，事先認(rèn)定項(xiàng)目編號為 N003LIANGXIN 和NO32CAFE為問題項(xiàng)目，N003LIANGXIN項(xiàng)目是一個(gè)政府合作項(xiàng)目，由于當(dāng)時(shí)企業(yè)正處于轉(zhuǎn)型階段，技術(shù)人員流動較大，并且由于是第一次和政府機(jī)關(guān)合作，未考慮到一些額外的影響因素，導(dǎo)致項(xiàng)目預(yù)算和進(jìn)度受到嚴(yán)重影響，故而成為問題項(xiàng)目；而NO32CAFE由于與客戶溝通問題，使項(xiàng)目進(jìn)度受到擱置，引起的成本上升。其項(xiàng)目輸出值近似1，即0.9

表5　蟻群神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理結(jié)果

N001waterfactory 　20% 　94% 　99.6% 　0.232 N003LIANGXIN 　35% 　85% 　87.9% 　0.933 NO05JUNLI 　15% 　99.8% 　99.0% 　0.137 NO09SH-BANK 　10% 　99.6% 　99.8% 　0.129 NO14JAP-SALE 　18% 　99.4% 　99.4% 　0.217 NO32CAFE 　12% 　85.9% 　89.3% 　0.865 NO42MAGZONG 　14% 　96% 　99.9% 　0.210　NO44CMM 　12% 　98% 　99.2% 　0.219 NO54GECompany 　4% 　99.8% 　99.1% 　0.089 NO58mock-prj 　6% 　99.3% 　99.0% 　0.100

由表 5得，事先認(rèn)定的項(xiàng)目 N003LIANGXIN和NO32CAFE的輸出值分別為0.933和0.865，取最小值0.865，當(dāng)項(xiàng)目某階段的輸出值大于0.865時(shí)，系統(tǒng)則給出預(yù)警信號，并即時(shí)更改各個(gè)任務(wù)的權(quán)重以做到對軟件項(xiàng)目開發(fā)的改進(jìn)。

分析結(jié)果數(shù)據(jù)后發(fā)現(xiàn)，模型具有較高的準(zhǔn)確率，達(dá)到94.5%，驗(yàn)證樣本采集更高，幾乎達(dá)到100%。出現(xiàn)這種判斷準(zhǔn)確率高的主要原因是神經(jīng)網(wǎng)絡(luò)知識發(fā)現(xiàn)能力及特征抽取能力較強(qiáng)，對本論文的信用評估模式非常有效；另外一個(gè)原因是驗(yàn)證樣本集數(shù)量較小，這對結(jié)果也會產(chǎn)生一定的影響，但總的來說，最終實(shí)驗(yàn)的效果非常理想。如果計(jì)算能力進(jìn)一步增強(qiáng)，數(shù)據(jù)集的數(shù)量進(jìn)一步提高，相信實(shí)驗(yàn)結(jié)果將更好。

通過該模型對神經(jīng)網(wǎng)絡(luò)軟件項(xiàng)目預(yù)警模型進(jìn)行研究與分析，首先減少了在給不同要素賦值時(shí)人為因素影響程度，評估結(jié)果準(zhǔn)確性得到提高，并且結(jié)果也更讓人信服；其次，由于神經(jīng)網(wǎng)絡(luò)具有非常強(qiáng)的非線性處理能力，可以更加準(zhǔn)確地得出不同要素對評估結(jié)果產(chǎn)生影響的關(guān)系。最終的結(jié)果充分說明蟻群神經(jīng)網(wǎng)絡(luò)模型能夠很好地解決軟件項(xiàng)目風(fēng)險(xiǎn)評估問題，具有廣闊的應(yīng)用前景。

在軟件項(xiàng)目在進(jìn)行中，通過預(yù)警模塊的提示，項(xiàng)目經(jīng)理可以即時(shí)的對項(xiàng)目管理方法進(jìn)行調(diào)整，比如，當(dāng)軟件項(xiàng)目的出現(xiàn)了進(jìn)度遲緩嚴(yán)重的時(shí)候，項(xiàng)目經(jīng)理可以把軟件過程管理做適當(dāng)調(diào)整，改為敏捷型開發(fā)，增加軟件項(xiàng)目的開發(fā)速度，而當(dāng)軟件項(xiàng)目被增加投資，擴(kuò)大范圍的時(shí)候，項(xiàng)目經(jīng)理適時(shí)可以把軟件過程管理升級為標(biāo)準(zhǔn)的RUP管理模式，以適合軟件項(xiàng)目開發(fā)的穩(wěn)定性。

2..3 基于蟻群神經(jīng)網(wǎng)絡(luò)算法與其他方法比較

本文為驗(yàn)證基于蟻群神經(jīng)網(wǎng)絡(luò)算法作出的軟件預(yù)警評估所得到結(jié)果的可參考性，使用常用的權(quán)值法對原先的數(shù)據(jù)進(jìn)行分析，如表6所示：

表6　權(quán)重法下預(yù)警評估結(jié)果表

本文假設(shè)質(zhì)量權(quán)重為0.3，進(jìn)度為0.3，成本為0.4，進(jìn)行數(shù)據(jù)計(jì)算。按照先前對問題項(xiàng)目的截取，首先觀測N003LIANGXIN和NO32CAFE的值分別是0.7116和0.6509這個(gè)值處于比較低的位置，但是很明顯的可以發(fā)現(xiàn)NO54GE Company的權(quán)值法輸出值為0.7078，小于N003LIANGXIN 的 0.7116，但實(shí)際中 NO54GECompany項(xiàng)目并未出現(xiàn)和N003LIANGXIN類似的軟件風(fēng)險(xiǎn)問題，因此權(quán)值法失去了可參考性。另外數(shù)據(jù)分析得到的最小值為0.6509，最大值為0.7404，值域跨度不大，不易進(jìn)行區(qū)分分級，并且N001waterfactory項(xiàng)目和NO05JUNLI項(xiàng)目的評估指數(shù)相等，不符合對實(shí)際軟件項(xiàng)目的風(fēng)險(xiǎn)描述。綜上所述，基于蟻群神經(jīng)網(wǎng)絡(luò)的預(yù)警評估相比權(quán)重法下的預(yù)警評估要更貼近于軟件開發(fā)項(xiàng)目的實(shí)際風(fēng)險(xiǎn)情況。

當(dāng)軟件項(xiàng)目在經(jīng)過軟件預(yù)警評估定量分析后得到的數(shù)據(jù)，根據(jù)這個(gè)數(shù)據(jù)項(xiàng)目經(jīng)理可以分析誘發(fā)軟件項(xiàng)目危機(jī)的原因，對軟件項(xiàng)目進(jìn)行改進(jìn)。如表7所示：

表7　軟件過程改進(jìn)方案表

3　總結(jié)

軟件項(xiàng)目風(fēng)險(xiǎn)的誘因可以從質(zhì)量、進(jìn)度和成本3個(gè)方面來考慮，而軟件過程管理模型也正是從這3個(gè)因素來開展，不同的軟件過程管理模型對這個(gè) 3個(gè)因素的側(cè)重點(diǎn)大有不同，但總的來說，還沒有一個(gè)完整的包含所有因素在內(nèi)的軟件過程管理模型。因此當(dāng)軟件風(fēng)險(xiǎn)發(fā)生時(shí)，在確定軟件風(fēng)險(xiǎn)引起的主要原因后，對軟件過程管理進(jìn)行裁減或者改進(jìn)。比如，當(dāng)軟件項(xiàng)目進(jìn)度嚴(yán)重超時(shí)的時(shí)候，項(xiàng)目可以改用極限編程管理模型，暫時(shí)刪減去項(xiàng)目文檔的管理，加快軟件開發(fā)；又如，當(dāng)軟件項(xiàng)目開發(fā)到中期的時(shí)候出現(xiàn)了嚴(yán)重的質(zhì)量問題，項(xiàng)目經(jīng)理可以采用RUP軟件過程管理模型增強(qiáng)測試計(jì)劃，保障軟件項(xiàng)目開發(fā)質(zhì)量；即便是軟件項(xiàng)目后期陷入成本危機(jī)的時(shí)候，甚至達(dá)到無法立刻解決的時(shí)候，項(xiàng)目經(jīng)理也可以通過軟件預(yù)警評估對軟件項(xiàng)目采取暫時(shí)停止的命令，以便防治軟件項(xiàng)目越陷越深。

參考文獻(xiàn)

[1] 王世安.軟構(gòu)建的可復(fù)用行量化評價(jià)模型研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(10):2576-2580.

[2] 萬江平, 楊建梅. 軟件過程改進(jìn)的復(fù)雜性工作程序研究[M]. 北京: 科學(xué)出版社, 2004.

[3] 張道宏，張玻，尹成果:基于BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用評估模型[J]，情報(bào)雜志，2006年(1)：178-182.

[4] 龐素琳，王燕鳴，黎榮舟:基于BP算法的信用風(fēng)險(xiǎn)評價(jià)模型研究，數(shù)學(xué)的實(shí)踐與認(rèn)識，2003年(-8)：48-55.

[5] 潘梅森 顏君顏. 基于LVQ的軟件項(xiàng)目風(fēng)險(xiǎn)評估模型的研究[J].計(jì)算機(jī)工程與應(yīng)用.2006-12:126-130.

中圖分類號：TP311

文獻(xiàn)標(biāo)志碼：A

文章編號：1007-757X(2016)07-0074-04

收稿日期：（2016.01.21）

作者簡介：賈 瑛（1983-），女，哈密，寶雞職業(yè)技術(shù)學(xué)院，講師，研究方向：網(wǎng)絡(luò)和多媒體，寶雞，721013

Software Warning Evaluation Based on Ant Colony Neural Network Algorithm

Jia Ying
(Baoji Professional Technology Institute, Baoji 721000, China)

Abstract:In view of the shortcomings of traditional software project warning, this paper introduces the ant colony neural network algorithm to carry out software early warning evaluation, establishing early warning evaluation index from the schedule, cost, quality three angles. Analyzing the project process of each loop node through the ant colony neural network algorithm, it sets the early warning signal point to control the whole project. With a company for 2015 years of all development projects for the simulation of the data, this paper draws the early warning assessment data to be much closer to the actual risk of software development projects. Through the data obtained after the quantitative analysis of the early warning, the project manager can analyze the causes of the project of the software project, and improve the software project.

Key words:Software Process; Early Warning Evaluation; Project Manager; Neural Network