基于鯨魚優(yōu)化算法的類圖重構(gòu)研究

胡志剛　楊娜　劉偉

摘? ?要：為了提高軟件質(zhì)量，組合使用重構(gòu)技術(shù)、軟件度量和元啟發(fā)式搜索可以有效改進軟件的結(jié)構(gòu)而不影響其功能. 本文提出一種基于鯨魚優(yōu)化算法的類圖重構(gòu)方法，并結(jié)合耦合、繼承、抽象3個指標(biāo)所構(gòu)建的質(zhì)量模型來指導(dǎo)類圖重構(gòu)序列尋優(yōu). 在6個不同的開源程序上使用鯨魚優(yōu)化方法對類圖進行重構(gòu)，研究結(jié)果表明：基于鯨魚優(yōu)化算法的類圖重構(gòu)在質(zhì)量增益上優(yōu)于模擬退火算法和爬山算法，可有效提高重構(gòu)質(zhì)量.

關(guān)鍵詞：軟件質(zhì)量;軟件重構(gòu);鯨魚優(yōu)化;質(zhì)量度量;類圖

中圖分類號：TP311? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)志碼：A

Research on Class Diagram Refactoring Based

on Whale Optimization Algorithm

HU Zhigang YANG Na LIU Wei

（1. School of Computer Science and Engineering，Central South University，Changsha 410083，China;

2. College of Computer Science and Electronic Engineering，Hunan University of Chinese Medicine，Changsha 410208，China）

Abstract：In order to improve software quality，the combination of refactoring techniques，software metrics，and meta-heuristic search can effectively improve the structure of software without affecting its function. In this paper，a class diagram refactoring method based on Whale Optimization Algorithm is proposed，and the quality model constructed by index coupling，inheritance and abstraction is empolyed to guide the search for the optimal refactoring sequence. Cetacean optimization method is used to refactor the class diagram in six different open source programs. The results show that the class diagram refactor the based on cetacean optimization algorithm is superior to Simulated Annealing Algorithm and Hill Climbing Algorithm in terms of quality gain，and can effectively improve the quality refactoring.

Key words：software quality;software refactoring;whale optimization algorithm;quality measures;class diagram

軟件產(chǎn)品經(jīng)常隨著需求的變更演變?yōu)橥瓿刹煌墓δ埽@些演變可能使軟件設(shè)計變得更加復(fù)雜，致使軟件質(zhì)量降低. 重構(gòu)被定義為優(yōu)化現(xiàn)有系統(tǒng)的內(nèi)部結(jié)構(gòu)而不改變其功能，主要通過改進抽象、耦合、繼承等質(zhì)量屬性來提高軟件質(zhì)量. 重構(gòu)最初是在面向?qū)ο筌浖沫h(huán)境中提出的[1]，軟件重構(gòu)已經(jīng)被應(yīng)用于面向方面的軟件、軟件產(chǎn)品線等不同的環(huán)境，以及應(yīng)用在代碼、模型、文檔等不同的層次中.

軟件重構(gòu)階段可以分為代碼層重構(gòu)和模型層重構(gòu)，模型層的類圖重構(gòu)通過找到最佳重構(gòu)序列來提高軟件質(zhì)量，而尋找最佳重構(gòu)是一個優(yōu)化問題，可通過進化算法來實現(xiàn)，進化算法包括爬山算法[2]、模擬退火算法、群體智能算法和生物地理算法等. 群體智能算法主要是模擬動物的群體行為，依靠相互合作來捕獲食物，通過自身學(xué)習(xí)及向他人學(xué)習(xí)來不斷改變自身的搜索方向來提高捕食的效率. 群體智能優(yōu)化算法的優(yōu)勢在于利用群體能力進行協(xié)同搜索，從而在解空間內(nèi)找到最優(yōu)解. 其中鯨魚優(yōu)化算法是根據(jù)鯨魚圍捕獵物的行為而提出的算法.

很多人都對軟件重構(gòu)進行了相關(guān)研究. Kebir等人[3]提出了一種基于遺傳算法的軟件構(gòu)件自動重構(gòu)方法，首先檢測出代碼壞味道，然后從基于組件的源代碼中構(gòu)建源代碼模型，最后用遺傳算法搜索重構(gòu)的最佳序列來減少源代碼模型中存在的代碼壞味道. Mohan等人[4]介紹了許多優(yōu)化算法用于自動化重構(gòu)，實現(xiàn)了一個Java重構(gòu)工具MultiRefactor，該工具著眼于軟件質(zhì)量、代碼優(yōu)先級及重構(gòu)覆蓋率. Khatchadourian等人[5]提出了一種自動重構(gòu)方法，并設(shè)計了一個Eclipse IDE的插件，幫助開發(fā)人員以一種保持語義的方式編寫高效的流代碼. 該方法基于一種新的數(shù)據(jù)排序和類型狀態(tài)分析，由前置條件和轉(zhuǎn)換組成，用于自動確定將順序流轉(zhuǎn)換為并行流、將已經(jīng)并行的流進行無序或去并行化. 與這些針對局部代碼的重構(gòu)相比，本文側(cè)重于全局的類圖重構(gòu)及模型優(yōu)化.

軟件質(zhì)量模型被廣泛應(yīng)用于軟件重構(gòu)以識別重構(gòu)對象、引導(dǎo)重構(gòu)策略的選擇以及評估重構(gòu)后軟件質(zhì)量的變化. 本研究重點考慮抽象、耦合和繼承屬性，它們在軟件質(zhì)量中占很大因素，對于單個質(zhì)量指標(biāo)可以表示軟件度量的不同方面. 繼承可以指導(dǎo)類是否是正確關(guān)聯(lián)和擴展的[6]，以及類的層級結(jié)構(gòu)，該度量結(jié)合了實現(xiàn)接口和抽象類的使用. 耦合可用來指導(dǎo)軟件系統(tǒng)中對象之間相互依賴的程度[7]，期望盡可能的低耦合. 抽象是指導(dǎo)系統(tǒng)的穩(wěn)定，系統(tǒng)的變化是體現(xiàn)在具體類上的，使用抽象可以提升設(shè)計的簡單性，改善軟件開發(fā)的質(zhì)量[8]. 因此我們采用繼承、耦合和抽象來構(gòu)建質(zhì)量模型.

鯨魚優(yōu)化算法搜索能力強、結(jié)構(gòu)簡單、參數(shù)少并且易于實現(xiàn) [9]，所以選擇鯨魚優(yōu)化算法尋找最優(yōu)的類圖重構(gòu)序列來進行類圖重構(gòu)，最后通過構(gòu)建質(zhì)量模型來評價類圖重構(gòu)的質(zhì)量.

1? ?質(zhì)量模型構(gòu)建

為了簡化UML類圖在RAM中的表示，以便用鯨魚優(yōu)化算法處理類圖，用抽象數(shù)據(jù)結(jié)構(gòu)UML映射復(fù)雜度更低一些. 考慮15種常規(guī)的類圖重構(gòu)重命名類、用委托關(guān)系代替繼承關(guān)系、用繼承關(guān)系代替委托關(guān)系、提取到子類、提取到父類、折疊繼承關(guān)系、內(nèi)聯(lián)類、提取類、函數(shù)下移、方法提到基類中、方法重命名、字段下移、字段上移、字段重命名、封裝字段. 通過一系列的轉(zhuǎn)化來找到最優(yōu)的重構(gòu)序列，然而在一些場景中，如果多個類都繼承自某一父類或者父接口，會具有接口上的一致性. 但是如果將其中的某些類單獨提取出來，可能會破壞這種一致性. 因此，為了提高類圖的整體質(zhì)量，有時候需要綜合考慮多個因素，而不僅僅只是考慮接口的一致性，進而獲得更好的解決方案.

2? ?基于鯨魚優(yōu)化算法的類圖重構(gòu)

鯨魚優(yōu)化算法是一種元啟發(fā)式優(yōu)化算法，該算法模擬了座頭鯨的捕獵行為，座頭鯨喜歡捕食一群靠近水面的小魚和小蝦，遇到獵物后會先向下俯沖大約12 m，然后開始在獵物周圍制造螺旋形氣泡，最后游向水面捕食獵物[10]. 這個過程提取出三個數(shù)學(xué)模型即圍捕獵物、螺旋氣泡網(wǎng)捕食和尋找獵物. 用鯨魚算法解決類圖優(yōu)化的基本思想如圖1所示.

根據(jù)類圖可能的重構(gòu)序列及質(zhì)量模型作為優(yōu)化的參數(shù)，鯨魚群中的每一個個體的位置均包含一組重構(gòu)序列. 利用鯨魚尋找獵物的方式不斷更新類圖的重構(gòu)序列，直到找到最好的位置，即找到最佳重構(gòu)序列. 針對質(zhì)量度量，首先采用耦合、繼承和抽象這三個適應(yīng)度函數(shù)來進行指導(dǎo)，并獲得鯨魚優(yōu)化算法針對單個度量的改進程度.

2.1? ?提取重構(gòu)序列

2.2? ?螺旋氣泡網(wǎng)尋找

2.2.1? ?收縮包圍機制

2.2.2? ?螺旋更新位置

2.3? ?搜索最優(yōu)重構(gòu)序列

3? ?實驗環(huán)境與結(jié)果分析

3.1? ?數(shù)據(jù)來源

將鯨魚優(yōu)化算法用于類圖的優(yōu)化，將抽象、耦合和繼承這三個適應(yīng)度函數(shù)來進行衡量優(yōu)化的結(jié)果. 實驗的輸入程序包括6個開源Java項目：JSON，一個用于數(shù)據(jù)交換格式的Java庫;詞法分析器生成器JFlex;基于xml的遠程過程調(diào)用庫Apache-XmlRpc;Mango及解析器生成器和基于GUI框架開發(fā)的圖形編輯器JHotDraw. 上述6個開源項目針對不同的軟件結(jié)構(gòu)，有關(guān)實驗的Java項目的詳細信息見表4. 實驗的總運行次數(shù)為10*3（搜索）*3（函數(shù)）*6（基準(zhǔn)），總共運行540次. 實驗在一臺3.40GHz Intel Core i7-3770處理器和8gb RAM的PC上進行.

3.2? ?實驗結(jié)果分析

圖3展示了運用鯨魚優(yōu)化算法的結(jié)果，顯示了6個基準(zhǔn)程序中每個適應(yīng)度函數(shù)的平均質(zhì)量增益（通過最終的總體度量分?jǐn)?shù)減去初始分?jǐn)?shù)，10次運行的平均值）.

在三個適應(yīng)度函數(shù)中，耦合是唯一一個顯示出顯著改善的因子. 抽象的改進很小，繼承完全沒有變化. 事實上，繼承函數(shù)唯一有變化的情況是在模擬退火中. 對于耦合函數(shù)在改進方面更有效，在抽象和繼承函數(shù)中改進很小表明用于組合這些函數(shù)的度量缺乏波動性. 在Mango項目中耦合函數(shù)的增益明顯高于其他，這說明Mango項目耦合程度較高，易于改進. XmlRpc在耦合方面改進很小，可能是因為它類之間的耦合很小.

結(jié)果表明鯨魚優(yōu)化算法相對質(zhì)量提升更優(yōu)，但也表明，模擬退火算法優(yōu)于爬山算法，這是因為爬山算法更容易陷入局部最優(yōu)，提前找到的最優(yōu)重構(gòu)序列并不是全局最優(yōu)，鯨魚優(yōu)化算法相比較而言不容易陷入局部最優(yōu). 同樣的抽象和繼承缺乏應(yīng)用的重構(gòu)操作，這些函數(shù)的質(zhì)量增益差的原因是由于缺少可用的操作，而其他指標(biāo)更不穩(wěn)定，并且有更多的重構(gòu)操作可用來改進他們.

為了進一步驗證鯨魚優(yōu)化算法的求解性能，將鯨魚優(yōu)化算法與爬山算法和模擬退火算法這三種不同的優(yōu)化算法進行了60次求解. 圖5表明了鯨魚優(yōu)化算法用于類圖重構(gòu)的收斂性更好，因為爬山算法是選擇鄰近點，容易陷入局部最優(yōu)，達到快速收斂，模擬退火算法的特點是隨機選擇，相比較而言沒那么容易陷入局部最優(yōu)，收斂速度相對慢一些，而鯨魚優(yōu)化收斂是取決于a，固定住a，來弱化算法，從而減弱其收斂性，實驗結(jié)果表明，鯨魚優(yōu)化算法的全局優(yōu)化能力最強，且算法相對穩(wěn)定，而模擬退火算法優(yōu)化能力和穩(wěn)定性居中，且優(yōu)于爬山算法，所以鯨魚優(yōu)化算法在收斂性和搜索空間上都要更優(yōu)一些. 對函數(shù)的初始和最終度量分?jǐn)?shù)進行統(tǒng)計分析，使用具有95%置信水平的Wilcoxon符號秩檢驗，所獲得的結(jié)果在比較函數(shù)的每次運行時具有統(tǒng)計學(xué)意義.

4? ?總? ?結(jié)

近年來，有很多關(guān)于軟件重構(gòu)的研究，但現(xiàn)有的重構(gòu)研究多側(cè)重于在代碼編寫階段為開發(fā)人員提供局部代碼的重構(gòu)及代碼推薦，很少考慮在分析設(shè)計階段為開發(fā)設(shè)計人員提供全局性的重構(gòu). 本文采用鯨魚優(yōu)化算法來調(diào)整類成員與類之間的映射關(guān)系，得到一組最優(yōu)重構(gòu)序列. 同時，實驗對比證明了本文提出的鯨魚優(yōu)化算法可以有效應(yīng)用于軟件重構(gòu)進而提高軟件質(zhì)量. 后續(xù)工作將對穩(wěn)定性、可靠性等屬性做進一步研究.

參考文獻

[1]? ? BAQAIS A A B，ALSHAYEB M. Automatic software refactoring：a systematic literature review[J]. Software Quality Journal，2020，28（2）：459—502.

[2]? ? 張英杰，郭會芳，付海濱，等. 面向多模態(tài)函數(shù)的自適應(yīng)混沌爬山微粒群算法[J]. 湖南大學(xué)學(xué)報（自然科學(xué)版），2013，40（2）：77—81.ZHANG Y J，GUO H F，F(xiàn)U H B，et al. An adaptive chaotic hill-climbing particle swarm optimization algorithm for multimodal functions[J]. Journal of Hunan University （Natural Sciences），2013，40（2）：77—81. （In Chinese）

[3]? ? KEBIR S，BORNE I，MESLATI D. A genetic algorithm-based approach for automated refactoring of component-based software[J]. Information and Software Technology，2017，88：17—36.

[4]? ? MOHAN M，GREER D. Using a many-objective approach to investigate automated refactoring[J]. Information and Software Technology，2019，112：83—101.

[5]? ? KHATCHADOURIAN R，TANG Y M，BAGHERZADEH M，et al.Safe automated refactoring for intelligent parallelization of Java 8 streams[C]//2019 IEEE/ACM 41st International Conference on Software Engineering （ICSE）. Montreal，QC，Canada.IEEE：2019：619—630.

[6]? ? SAVIC M，IVANOVIC M，RADOVANOVIC M. Analysis of high structural class coupling in object-oriented software systems[J]. Computing，2017，99（11）：1055—1079.

[7]? ? BASHIR R S，LEE S P，KHAN S U R，et al. UML models consistency management：Guidelines for software quality manager[J]. International Journal of Information Management，2016，36（6）：883—899.

[8]? ? GHANNEM A，KESSENTINI M，HAMDI M S，et al. Model refactoring by example：A multi-objective search based software engineering approach[J]. Journal of Software：Evolution and Process，2018，30（4）：e1916.

[9]? ? CHAKRABORTY A，KAR A K.Swarm intelligence：A review of algorithms[M]//Nature-Inspired Computing and Optimization.Cham：Springer International Publishing，2017：475—494.

[10]? NASIRI J，KHIYABANI F M. A whale optimization algorithm （WOA） approach for clustering[J]. Cogent Mathematics & Statistics，2018，5（1）：1483565.