基于敏捷開發(fā)項(xiàng)目工作量的估計(jì)方法研究

摘?要：文章使用神經(jīng)網(wǎng)絡(luò)進(jìn)行敏捷開發(fā)工作量的預(yù)估，分析當(dāng)前在敏捷開發(fā)過程中工作量預(yù)估不足的問題，然后對如何使用神經(jīng)網(wǎng)絡(luò)進(jìn)行開發(fā)展開研究，提升敏捷開發(fā)工作量估計(jì)的精確性。

關(guān)鍵詞：敏捷開發(fā);項(xiàng)目工作量;估計(jì)方法;研究

一、 引言

敏捷開發(fā)項(xiàng)目在項(xiàng)目工作量上估計(jì)比較難，在缺少預(yù)估的情況下，不利于項(xiàng)目開發(fā)管理工作。因此，需要設(shè)計(jì)一套合理的工作量評估方法，滿足工作量估計(jì)的需求。

二、 敏捷開發(fā)的軟件工作量估計(jì)問題

敏捷開發(fā)是目前主流的軟件開發(fā)方式，但在對工作量估計(jì)上存在以下兩個問題。首先，很多采取敏捷開發(fā)的項(xiàng)目都對工作量估計(jì)的重視不高，所以再定制開發(fā)的時候都是使用粗糙的模型做出估計(jì)，一些項(xiàng)目甚至不做估計(jì)，完全根據(jù)合同的時間要求完成軟件產(chǎn)品的開發(fā)計(jì)劃;其次，缺少針對敏捷開發(fā)工作量的估計(jì)工具，很多軟件的工作量估計(jì)都是用類比估計(jì)、功能點(diǎn)估計(jì)等，使用敏捷開發(fā)的項(xiàng)目，采取這種估計(jì)方式并不能取得效果。因此，實(shí)際工作中都傾向于憑借管理者的經(jīng)驗(yàn)展開估計(jì)，但是在管理者對敏捷開發(fā)認(rèn)識不同的情況下，并不能準(zhǔn)確地確定項(xiàng)目的工作量，就會導(dǎo)致開發(fā)當(dāng)中的管理困難。

三、 神經(jīng)網(wǎng)絡(luò)對項(xiàng)目預(yù)算量估計(jì)的優(yōu)勢

普通的工作量預(yù)估方法并不能滿足敏捷開發(fā)項(xiàng)目的估計(jì)要求，為了解決這個問題問題，可以采用神經(jīng)網(wǎng)絡(luò)來對工作量進(jìn)行預(yù)估，提高對敏捷開發(fā)項(xiàng)目估計(jì)的精確性，以及做好工作量的估計(jì)服務(wù)。使用軟件估算模型進(jìn)行估算，需要有歷史數(shù)據(jù)作為支撐。但是，早期的項(xiàng)目在工作量計(jì)算方法上和開發(fā)方式上都與當(dāng)前有一定不同，所以需要對參數(shù)進(jìn)行修正以滿足要求。為此，需要找到與當(dāng)前情況匹配的項(xiàng)目，根據(jù)他們的數(shù)據(jù)對項(xiàng)目的工作量進(jìn)行分析。

四、 使用神經(jīng)網(wǎng)絡(luò)對敏捷開發(fā)估算的方法

（一）數(shù)據(jù)集的選擇

為了獲得歷史數(shù)據(jù)，使用了國家軟件基準(zhǔn)組織對各項(xiàng)軟件開發(fā)儲存的歷史數(shù)據(jù)，其中總共包含數(shù)千個項(xiàng)目，擁有各種不同的類型，神經(jīng)網(wǎng)絡(luò)可以對其進(jìn)行學(xué)習(xí)，能模型提供強(qiáng)有力的支撐。同時，由于這個數(shù)據(jù)集并不是完整的，有很多項(xiàng)目存在缺失，所以從其中篩選了500各項(xiàng)目進(jìn)行研究。并且通過對數(shù)據(jù)集的研究，結(jié)合不同軟件項(xiàng)目開發(fā)的各種特性，確定了影響工作量的因子，作為開發(fā)工作的基礎(chǔ)數(shù)據(jù)。

（二）BP神經(jīng)網(wǎng)絡(luò)工作量預(yù)估模型

工作量估算模型使用三層BP神經(jīng)網(wǎng)絡(luò)，分別包括輸入層、隱藏層和輸出層。根據(jù)工作過程中的經(jīng)驗(yàn)，對工作量的影響因子為功能點(diǎn)、開發(fā)類型、組織類型、團(tuán)隊(duì)規(guī)模、應(yīng)用領(lǐng)域、開發(fā)平臺、編程語言、生產(chǎn)率和實(shí)用技術(shù)，分別對應(yīng)輸入層的9個神經(jīng)元，之后經(jīng)過加權(quán)之后獲得最后的工作量估算結(jié)果。

不同因子輸入數(shù)據(jù)經(jīng)過權(quán)值矩陣加權(quán)之后進(jìn)入隱藏層，然后通過計(jì)算函數(shù)進(jìn)行計(jì)算，再輸出數(shù)據(jù)，經(jīng)過全職矩陣加權(quán)求和之后，再用計(jì)算函數(shù)獲得工作量的預(yù)估數(shù)據(jù)。通過將獲得預(yù)估數(shù)據(jù)和真實(shí)工作量不斷比較，然后根據(jù)小均方誤差發(fā)不斷對權(quán)值矩陣進(jìn)行調(diào)整，使其最終滿足條件要求。

在網(wǎng)絡(luò)初始權(quán)值的設(shè)計(jì)中，為了能獲得良好的初始狀態(tài)，避免訓(xùn)練在誤差曲面上某個局部極小點(diǎn)開始，權(quán)值矩陣的初始值選擇（0，1）之間的隨機(jī)數(shù)。訓(xùn)練網(wǎng)絡(luò)時，訓(xùn)練算法選擇最小均方誤差，輸入數(shù)據(jù)為影響因子和工作量成對提供到網(wǎng)絡(luò)中，然后根據(jù)網(wǎng)絡(luò)計(jì)算出的實(shí)際工作量和期望值的誤差，再經(jīng)過逐層向后傳播對權(quán)重進(jìn)行調(diào)整，讓實(shí)際工作量和期望輸出的工作量之間的誤差減小。為了能提升訓(xùn)練的速度，調(diào)整權(quán)重采用了梯度下降算法，并且根據(jù)誤差曲面的最快下降方法來調(diào)整權(quán)值，保證訓(xùn)練的效率。對于訓(xùn)練停止條件的設(shè)計(jì)，進(jìn)行了模型精度的是設(shè)計(jì)，在本模型中最大的誤差精度設(shè)置為0.05，在模型蹤誤差在0.05以下的時候，就可以停止訓(xùn)練。

五、 模型估算的訓(xùn)練

通過對工作量估算模型的設(shè)計(jì)，先進(jìn)行輸入和輸出數(shù)據(jù)的處理工作，然后把樣本數(shù)據(jù)輸入到網(wǎng)絡(luò)當(dāng)中，確保神經(jīng)網(wǎng)絡(luò)在整個樣本數(shù)據(jù)集中學(xué)習(xí)知識，防治因?yàn)閺膯蝹€樣本學(xué)習(xí)知識。之后使用最小均方法來對矩陣的權(quán)值進(jìn)行調(diào)整，逐漸降低總體誤差，在達(dá)到精度之后再停止訓(xùn)練，獲得完成訓(xùn)練的深井網(wǎng)絡(luò)模型，有效對工作量進(jìn)行預(yù)估。

模型的算法實(shí)現(xiàn)中，對于輸入層和隱藏層的權(quán)值矩陣、隱藏層到輸出層的取值矩陣，最開始所有的權(quán)值都是0-1的隨機(jī)數(shù)，對網(wǎng)絡(luò)學(xué)習(xí)率賦值為0-1的隨機(jī)數(shù);樣本跟蹤誤差為0，訓(xùn)練精度設(shè)置為0.05。訓(xùn)練時，先要對樣本集歸一化，然后輸入帶訓(xùn)練樣本對，計(jì)算各層級的輸出。

根據(jù)樣本所計(jì)算的數(shù)據(jù)，以及后來的輸出進(jìn)行計(jì)算誤差，之后從輸出誤差信號來對矩陣的權(quán)重進(jìn)行調(diào)整，加強(qiáng)對隱藏層和輸出層的修正，經(jīng)過對所有的樣本都進(jìn)行模擬后，檢查精度是否滿足誤差在0.05以下的要求，否則將網(wǎng)絡(luò)的誤差賦值為0，再重新開始對所有的樣本進(jìn)行學(xué)習(xí)。

在訓(xùn)練結(jié)束后就可以確定神經(jīng)網(wǎng)絡(luò)的信息，包括神經(jīng)元節(jié)點(diǎn)、權(quán)值矩陣等，之后就可以利用全新的模型，對其他數(shù)據(jù)展開計(jì)算。

六、 結(jié)語

使用神經(jīng)網(wǎng)絡(luò)能夠避開個人偏好等因素的影響，可以對敏捷開發(fā)進(jìn)行準(zhǔn)確的估計(jì)。但是文章中的方法只能在敏捷開發(fā)項(xiàng)目中使用，所以存在一定的局部現(xiàn)象。使用過程中需要充分利用數(shù)據(jù)集進(jìn)行學(xué)習(xí)和分析，從而得到敏捷開發(fā)的最準(zhǔn)確模型，提升項(xiàng)目估算的精確性。

參考文獻(xiàn)：

[1]沈春元，陸峻.基于敏捷開發(fā)項(xiàng)目工作量的估計(jì)方法研究[J].雷達(dá)與對抗，2014，34（1）：65-68.

[2]施擁軍.上海貝爾敏捷SCRUM模式下軟件質(zhì)量改進(jìn)措施的研究[D].上海：復(fù)旦大學(xué)，2013.

作者簡介：顏景波，南京優(yōu)瑪軟件科技有限公司。