[发明专利]一种基于多智能体进化的软件模块聚类分析方法

说明书

技术领域

本发明属于软件工程领域，特别涉及一种基于多智能体进化的软件模块聚类分析方法。

背景技术

软件模块聚类(softwaremoduleclustering)是指基于软件模块间的连接关系对软件模块系统进行自动划分并得到模块化较好的聚类结果。软件模块聚类对软件系统设计，维护和发展的过程起着至关重要的作用，其结果对软件系统的设计和维护起着重要的指导作用。随着商业和生活的需求，软件系统的功能越来越强大，同时软件系统的大小也随之上升，这使得软件模块聚类的作用尤为重要。针对软件模块聚类问题，已有许多国内外学者提出多种不同的优化算法，包括爬山法，遗传算法，模拟退火算法等。爬山法的基本操作是从一个随机的划分开始，不断地重复搜索其邻域中更好的划分，直至其邻域中没有找到更优的目标适应度函数值对应的划分为止。由于它的灵活简单，并能够快速地找到问题的最优解的特点，因而受到广泛的应用。

然而，爬山法的缺点是在优化过程中容易陷入局部最优，使得最终得到的最优划分并不是最好的结果，为了避免这个问题，很多学者开始使用进化算法来解决软件模块聚类问题，其中以遗传算法的使用较为常见，遗传算法的实现主要通过设计选择、交叉、变异这三个主要的操作算子，来对解空间进行搜索，从而得到最优的适应度函数值，最后将最优的适应度函数值所对应的解决方法作为最终的解决方法。虽然遗传算法能够有效地克服容易陷入局部最优的缺点，但是传统的遗传算法在产生后代的选择操作中是依据个体的适应度进行全局选取，这显然不符合自然选择的规律。在实际自然选择的过程中，个体间的互动仅发生在一定的局部环境中，即每个个体仅能与周围的个体进行交互。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

对于软件模块聚类问题已研究的算法大都采用启发式算法和传统的遗传算法。现有的启发式算法在求解软件模块聚类问题中仅是容易得到局部最优、整体效果并不出众，而遗传算法的稳定性低。

发明内容

为了解决现有技术的问题，本发明提供了一种基于多智能体进化的软件模块聚类分析方法，所述基于多智能体进化的软件模块聚类分析方法，包括：

步骤一，对待分析的智能体网格进行初始化，得到初始化智能体网格L⁰，确定与所述初始化智能体网格L⁰对应的最优智能体数组Best⁰，在所述初始化智能体网格L⁰中随机生成带有编码的预设数量的智能体；

步骤二，根据预设的适应度函数，确定所述初始化智能体网格L⁰中每个所述智能体的适应度数值，选取所述初始化智能体网格L⁰中的最大适应度函数值，将与所述最大适应度函数值的智能体存入所述最优智能体数组Best⁰中；

步骤三，选取所述初始化智能体网格L⁰中任一所述智能体作为第一目标智能体，在所述初始化智能体网格L⁰中确定具有最大适应度函数值的智能体，并对对所述第一智能体中的数据进行选择性替换，对所述初始化智能体网格L⁰中的全部所述智能体都进行选择性替换后，得到中间代智能体网格L^t+1/2；

步骤四，选取所述中间代智能体网格L^t+1/2中任一所述智能体作为第二目标智能体和符合预定标准的智能体，将所述符合预定标准的智能体中的数据替换到所述第二智能体中，将所述中间代智能体网格L^t+1/2中的全部智能体都进行完数据替换后，得到后续智能体网格L^t+1；

步骤五，在所述后续智能体网格L^t+1中选取具有最大适应度函数值的智能体作为第三智能体，对所述第三智能体执行如所述步骤三和所述步骤四中的处理过程，从处理后的智能体中选取具有最大适应度函数值的极大适应度函数值智能体，更新所述最优智能体数组Best⁰，获取此时的最优智能体数组Best^t，并将所述极大适应度函数值智能体存入极大智能体数组CBest^t+1中；

步骤六，根据所述极大智能体数组CBest^t+1与所述最优智能体数组Best^t中的智能体适应度函数值的数值关系，结合处理代数t与预设代数阈值的关系，选取合适的智能体的数据进行软件模块聚类处理。