演化算法在软件工作量估算问题上的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-11页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 相关研究 | 第13页 |
| 1.4 本论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 软件工作量估算问题概述 | 第15-22页 |
| 2.1 软件工作量估算问题概述 | 第15页 |
| 2.2 软件工作量的估算方法分类以及评价标准 | 第15-19页 |
| 2.2.1 软件工作量的估算方法分类 | 第15-17页 |
| 2.2.2 软件工作量估算方法的评价标准 | 第17-19页 |
| 2.3 几种软件工作量估算算法 | 第19-20页 |
| 2.3.1 线性回归算法 | 第19页 |
| 2.3.2 神经网络算法 | 第19-20页 |
| 2.3.3 案例推理算法 | 第20页 |
| 2.3.4 组合算法 | 第20页 |
| 2.4 几种算法比较 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 案例推理应用于软件工作量估算 | 第22-28页 |
| 3.1 引言 | 第22页 |
| 3.2 案例推理算法概述 | 第22-24页 |
| 3.2.1 案例推理算法原理 | 第22-23页 |
| 3.2.2 案例推理算法的研究与应用现状 | 第23-24页 |
| 3.3 案例推理算法设计描述 | 第24-27页 |
| 3.3.1 案例推理算法设计 | 第24-25页 |
| 3.3.2 案例的表示与组织 | 第25页 |
| 3.3.3 案例的检索 | 第25-26页 |
| 3.3.4 案例的重用 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 遗传算法应用于软件工作量估算 | 第28-38页 |
| 4.1 遗传算法概述 | 第28-32页 |
| 4.1.1 遗传算法生物学基础 | 第28页 |
| 4.1.2 遗传算法的发展 | 第28-29页 |
| 4.1.3 遗传算法的基本模型及其分类 | 第29-31页 |
| 4.1.4 遗传算法的研究与应用现状 | 第31-32页 |
| 4.2 遗传与案例推理组合设计描述 | 第32-37页 |
| 4.2.1 遗传算法设计 | 第32-35页 |
| 4.2.2 遗传结合案例推理应用实现 | 第35-37页 |
| 4.3 本章小结 | 第37-38页 |
| 第五章 差分进化算法应用于软件工作量估算 | 第38-49页 |
| 5.1 差分进化算法概述 | 第38-44页 |
| 5.1.1 差分进化算法生物学基础 | 第38页 |
| 5.1.2 差分进化算法基本模型 | 第38-40页 |
| 5.1.3 几种改进的差分进化算法 | 第40-43页 |
| 5.1.4 差分进化算法研究与应用现状 | 第43-44页 |
| 5.2 差分算法与案例推理组合设计描述 | 第44-47页 |
| 5.2.1 差分进化算法设计 | 第44-46页 |
| 5.2.2 差分结合案例推理应用实现 | 第46-47页 |
| 5.3 本章小结 | 第47-49页 |
| 第六章 综合实验对比分析 | 第49-70页 |
| 6.1 实验数据集介绍 | 第49-50页 |
| 6.2 数据预处理 | 第50-51页 |
| 6.3 实验参数分析 | 第51-64页 |
| 6.3.1 基本案例推理算法参数分析 | 第51-56页 |
| 6.3.2 遗传结合案例推理算法参数分析 | 第56-60页 |
| 6.3.3 差分进化结合案例推理算法参数分析 | 第60-64页 |
| 6.4 几种算法对比 | 第64-68页 |
| 6.4.1 线性回归设计实现 | 第64-65页 |
| 6.4.2 神经网络设计实现 | 第65-67页 |
| 6.4.3 几种算法综合对比 | 第67-68页 |
| 6.5 本章小结 | 第68-70页 |
| 总结 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
