賴曉燕,林 娟

(1.福建農(nóng)林大學 金山學院， 福建 福州 350002;2.福建農(nóng)林大學 計算機與信息學院， 福建 福州 350002)

軟件構(gòu)件選擇方法研究

賴曉燕1,林 娟2

(1.福建農(nóng)林大學 金山學院， 福建 福州 350002;2.福建農(nóng)林大學 計算機與信息學院， 福建 福州 350002)

為了有效地進行軟件構(gòu)件選擇，將軟件構(gòu)件選擇分成單構(gòu)件選擇和多構(gòu)件選擇兩類問題.針對單構(gòu)件選擇問題，把改進的Vague集引入構(gòu)件質(zhì)量評價，通過評價給出構(gòu)件質(zhì)量的優(yōu)劣排序，將多構(gòu)件選擇問題映射為一個多選擇背包問題，提出一種混合的自適應遺傳算法，該算法在迭代初期采用固定的交叉概率和變異概率，在迭代末期采用改進的自適應遺傳算法.通過仿真實驗表明，與其他算法比較該算法具有較好的全局尋優(yōu)能力和執(zhí)行效率.

單構(gòu)件選擇；Vague集；構(gòu)件質(zhì)量評價；多構(gòu)件選擇；自適應遺傳算法

基于構(gòu)件的軟件開發(fā)(Component-based Software Development, CBSD)通過對已有構(gòu)件的復用和組裝來構(gòu)建新的軟件系統(tǒng)，大幅度的降低了軟件開發(fā)成本，提高了軟件開發(fā)效率，是目前主流的軟件開發(fā)方法.隨著CBSD技術(shù)的日益成熟，在開放的互聯(lián)網(wǎng)中分布了大量的構(gòu)件，如何快速、有效地選擇合適的構(gòu)件，是基于構(gòu)件的軟件工程(Component-based Software Engineering, CBSE)所面臨的首要問題.

目前，在軟件構(gòu)件選擇方面的研究已經(jīng)取得了一些成果，文獻[1]提出了基于場景匹配的可信構(gòu)件選擇方法，文獻[2]提出了一種滿足用戶可信度期望的構(gòu)件選擇方法，文獻[3]提出了基于非線性模糊質(zhì)量功能展開的構(gòu)件選擇模型.上述文獻從不同角度探討了軟件構(gòu)件的選擇方法，為構(gòu)件選擇方法的研究提供了重要的參考，但是現(xiàn)有的方法大多針對單個構(gòu)件的選擇，對于多構(gòu)件選擇的研究甚少，文獻[4]指出了多構(gòu)件選擇為特定約束下的組合優(yōu)化問題，但并沒有建立具體的實現(xiàn)模型.按選擇構(gòu)件的數(shù)量可將用戶分為兩種：選擇單個構(gòu)件用戶和選擇多個構(gòu)件用戶，而在具體操作過程中，選擇單構(gòu)件的用戶通過檢索技術(shù)在構(gòu)件庫中檢索出的滿足用戶基本要求的構(gòu)件少則幾十種，多則幾百種，而多構(gòu)件選擇用戶的檢索結(jié)果則達上千種，因而，如何在檢索結(jié)果集中挑選出最滿意的目標構(gòu)件或構(gòu)件組合具有非常重要的現(xiàn)實意義.基于此，本文分別對單構(gòu)件和多構(gòu)件選擇問題進行研究，并給出相應的構(gòu)件選擇方法.

1 單構(gòu)件選擇

1.1 單構(gòu)件評價與選擇

基于構(gòu)件組裝的軟件產(chǎn)品的質(zhì)量很大程度依賴于構(gòu)件的質(zhì)量.面對眾多的構(gòu)件產(chǎn)品，構(gòu)件質(zhì)量是用戶進行構(gòu)件選擇的重要依據(jù).因此，為了選擇合適的單個構(gòu)件，必須對符合用戶需求的批量構(gòu)件進行質(zhì)量評價，并根據(jù)評價的結(jié)果對構(gòu)件進行優(yōu)劣排序.但是目前針對構(gòu)件質(zhì)量的有效評價模型比較缺乏，為此，本文提出一種基于改進Vague集的構(gòu)件質(zhì)量評價模型，為用戶選擇構(gòu)件提供一種度量參考.

1.2 Vague集的改進

構(gòu)件質(zhì)量評價是涉及多指標的決策，多數(shù)的指標具有模糊性和不確定性，為了增加決策的柔性，引入Vague集，它是模糊集的一個擴展，可以同時表示評價者肯定、否定兩個方面的信息，而改進的Vague集除了可以同時考慮隸屬度、非隸屬度，還增加了猶豫度，描述了人類對事物的認知過程中存在不同程度的猶豫的現(xiàn)象，能更客觀地刻畫事物的模糊性本質(zhì).

定義1 設μA(x),νA(x),πA(x)分別表示x關于A的隸屬度，非隸屬度和猶豫度，則稱

A={<μA(x),νA(x)>|x∈X,X≠Φ}

(1)

d(α1,α2,…,αn)=

(2)

(3)

為方案的貼近度.

1.3 基于改進Vague集的構(gòu)件質(zhì)量評價與選擇

1.3.1 確定評價指標體系及權(quán)重系數(shù)

結(jié)合ISO/IEC25010軟件質(zhì)量模型，參照文獻[6]中軟件構(gòu)件質(zhì)量特性與子特性的選擇需求，通過增加質(zhì)量特性、質(zhì)量子特性，甄選、裁剪子特性，構(gòu)建了兩級的構(gòu)件質(zhì)量評價指標體系見表1.

表1 構(gòu)件質(zhì)量評價體系

質(zhì)量特性子特性功能性適合性、準確性、互操作性、安全性可靠性成熟性、容錯性、易恢復性易用性易理解性、易操作性、吸引性效率時間特性、資源利用性維護性易分析性、易改變性、穩(wěn)定性、易測試性可移植性適應性、共存性、易替換性可復用性接口成熟性、易組裝性、獨立性、通用性、演化兼容性

權(quán)重系數(shù)是指標重要程度的度量，為了減少權(quán)重確定的主觀性和盲目性，本文參照文獻[7]中的基于改進的層次分析法與專家群體決策相結(jié)合的方法，確定了二級指標體系的權(quán)重.

第一級指標體系U的權(quán)重向量為

(4)

第二級指標體系Ui的權(quán)重向量為

(5)

其中i=1,…,n，ni為質(zhì)量特性Ui所對應的質(zhì)量子特性的個數(shù).

1.3.2 構(gòu)造二級決策矩陣

(6)

其中ni為質(zhì)量特性Ui所對應的質(zhì)量子特性的個數(shù).

根據(jù)(2)式，可以得到第二級指標的綜合屬性值di:

(7)

所有的第二級指標的綜合屬性值構(gòu)成了第一級指標的決策矩陣D：

(8)

根據(jù)(2)式，可以得到第一級指標的綜合屬性值d：

(9)

1.3.3 計算貼近度及排序

根據(jù)式(3)，分別計算m個構(gòu)件最終評價值dCk(k=1,2,…，m)的貼近度，并按照貼近度的大小進行排序.

2 基于混合的自適應遺傳算法的多構(gòu)件選擇

2.1 多構(gòu)件選擇問題

在組裝應用系統(tǒng)的過程中，為了實現(xiàn)一個較復雜的任務，用戶往往需要同時選擇不同類型的多個構(gòu)件.假設某用戶為了實現(xiàn)一個較大的任務，需要功能獨立，低耦合的M個構(gòu)件，但是考慮到成本問題，經(jīng)費限定為COST千元.多構(gòu)件選擇過程為：首先該用戶在構(gòu)件庫中基于功能刻面分類檢索，得到M類構(gòu)件，其中第i類中有Ni個不同的構(gòu)件；然后該用戶從每一類中選擇一個構(gòu)件，每類必須且只能選擇一個構(gòu)件，將得到一個M個構(gòu)件的組合，為了獲得最高的性價比，該組合構(gòu)件的費用在COST之內(nèi)，但是組合構(gòu)件的綜合評價值最高.因此，多構(gòu)件選擇是一個多選擇背包問題，為0/1背包問題的其中一種變形，被定義為有附加約束的背包問題，多構(gòu)件選擇的數(shù)學模型描述如下：

(10)

(11)

(12)

其中，cij表示第i類中第j個構(gòu)件的評價值，wij表示第i類中第j個構(gòu)件的費用，COST是購買構(gòu)件的最大費用.xij的值表示第i類中第j個構(gòu)件是否被選擇，如果被選擇則取1，否則取0.式(10)為目標函數(shù)，目標是構(gòu)件的綜合評價值最高，式(11)和式(12)為約束條件，分別表示總費用限制和每類必須選擇一個構(gòu)件.

多構(gòu)件選擇是一個NP難問題.下面采用改進的自適應遺傳算法來求解構(gòu)件組合的最優(yōu)解.

2.2 自適應遺傳算法的改進

2.2.1 交叉概率和變異概率的改進

遺傳算法在求解0-1背包問題上應用廣泛，但在實際操作中，基本的遺傳算法存在容易早熟，收斂速度慢等缺點，使得求解質(zhì)量不高，執(zhí)行效率不理想.遺傳算法中控制搜索能力的交叉算子、變異算子的取值直接影響了算法的收斂速度和全局尋優(yōu)能力，交叉概率越大，產(chǎn)生新個體的速度越快，然而，具有低價、短定義距的高適應度個體的模式串被破壞的可能性也越大，將不利于尋找全局最優(yōu)解，交叉概率越小，搜索過程越慢；對于變異概率，取值很小，將不利于生成新的模式，取值過大，遺傳算法就變成了隨機搜索方法.很多學者研究了如何在遺傳操作中控制交叉算子、變異算子，如傳統(tǒng)的自適應遺傳算法中，交叉概率和變異概率可以隨著適應度自動改變，其定義公式如下[8-10]：

(13)

(14)

式中：fmax為群體中最大的適應度值；favg為每代群體中的平均適應度值；fbig為要交叉的兩個個體中較大的適應度值；f為要變異個體的適應度值.

從式(13)和式(14)可以看出，對于較差的個體，采用較大的交叉和變異概率，將其淘汰；對于較好的個體，采用較低的交叉和變異概率，使其優(yōu)良的性能得以保護；每代中的最優(yōu)個體的交叉和變異概率都為零，即不參與交叉和變異，直接保存下來，這種策略比較適合進化的后期，在迭代的早期，最優(yōu)個體其極易“迷惑”遺傳算法，使其陷入局部解的陷阱.為此對交叉概率和變異概率作進一步的改進，定義如下：

(15)

其中，當參與交叉、變異的個體的適應度為最大值時，交叉概率為k1-k2，變異概率為k3，均為正數(shù)，可以確保最優(yōu)個體也參與交叉和變異運算.另外，鑒于自適應算法比較適合迭代末期的情況，本文將采用混合的自適應遺傳算法，設定一個固定參數(shù)將遺傳算法分成初期和后期兩部分，當?shù)螖?shù)小于固定參數(shù)時執(zhí)行固定的交叉概率和變異概率的遺傳操作，當?shù)螖?shù)大于固定參數(shù)時，執(zhí)行自適應遺傳算法.固定參數(shù)由多次實驗獲得.

2.2.2 修復操作

遺傳算法中的交叉和變異操作都可以使群體多樣性得到維持，其中，變異操作是對個體串中的某些基因座上的基因值用其基因座的等位基因來替換，從而生成一個新的個體，保持了群體的多樣性.但是在基本遺傳算法中，變異操作的基因座是隨機確定的，替換過程也是在一定變異概率下的基因突變，是對單個個體的行為，如果將群體看成是一個矩陣，那么一個個體可以看成是一行，基本遺傳算法中的變異是從行的角度考慮的，但是這種操作方式?jīng)]有從列的方向即從整個群體的角度來進行突變，進而增加群體的多樣性.我們在實驗過程中發(fā)現(xiàn)當某一代群體中某一列取值都相同時，如圖1所示，假設群體規(guī)模為5，染色體長度為8，在某一次遺傳操作后，所有5個個體的第4個基因座的基因值都為3，表示父代第4位的很多特征在子代丟失，按照通常的交叉和變異操作，在該位的基因?qū)⒑茈y有突破，群體多樣性提高很困難，從而發(fā)生不成熟收斂的現(xiàn)象.基于此，提出群體修復操作，以提高種群的多樣性.修復的方法是：在遺傳進程進入下一代之前，統(tǒng)計種群矩陣中每列的取值情況，若在某一列取值都相同時，則強制其中某一個(或某幾個)個體在該列所對應的基因在變異概率下發(fā)生突變.

個體1個體2個體3個體4個體51453748612436215716324846523727154133476

圖1 迭代中的群體

2.3 利用改進的自適應遺傳算法進行多構(gòu)件選擇

2.3.1 編碼

根據(jù)多選擇背包問題的特點，本文選用一維染色體編碼.一條染色體由m個基因組成，對應m個構(gòu)件類，基因位置表示構(gòu)件的類，每一個基因的值表示所對應構(gòu)件類中選出的一個構(gòu)件，如個體的第i個基因取值為k，表示從第i個構(gòu)件類中選擇了第k個構(gòu)件.如一條染色體序列為52381，表示在五個構(gòu)件類中，第一個構(gòu)件類中的第5個構(gòu)件，第二個構(gòu)件類中的第2個構(gòu)件，第三個構(gòu)件類中的第3個構(gòu)件，第四個構(gòu)件類中的第8個構(gòu)件，第五個構(gòu)件類中的第1個構(gòu)件被用戶選中.

2.3.2 適應度函數(shù)

適應度函數(shù)是對群體中各個個體的環(huán)境適應能力進行評價的函數(shù)，是遺傳算法進化過程的驅(qū)動力.環(huán)境適應能力強即適應度高的個體相較于適應度低的個體遺傳到下一代的概率較大，對于多構(gòu)件選擇來說，適應度越高，表示該個體的多構(gòu)件組合方式的綜合評價值越高，用戶對其越青睞.本文選擇用式(10)作為適應度評價函數(shù)，其中每個構(gòu)件的評價值由上文中的單構(gòu)件評價方法獲得.

2.3.3 遺傳操作

遺傳操作是實現(xiàn)優(yōu)勝劣汰的過程，通過選擇、交叉和變異的遺傳操作，可以使得群體一代又一代地優(yōu)化，進而逐步逼近最優(yōu)解.在對群體中個體的適應度評估完后，可以進行選擇操作，本文采用最基本的適應度比例選擇機制——賭輪方式進行隨機選擇，在選擇輪盤時，采用折半查找的方法提高搜索效率.

基于上述染色體編碼的特殊結(jié)構(gòu)，采用一致交叉算子.采用位點變異操作，其基本步驟如下：先從染色體編碼串中隨機挑選一個或多個變異點，然后在變異概率下，將變異點的基因替換為其他的等位基因，當其他等位基因有多個時，通過隨機選擇，在構(gòu)件選擇中，位點變異是指在變異概率下從基因位置所對應的構(gòu)件類中找一個任意構(gòu)件來替換當前被選構(gòu)件.

在一致交叉、位點變異后檢查群體中所有個體同一個基因座的取值情況，如果出現(xiàn)同一個基因座取值都相同時，從群體中隨機挑選一個或多個的個體，在變異概率下進行修復操作.

為了確保算法收斂及收斂效率，本文采用精英保留策略.改進的自適應遺傳算法的基本流程如圖2所示.

圖2 改進遺傳算法的基本流程

3 算例研究

3.1 單構(gòu)件選擇實例

某用戶為了實現(xiàn)一個簡單的任務需要一個構(gòu)件，在構(gòu)件庫中經(jīng)檢索找到了一批功能相近的構(gòu)件，假設在用戶期望的價格區(qū)間仍有3個軟件構(gòu)件(構(gòu)件1、構(gòu)件2和構(gòu)件3)供其選擇，運用本文的基于改進Vague集的構(gòu)件質(zhì)量評價方法對3個構(gòu)件進行評價并給出排序結(jié)果.

3.1.1 確定兩級指標的權(quán)重

采用改進的層次分析法獲得的指標權(quán)重與專家權(quán)重進行線性相加后獲得的各個指標的綜合權(quán)重為：

第一級指標體系的權(quán)重向量

w=(w1,w2,…,w7)=

(0.3,0.22,0.08,0.21,0.08,0.07,0.04)

第二級指標體系的權(quán)重向量

wU1=(w11,w12,…,w14)=

(0.4,0.3,0.15,0.15)，

wU2=(0.35,0.35,0.3)，

wU3=(0.4,0.5,0.1)，

wU4=(0.5,0.5)，

wU5=(0.3,0.3,0.2,0.2)，

wU6=(0.2,0.5,0.3)，

wU7=(0.2,0.3,0.2,0.1,0.2)

3.1.2 構(gòu)造二級決策矩陣

聘請10位相關領域的專家，對3個構(gòu)件的質(zhì)量子特性進行評價，根據(jù)式(6)，可以得到功能性、可靠性、可復用性等7個質(zhì)量特性的決策矩陣：

按(2)式計算，可以得到第二級指標的綜合屬性值:

3.1.3 計算貼近度并排序

從綜合屬性值可知，所有專家對3個構(gòu)件的評價是非常接近的，如，對于第一個構(gòu)件有71%專家是支持的，16%的專家是反對的，對于第二個構(gòu)件有70%的專家是支持的，17%的專家是反對的.因此，需要進一步計算3個構(gòu)件的貼近度，根據(jù)式(3)可得

ε1=0.816，

ε2=0.805，

ε3=0.831

按照貼近度大小，3個構(gòu)件質(zhì)量的優(yōu)劣排序為：構(gòu)件3>構(gòu)件1>構(gòu)件2.

根據(jù)構(gòu)件質(zhì)量的優(yōu)劣排序，該用戶可以選擇質(zhì)量評價最高的第3個構(gòu)件.

3.2 多構(gòu)件選擇實例

為了驗證本文提出混合的自適應遺傳算法的有效性與可行性，對一個由8類構(gòu)件，每類構(gòu)件數(shù)目分別為{8,5,6,8,7,5,8,6}的多構(gòu)件選擇進行仿真實驗，見式(17).為了比較，使用DEV-C++編寫了3套程序來求解：分別采用基本遺傳算法、自適應遺傳算法、本文的混合的自適應遺傳算法.為了更好的比較，三種算法的參數(shù)設置為一樣，種群規(guī)模為40，最大迭代次數(shù)為100，交叉概率pc=0.6，變異概率pm=0.15，自適應遺傳算法和本文中混合的自適應遺傳算法中的系數(shù)為k1=0.8,k2=0.3,k3=0.2,k4=0.1.

maxf(x)=3x11+4x12+5x13+4x14+8x15+

5x16+4x17+4x18+7x21+9x22+8x23+4x24+

5x25+5x31+6x32+9x33+8x34+4x35+6x36+

2x41+8x42+7x43+5x44+4x45+3x46+7x47+

8x48+8x51+5x52+7x53+9x54+7x55+4x56+

7x57+6x61+8x62+7x63+9x64+5x65+

6x71+9x72+7x73+4x74+3x75+7x76+9x77+

8x78+9x81+2x82+5x83+5x84+8x85+6x86

(17)

約束條件為

6x11+8x12+5x13+4x14+9x15+5x16+9x17+

3x18+6x21+5x22+3x23+5x24+9x25+

8x31+6x32+4x33+8x34+4x35+3x36+

9x41+4x42+8x43+9x44+4x45+9x46+

4x47+5x48+3x51+7x52+4x53+2x54+

3x55+8x56+5x57+8x61+3x62+2x63+8x64+

6x65+5x71+4x72+3x73+8x74+9x75+2x76+

4x77+4x78+2x81+9x82+2x83+6x84+4x85+

3x86≤38

x11+x12+x13+x14+x15+x16+x17+x18=1

x21+x22+x23+x24+x25=1

x31+x32+x33+x34+x35+x36=1

x41+x42+x43+x44+x45+x46+x47+x48=1

x51+x52+x53+x54+x55+x56+x57=1

x61+x62+x63+x64+x65=1

x71+x72+x73+x74+x75+x76+x77+x78=1

x81+x82+x83+x84+x85+x86=1

通過多次實驗，本文提出的混合的自適應遺傳算法引入的固定參數(shù)設置為20時，尋優(yōu)的平均結(jié)果最為理想，即在前20代采用固定的交叉、變異概率進行遺傳操作，在20代以后采用本文改進的自適應遺傳算法進行遺傳操作.利用本文的混合的自適應算法運行40次，可以求得該問題的最優(yōu)值為70，共找到2個最優(yōu)解：{5,2,3,2,4,4,2,1}，{5,2,3,2,4,4,7,1}，表示在一定費用的限制下，選擇第一類的第5個構(gòu)件、第二類的第2個構(gòu)件、第三類的第3個構(gòu)件、第四類的第2個構(gòu)件、第五類的第4個構(gòu)件、第六類的第4個構(gòu)件，第七類的第2個或第7個構(gòu)件、第八類的第1個構(gòu)件的多構(gòu)件組合方式最貼近用戶的需求.

對于多構(gòu)件選擇問題，將本文的算法與基本遺傳算法、自適應遺傳算法進行比較，三種算法各進行40次的運算，平均適應度隨迭代次數(shù)的變化曲線如圖3所示，三種算法的運行對比結(jié)果見表2.

圖3 平均適應值變化

從圖3 可知，本文的算法在較少的迭代次數(shù)下可以獲得較高的平均適應度值，在相同的迭代次數(shù)下，本文算法獲得的群體平均適應度最好，明顯高于另外兩種算法，自適應遺傳算法的平均適應度其次，基本遺傳算法的最差.

表2 三種算法比較

算法最優(yōu)值找到最優(yōu)解次數(shù)找到最優(yōu)解的概率基本遺傳算法7016次40%自適應遺傳算法7018次45%混合的自適應遺傳算法7027次67．5%

由表2可知，三種算法都可以找出最佳的多構(gòu)件組合，但是在找到最優(yōu)解的頻次上不同，本文的算法在40次的實驗中，找到最優(yōu)解的次數(shù)可以達到27次，找到最優(yōu)解概率可達67.5%，比基本遺傳算法找到最優(yōu)解的概率40%提升了27.5%，比自適應遺傳算法的求解概率也提升了22.5%，說明本文的算法提高了求解質(zhì)量，算法有效.

4 結(jié)束語

如何從批量的構(gòu)件中選擇合適的單個構(gòu)件或構(gòu)件組合是CBSE的首要問題，針對單個構(gòu)件選擇的基于改進Vague集的構(gòu)件質(zhì)量評價模型，既考慮了指標的模糊性，又考慮了評價中存在反對和不確定性的情況，實例表明該評價方法客觀合理，操作簡便，可以推廣；針對多個構(gòu)件選擇的混合的自適應遺傳算法大大提高了算法的尋優(yōu)能力.對交叉算子和變異算子的改進，加快了算法的收斂速度，修復操作的實施增強了種群的多樣性.仿真實驗表明，本文方法的求解質(zhì)量優(yōu)于基本遺傳算法和自適應遺傳算法，說明采用混合的自適應遺傳算法進行多構(gòu)件選擇方法非常有效.

[1] 魏樂，趙秋云，舒紅平.一種基于場景匹配的可信構(gòu)件選擇方法[J].微電子學與計算機，2011，28(8)：176-179.

[2]馬華，張紅宇.結(jié)合可信度模糊評價與動態(tài)聚類的構(gòu)件選擇[J].計算機工程與應用,2011,47(21):73-76.

[3] 孫劍，徐瑩.基于NF-QFD的構(gòu)件選擇方法[J]. 高師理科學刊,2013,33(5):24-28.

[4]盛津芳，王斌.基于FCD擴展的多構(gòu)件選擇過程[J].計算機應用,2007,27(4):860-862.

[5] 徐澤水.直覺模糊信息集成理論及應用[M].北京：北京科學出版社，2008，13-15.

[6] 李曉麗，劉 超，金茂忠，等.《軟件構(gòu)件產(chǎn)品質(zhì)量》標準介紹[J].信息技術(shù)與標準化,2006(6):19:24.

[7]賀海波，陳立潮，張英俊，等.基于群體決策的軟件構(gòu)件質(zhì)量評價模型研究[J].計算機工程與設計. 2010,31 (21):4 639-4 642.

[8]王娜，向鳳紅，毛劍琳.改進的自適應遺傳算法求解 0/1 背包問題 [J]. 計算機應用，2012，32(6)： 1 682 -1 684.

[9]梁旭,黃明,寧濤，等.現(xiàn)代智能優(yōu)化混合算法及其應用[M].北京：電子工業(yè)出版社，2014.

[10]鮑江宏.用遺傳算法實現(xiàn)罰函數(shù)法解多選擇背包問題[J]. 計算機工程與設計,2008，29(17):4 518-4 521.

(編輯：劉寶江)

Research on software component selection methods

LAI Xiao-yan1, LIN Juan2

(1.Jinshan College, Fujian Agriculture and Forestry University， Fuzhou 350002, China;2.College of Computer and Information, Fujian Agriculture and Forestry University, Fuzhou 350002, China)

In order to select software component effectively, the software component selection is divided into two kinds of problem, one is single component selection and the other is multiple component selection. For the single component selection, improved vague set is introduced into the evaluation of component quality. By using the evaluation method the ranking of the component quality is given. Multiple component selection is mapped as the multiple-choice knapsack problem and we propose a hybrid adaptive genetic algorithm. In the algorithm, crossover probability and mutation probability are fixed in the early iterations, while in the last stage of iteration we use improved adaptive genetic algorithm. The simulation experiments show that comparisons with other algorithms the algorithm has strong ability of global optimization and high efficiency.

single component selection; Vague set; evaluation of component quality; multiple component selection; adaptive genetic algorithm

2015-05-12

福建省自然科學基金資助項目(2014J01219)；福建省教育廳基金A類資助項目(JA14110)

賴曉燕,女，lxyfj@163.com

1672-6197(2015)06-0025-07

TP

A