Recent research applies soft computing techniques to fit software reliability growth models. However, runtime performance and the distribution of the distance from an optimal solution over multiple runs must be explicitly considered to justify the practical utility of these approaches, promote comparison, and support reproducible research. This paper presents a meta-optimization framework to design stable and efficient multi-phase algorithms for fitting software reliability growth models. The approach combines initial parameter estimation techniques from statistical algorithms, the global search properties of soft computing, and the rapid convergence of numerical methods. Designs that exhibit the best balance between runtime performance and accuracy are identified. The approach is illustrated through nonhomogeneous Poisson process and covariate software reliability growth models, including a cross-validation step on data sets not used to identify designs. The results indicate the nonhomogeneous Poisson process model considered is too simple to benefit from soft computing because it incurs additional runtime with no increase in accuracy attained. However, a multi-phase design for the covariate software reliability growth model consisting of the bat algorithm followed by a numerical method achieves better performance and converges consistently, compared to a numerical method only. The proposed approach supports higher-dimensional covariate software reliability growth model fitting suitable for implementation in a tool.

最近的研究将软计算技术应用于软件可靠性增长模型。但是，必须明确考虑运行时性能和与多个运行方案之间的最佳解决方案之间的距离分布，以证明这些方法的实用性，促进比较并支持可重复的研究。本文提出了一个元优化框架，以设计稳定，高效的多阶段算法来拟合软件可靠性增长模型。该方法结合了统计算法的初始参数估计技术，软计算的全局搜索属性以及数值方法的快速收敛。确定出在运行时性能和准确性之间达到最佳平衡的设计。通过非均匀泊松过程和协变量软件可靠性增长模型（包括未用于识别设计的数据集的交叉验证步骤）说明了该方法。结果表明，所考虑的非均匀泊松过程模型过于简单，无法从软计算中受益，因为它会导致额外的运行时间，而不会提高准确性。但是，与仅使用数值方法相比，由bat算法和数值方法组成的协变量软件可靠性增长模型的多阶段设计可实现更好的性能并一致收敛。所提出的方法支持适合于在工具中实施的高维协变量软件可靠性增长模型。包括对不用于识别设计的数据集进行交叉验证的步骤。结果表明，所考虑的非均匀泊松过程模型过于简单，无法从软计算中受益，因为它会导致额外的运行时间，而不会提高准确性。但是，与仅使用数值方法相比，由bat算法和数值方法组成的协变量软件可靠性增长模型的多阶段设计可实现更好的性能并一致收敛。所提出的方法支持适合于在工具中实施的高维协变量软件可靠性增长模型。包括对不用于识别设计的数据集进行交叉验证的步骤。结果表明，所考虑的非均匀泊松过程模型过于简单，无法从软计算中受益，因为它会导致额外的运行时间，而不会提高准确性。但是，与仅使用数值方法相比，由bat算法和数值方法组成的协变量软件可靠性增长模型的多阶段设计可实现更好的性能并一致收敛。所提出的方法支持适合于在工具中实施的高维协变量软件可靠性增长模型。结果表明，所考虑的非均匀泊松过程模型过于简单，无法从软计算中受益，因为它会导致额外的运行时间，而不会提高准确性。但是，与仅使用数值方法相比，由bat算法和数值方法组成的协变量软件可靠性增长模型的多阶段设计可实现更好的性能并一致收敛。所提出的方法支持适合于在工具中实施的高维协变量软件可靠性增长模型。结果表明，所考虑的非均匀泊松过程模型过于简单，无法从软计算中受益，因为它会导致额外的运行时间，而不会提高准确性。但是，与仅使用数值方法相比，由bat算法和数值方法组成的协变量软件可靠性增长模型的多阶段设计可实现更好的性能并一致收敛。所提出的方法支持适合于在工具中实施的高维协变量软件可靠性增长模型。