遗传算法和神经网络在软件抗衰技术中的应用

论文摘要

软件衰退现象，即软件系统随时间而出现的状态退化和性能降低，乃至系统崩溃的现象，是影响系统可靠性的一个重要因素。为了减缓软件衰退所带来的危害，软件抗衰技术被提了出来。目前有两种最基本的软件抗衰策略——基于时间的抗衰策略和基于测量的抗衰策略。本文围绕基于测量的软件抗衰策略，结合遗传算法和神经网络对定期监测和收集到的系统性能参数进行分析，预测资源消耗和软件衰退的趋势，在系统负载过重时采取必要的应对措施。本文首先对遗传算法和神经网络的优缺点进行分析，然后将这两种算法结合起来，使得新的结合算法能够充分利用两者的优点，既有神经网络的学习能力和鲁棒性，又有遗传算法的全局随机搜索能力。同时，本文对基本算法做了改进，对遗传算法的步骤、编码方式、参数的选取以及适应度函数的定义按照本文的需求进行设计，在对BP网络进行训练时用多种不同的学习算法做对比，选取预测效果好的方法进行实验预测。在仿真实验中，文章给出第七天的预测值，并和实际值进行比较，说明本文算法的可行性，然后对未来的数据进行预测。最后本文对比单独用遗传算法或神经网络进行仿真实验的实验结果，表明本文算法的在预测合格率方面具有较大的优越性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 软件抗衰及其预测领域的研究现状
• 1.3 本文主要工作
• 1.4 本文的结构与组织
• 2 遗传算法的基础理论
• 2.1 遗传算法的产生与发展
• 2.2 遗传算法的工作原理
• 2.2.1 遗传算法的生物学原理
• 2.2.2 基本遗传算法（SGA）的构成因素
• 2.2.3 基本遗传算法的一般步骤
• 2.3 遗传算法的特点和应用
• 2.4 遗传算法的改进方法
• 2.4.1 成长过程
• 2.4.2 最优保存策略
• 2.4.3 自适应算法
• 2.5 本章小结
• 3 人工神经网络的基础理论
• 3.1 人工神经网络的基础知识
• 3.1.1 人工神经元模型
• 3.1.2 神经元的激励函数
• 3.1.3 神经网络的类型
• 3.2 BP 网络的基础知识
• 3.2.1 BP 网络的反向传播算法
• 3.2.2 BP 网络的公式推导
• 3.2.3 BP 算法的改进方法
• 3.3 神经网络的特点和应用
• 3.4 本章小结
• 4 基于遗传算法和神经网络的预测方法设计
• 4.1 预测方法结构设计
• 4.1.1 遗传算法和神经网络结合方式
• 4.1.2 本文中的预测算法流程
• 4.2 遗传算法部分的设计
• 4.2.1 编码方案
• 4.2.2 染色体结构
• 4.2.3 初始群体的生成
• 4.2.4 个体成长
• 4.2.5 适应度函数
• 4.2.6 遗传算子
• 4.2.7 终止条件
• 4.3 BP 神经网络部分的设计
• 4.3.1 网络的输入数据及目标输出
• 4.3.2 样本的组织
• 4.3.3 网络结构
• 4.3.4 激励函数
• 4.3.5 学习算法
• 4.3.6 网络评价
• 4.3.7 网络训练
• 4.4 本章小结
• 5 预测实例及结果分析
• 5.1 数据预处理
• 5.1.1 数据来源
• 5.1.2 数据归一化
• 5.2 用遗传算法生成初始网络
• 5.2.1 本文的方法产生的问题
• 5.2.2 进一步的改进方法
• 5.2.3 结果分析及比较
• 5.3 用 BP 算法优化网络
• 5.3.1 网络训练
• 5.3.2 泛化能力
• 5.3.3 预测结果
• 5.4 算法比较
• 5.5 本章小结
• 总结与展望
• 致谢
• 参考文献