34、软件算法与代码异味检测技术研究

软件算法与代码异味检测技术研究

1. SPL配置算法评估

在软件产品线（SPL）配置领域，有两种重要的算法值得关注，分别是SATIBEA和eSATIBEA。

SATIBEA算法是当前SPL多目标配置的先进算法，它结合了遗传算法（IBEA）和SAT求解器。在遗传算法的基础上，增加了“智能变异”和“智能替换”两个步骤，这两个步骤以一定概率应用，并且都借助SAT求解器来寻找修复或替换不可行解的可能方案。

而eSATIBEA算法是在此基础上的改进。当特征模型（FM）发生演变时，例如从FM1演变为FM2，若之前在FM1上进行过SPL配置并得到一组解S1，eSATIBEA不会像SATIBEA那样随机生成个体，而是将S1适应到FM2并提供给SATIBEA。其目的是期望这些初始个体具有较好的质量，优于随机解。

通过对这两种算法在进化后的Linux内核上的评估，使用超体积这一指标来比较它们的性能。超体积表示由每个算法找到的解的帕累托前沿所支配的空间（在由n个目标定义的n维空间中），超体积越大越好。

评估结果显示，两种算法随着时间推移都能提高超体积，并在1200秒后趋于平稳。但eSATIBEA利用相对较好的初始种群，在大多数数据集上获得了更好的超体积。eSATIBEA收敛速度快，不到100秒就能达到较好效果，而SATIBEA需要超过700秒才能达到与eSATIBEA相似的超体积。在遗传算法第一代结束时（平均95秒），eSATIBEA相比SATIBEA平均提高了超过113%，不过这个百分比随着时间推移会逐渐降低至平均1%。不过，在某些特殊的特征模型（如20_10）上，SATIBEA在执行结束时超体积略优于eSATIBEA，这可能体现了eSATIBEA的局限性，因