随着信息技术在各行各业的不断延伸,程序软件的规模、复合程度呈现越来越复杂的趋势。更综合性的架构设计、大量代码的编写使得后续的功能测试、运营维护等工作变得不再轻松。而软件缺陷评估预测就是借助某种方式对程序系统中存在的不足和错误进行验证,进而为工作人员进行功能测试、为用户提供更加方便、顺畅地使用系统奠定基础。在现有的软件缺陷预测评估方法中,借助非线性运算方面具有优势的深度稀疏最小二乘支持向量机(Least Squares Support Veotor Machine,LSSVM),针对度量元数据、缺陷数据进行开展研究,已证明通过此方法构建的软件缺陷评估模型是有效的。本文在此研究基础之上,进行了如下研究。本文针对人工鱼群易陷入局部最优、寻优初始值表现敏感的问题,提出一种自适应人工鱼群改进算法(Improved adaptive artificial fish school algorithm,AAFSA),研究参数自适应变化机制来有效提高人工鱼群算法精度。该算法主要通过对人工鱼群算法的Visual、Step和δ参数在某一范围里进行自适应更新,降低了算法时间复杂度并提升算法搜索的高效性。本文又针对深度稀疏LSSVM在分类时存在参数选择困难和普通降维算法可能导致有益属性信息过早筛除的问题,利用人工鱼群算法较好的全局搜索能力和潜在的并行性,提出一种基于自适应人工鱼群优化深度稀疏LSSVM的软件缺陷预测模型(AAFSA-DLSSVM)。在此模型中,深度稀疏LSSVM主要发挥分类器的作用,借助改进之后的人工鱼群算法来确定最优的度量属性及深度稀疏LSSVM的最优参数。比之传统的研究方法,本模型能够保留有效的软件缺陷度量属性数据,为更好的增强软件缺陷预测的精准性奠定基础。为证明论文所提方法是否有效,论文一方面将AAFSA和其他的算法进行基准函数优化的比较,充分展示其优势所在;另外,使用NASA(美国宇宙局)公开的软件缺陷数据集来进行具体的仿真测试,将AAFSA-DLSSVM与其他传统方法分别进行对比分析。实验表明,AAFSA算法相对于其他算法在优化效果及收敛速度上均具有更好的效果;基于AAFSA优化的DLSSAVM模型在软件缺陷预测的各种性能评价指标上均具有更好的效果,比之一般的预测模型优势更加突出。