预测模型参数的选取对其泛化能力和预测准确度，起着至关重要作用。基于径向基核函数的最小二乘支持向量机参数主要涉及惩罚因子和核函数参数，这两个参数的选择将直接影响最小二乘支持向量机的学习和泛化能力。为了提高最小二乘支持向量机的预测结果，文章用灰狼优化算法对其参数寻优，建立软件老化预测模型。通过实验证明了该模型，对软件老化的预测表现出很好的效果。

遗留在软件中的缺陷会随软件系统长期持续运行造成计算机内存泄漏、舍入误差积累、文件锁未释放等现象发生，导致系统性能衰退甚至崩溃。这些软件老化现象的发生不仅降低了系统可靠性，严重时还会危害人的生命财产安全。为了减轻软件老化带来的危害，对软件老化趋势进行预测，采取抗衰策略避免软件老化现象的发生尤为重要[1]。

国内外很多科研机构，如贝尔实验室、IBM、南京大学、武汉大学[2]、西安交通大学[3]等，都对软件老化展开了深入研究，并取得了一些成果。他們研究的主要方向是通过对软件老化趋势的预测，找到软件抗衰策略最佳执行时机。

本文以Tomcat服务器为研究对象，监测Tomcat运行情况，收集系统性能参数，建立基于灰狼优化算法的最小二乘支持向量机软件老化预测模型。预测软件运行状态，确定软件抗衰策略执行时机。

1最小二乘支持向量机

支持向量机（SupportVectorMachine，SVM）是由Cortes和Vapnik[4]提出的。SVM以VC维理论和结构风险最小化原理为基础，可以很好地解决小样本、非线性、高维数和局部极小值等问题。

当训练样本数目越多，SVM求解二次规划问题越复杂，模型训练时间过长。Snykens等[5]提出最小二乘支持向量机（LeastSquasSupportVectorMachine，LSSVM），艮P在SVM的基础上用等式约束条件代替不等式约束，将二次规划问题转化为线性方程组问题，很大程度上的避免了SVM大量的复杂计算，降低了训练难度。近年来LSSVM广泛应用于回归估计和非线性建模等领域，取得了良好的预测效果。

本文采用径向基核函数作为LSSVM模型的核函数。基于径向基核函数的LSSVM算法参数主要涉及惩罚因子C和核函数参数〃，本文采用灰狼优化算法对LSSVM的参数寻优。

2灰狼优化算法

年，Mirjalili等[6]提出灰狼优化（GyWolfOptimizer，GWO）算法，GWO算法通过模拟自然界灰狼的等级制度和捕食策略，寻找最优值。GWO算法以快速收敛性、调节参数少，在求解函数优化问题中表现出更加优越性而备受

转载请注明:http://www.aideyishus.com/lkyy/123.html