23、基于EHO调优Adaboost的软件缺陷检测

基于EHO调优Adaboost的软件缺陷检测

1. 引言

软件缺陷检测对于保障计算机系统的可靠性和功能性至关重要。传统的检测技术可能会遗漏一些微小的缺陷，而Adaboost分类器具有自动识别软件代码中复杂模式和关联的能力，有望发现这些不易察觉的缺陷。然而，算法的性能高度依赖于超参数的选择，因此需要使用元启发式优化器来选择能提升性能的参数。

2. EHO算法及改进

2.1 基本EHO算法

在基本的EHO算法中，会随机生成[0, 2]内的任意数字，以此随机决定从先前生成的“小牛”继承属性的比例。之后，将所有家族的“公牛”“后宫”和“小牛”合并，按适应度升序排列麋鹿，保留优良的麋鹿用于下一代。

2.2 改进的EHO算法（MEHO）

为了进一步提升EHO算法的性能，引入了基于准反射的学习机制（QRL）到EHO算法的初始化阶段，这样可以增加搜索空间的覆盖范围。对于每个组件$X_j$，其准反射相反组件$X_{qr_j}$的生成公式如下：
$X_{qr_j} = rnd(\frac{lb_j + ub_j}{2}, x_j)$
其中，$rnd$是$[\frac{lb_j + ub_j}{2}, x_j]$内的任意值。

新的初始化过程步骤如下：
1. 通过通常的初始化方式（由式(20.5)给出）创建包含NP/2个解的初始种群$P_{init}$。
2. 应用式(20.9)从$P_{init}$合成QRL解$P_{qr}$。
3. 通过合并$P_{init}$和$P_{qr}$（$P = P_{init} \cup P_{qr}$）建立总体初始种群$P$。