基于专家评价和BP网络组合赋权法.docVIP

基于专家评价和BP网络组合赋权法 　　摘要：针对软件可信性评估问题中出现的属性权重的确定方法问题，提出了一种基于专家评价和BP网络的组合赋权法，并给出了用户的预期的概念，具有一定的理论和实际意义。 　　关键词：专家评价；BP网络；主观赋权法；客观赋权法 　　1.引言 　　软件可信性评估问题[1]又称为多属性决策问题，一直以来都是学者们的热点，有关属性权重的确定方法都有很多种[2]。按照原始数据的来源不同可以将属性权重的确定方法分为三类：（1）主观赋权法。主观赋权方法在属性权重的来源数据是根据决策的需要，由专家组根据他们的自身经验和对领域的总和认知形成的对各属性的重要性的主观认识而进行的权重打分或评价从而给权重赋权的一类方法。目前主要的方法有：层次分析法（AHP）、点估计值法，比较矩阵法，模糊子集法等。其中层次分析法又称为判断矩阵法，是最常见的主观赋权法，指的是决策者根据其衡量标准对待赋权属性进行两两比较，构造出对应的判断矩阵，再按照一定的算法就得属性的权重向量。（2）客观赋权法。客观赋权法是根据客观信息（属性特征）按照一定的规则进行赋权的一类方法。这类方法最主要的特点就是权重不依赖于决策者的主观意识。主要的代表有：熵值法，线性规划法，基于方案满意度法，两阶段法等。（3）组合赋权法。主观赋权法考虑了决策者的偏好因素，权重赋值有时没有说服力，而客观赋权法不依赖不同的个体特征从而不会形成权重的个体误差，但是脱离人的判断倾向造成的权重有时不容易被认可。由于主观和客观赋权法都有其优点和缺点，学者们提出了综合主客观赋权法的组合赋权法。主要有专家协调赋权法，组合目标规划法，组合最小二乘法，方差最大化赋权法等。本文将使用综合专家评价法和BP算法的主客观组合赋权法对软件可信性评估体系中可信属性间的影响权重进行赋权。 　　2.专家评价法 　　第一步：组成专家团队 　　由于软件可信需求对软件产品有着一个较大范围的影响，权衡决策应当根据决策团队的共识来做出，并且决策者应当是一个跨功能团队。这样，我们方法的第一步工作就是形成一个由利??相关者（Stakeholder）组成的团队，他们有不同的视角并且代表不同的角色。比如，三个专家分别来自不同的地方，包括一位重点大学教授，一位国有企业的技术官和一位大型ERP软件公司软件开发者。 　　第二步：收集专家评估意见 　　项目专家团队应当做一个广泛的调查以获得软件可信性的有关信息。这个调查应当渠道多样，比如专业期刊、特别会议、调查问卷、因特网，头脑风暴，黄页等。这样，专家给一个软件系统中的可信属性间的相互影响赋予影响权重。但是这个权重是定性的描述或者不精确的一种量度。相对于精确的数字而言，决策者或者是软件的用户更容易运用评价语言来描述软件可信属性的重要性。因为人们知道软件可信性的实现程度是很难精确描述的，但是学者却试图分配绝对的数值给这些指标。这就会导致一个问题——对于普通的人来说是很难区分诸如0.35和0.4的，如果要用这些精确的数字来描述重要性程度，即便这次成功了，他也很难每次都出现相同的或者类似的结果。因此我们利用语言评价变量比如“大小高低”而不是精确的数字来分配权值给非功能需求是一种更为科学和合理的方法。 　　第三步：计算出各个属性间的相互影响权重 　　根据三位不同的专家运用语言评价变量集来表达他们对节点之间影响强度的个人观点。专家可能会给那些节点分配不同的评价，因为他们来自不同的公司并且有不同的观点。例如，教授可能会认为成熟性对可靠性的影响很大，因为他要求软件本身的要求很高，但是对于一个软件开发者来说成熟性对可靠性的影响一般，因此，三位不同角色的决策者对可信属性间的影响给出他们不同的偏好信息。 　　3.BP算法 　　反向传播算法又称误差后向传播算法，简称BP（Back Propagation）算法，它是用来训练多层前馈网络的一种学习算法，是一种有监督的学习算法，通常称用误差反向传播算法训练的网络叫BP网络。BP神经网络的隐含层通常具有多个，其传输函数常常采用sigmoid函数，在此处该函数的作用是数据的归一化处理，把数据化为0到1之间的数. 　　反向传播算法（BP算法）的主要思想是把学习过程分为两个阶段：第一阶段（正向传播过程），也就是软件可信性的评估者从第一层可信属性的属性值X（也称为根可信属性值）开始，依据专家评价赋权法给出可信属性间的相互影响的影响权重，逐层进行处理，直到最后一层（也就是软件的可信性评估值）。第二阶段（反向传播过程），若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此误差调节权值，从而使得输出值达到期望值。 　　4.用户的预期 　　目前明确给出可信值用户预期的表示方式的文献不多，大多数的研究是通过属性集、属