2。1。4 MUSA-OKUMOTO模型 10

2。2 粒子群算法的基本原理 11

2。2。1 基本粒子群算法 11

2。2。2 算法的构成要素 12

第三章 软件可靠性模型参数估计 14

3。1 前期准备 14

3。1。1 现有的参数估计方法 14

3。2 改进的估计方法 14

3。3 实验中用到的方法 15

3。3。1 方法 15

3。3。2 实验中问题解的剔除 16

3。3。3 加入先验知识的改进求解 16

第四章 实验结果与比较 17

4。1 G-O模型验证 17

4。2 方法对比 17

4。2。1 适应值函数构造方法对比 17

4。2。2 得到参数估计值的对比 18

4。3 仿真对比 19

结   论 22

致 谢 23

参 考 文 献 24

第一章 绪论

1。1 研究背景

随着计算机技术的发展，各种高度复杂的软件系统已大量应用到航空航天、工业控制、交通运输、金融、医疗卫生等关键领域，同时，软件系统规模日益庞大，结构日益复杂，从而导致软件可靠性问题日益突出，而由软件的不可靠和失效所导致的经济、生命、军事和社会利益的巨大损失也让用户、工业界、军方和政府无法接受。因此，关键领域软件的可靠性必须得到严格保证，而软件可靠性参数估计是利用软件可靠性模型开展软件可靠性评估的关键性工作，受到研究者的高度重视。论文网

传统上两种最常用的参数估计方法是极大似然法和最小二乘法[1]，但由于极大似然法和最小二乘法都包含了概率论和数理统计方面的特性，因此可能会破坏软件可靠性模型参数估计的约束条件。当模型较为复杂或者软件失效数据规模较为庞大时，这两种方法都无法找到参数估计的最优解，此时大多转而采用数值计算方法。而传统数值方法经常会面临不能收敛或者迭代过程过分依赖初值等问题，因此需要寻找更好的软件可靠性模型参数估计方法。

近年来，一种新的思路是将群体智能算法应用到可靠性模型的参数估计中去。群体智能算法的基本思想是用分布搜索优化空间中的点来模拟自然界中的个体，用个体的进化或觅食过程类比为随机搜索最优解的过程，用求解问题的目标函数度量个体对于环境的适应能力，根据适应能力采取优胜劣汰的选择机制类比为用好的可行解代替差的可行解，将整个群体逐步向最优解靠近的过程类比为迭代的随机搜索过程。群体智能的最大特点是不依赖于问题本身的严格数学性质，不要求建立关于问题本身的精确数学描述模型，可解决传统方法难以或者不能解决的问题。

1。2 粒子群算法的发展历史及由来

1。3 软件可靠性

软件可靠性国内外研究现状及发展趋势。

1。4 论文安排

根据已经查到的文献和资料与已经学过的知识和内容。论文内容主要分为以下几点：