1.一种基于优化实例选择的跨项目软件缺陷预测方法，其特征在于，包括如下步骤：S1、构建项目向量集PVS；

S2、构建目标实例优化索引IPI；

S3、构建预训练集TPRED；

S4、构建目标项目的优化索引TPOI；

S5、构建基于优化实例选择的训练集BOD；

S6、构建基于优化实例选择的跨项目软件缺陷预测方法BOICP；

步骤S1包括如下步骤：

S1.1、基于开源网站获取软件项目集合；

S1.2、以项目类作为实例构建项目实例集合；

S1.3、基于开源数据历史记录、项目源代码语法结构、源代码抽象语法树构建传统度量元集{WMC, DIT, NOC, CBO, RFC, LCOM, LCOM3, NPM, DAM, MOA, MFA, CAM, IC, CBW, AMC, Ca, Ce, Max_CC, Avg_CC, LOC }，其中，WMC代表每个类的加权方法，DIT代表继承树的深度，NOC代表子类的数目，CBO代表对象类之间的耦合，RFC代表一个类的响应，LCOM和LCOM3代表在方法上缺少的凝聚力，NPM代表公共类的个数，DAM代表数据访问指标，MOA代表聚合的量度，MFA代表功能抽象的量度，CAM代表类方法之间的聚合，IC代表继承耦合，CBW代表方法之间的耦合，AMC代表平均方法复杂度，Ca代表传入耦合，Ce代表传出耦合，Max_CC代表McCabe圈复杂性的最大值，Avg_CC代表McCabe圈复杂性的平均值，LOC代表代码的行数；

S1.4、将源项目中的所有实例按步骤S1.3处理得到源项目传统度量元向量集SCPIVS =[instance1, instance2, …, instancei]，其中，i=1,2,3,…,n；

S1.5、将目标项目中的所有实例按步骤S1.3处理得到目标项目传统度量元向量集TCPIVS =[tradition_value1, tradition_value2, …, tradition_valuej]，其中，j=1,2,

3,…,m；

S1.6、基于开源数据历史记录构建源项目实例标签SLABEL =[stag1, stag2, …, stagi]，其中，i=1,2,3,…,n；该标签与步骤S1.4 源项目传统度量元向量集SCPIVS中实例对应；

S1.7、基于开源数据历史记录构建目标项目实例标签TLABEL =[ttag1, ttag2, …, ttagj]，其中，j=1,2,3,…,m；该标签与步骤S1.5目标项目传统度量元向量集TCPIVS中实例对应；

S1.8、构建项目向量集PVS={SCPIVS, SLABEL, TCPIVS, TLABEL}；

步骤S2包括如下步骤：

S2.1、构建目标实例优化索引IPI，源实例索引列表ASI；

S2.2、选择一个目标实例向量；

S2.3、若IPI的列表长度为空，则构建实例训练集的全局特征向量GFV为步骤S2.2的目标实例向量，否则GFV为实例训练集中所有实例的同一度量元标准差的集合；

S2.4、使用步骤S2.1的源实例索引列表ASI对步骤S1中的源项目传统度量元向量集SCPIVS选择实例构建待选择源实例库SIL；

S2.5、计算待选择源实例库SIL中每一个实例与GFV之间的欧式距离，并返回最小欧氏距离对应的索引min‑index；

S2.6、将min‑index加入到步骤S2.1的目标实例优化索引IPI中；

S2.7、将源实例索引列表ASI中的min‑index删除；

S2.8、设置每一个目标实例选择的源实例个数为k，循环执行步骤S2.3 S2.7，直到目~标实例优化索引IPI长度满足k；

S2.9、经步骤S2.8执行后，得到目标实例优化索引IPI；

步骤S3包括如下步骤：

S3.1、将目标项目中的每一个实例按照步骤S2执行得到每一个目标实例的目标实例优化索引IPI；

S3.2、将步骤S3.1中每一个目标实例得到的优化索引结合并去重，构建预训练集优化索引TIPI；

S3.3、使用步骤S3.2得到的预训练集优化索引TIPI对步骤S1的源项目传统度量元向量集SCPIVS按实例选取，得到预训练集的实例向量集TPRED‑D；

S3.4、使用步骤S3.2得到的预训练集优化索引TIPI对步骤S1的源项目实例标签SLABEL按实例选取，得到预训练集的标签集TPRED‑L；

S3.5、构建预训练集TPRED={TPRED‑D, TPRED‑L}；

步骤S4包括如下步骤：

S4.1、将步骤S3得到的预训练集的实例向量集TPRED‑D与预训练集的标签集TPRED‑L按列组合，并将标签集放在最后一列；

S4.2、使用spearman计算每一个度量元与最后一列标签直接的相关性，得到相关性列表CList；

S4.3、将步骤S4.2的相关性列表CList所有元素取绝对值后按从大到小排序，返回特征对应索引；

S4.4、设置选择相关性特征索引个数为q；

S4.5、使用步骤S4.4的相关性特征索引个数q对步骤S4.3返回的特征索引进行选择，并使用得到的特征索引构建源项目相关性特征集SPTFS；

S4.6、将步骤S1的目标项目传统度量元向量集TCPIVS和目标项目实例标签TLABEL按步骤S4.1 S4.5构建目标项目相关性特征集TPTFS；

~

S4.7、计算源项目相关性特征集SPTFS中所有源实例与目标项目相关性特征集TPTFS中的一个实例相关性特征集的欧氏距离，并返回欧式距离从小到大排序后的索引列表,设置从SPTFS中选择实例个数为p，则获得该目标实例选出的p个索引；

S4.8、将目标项目相关性特征集TPTFS中所有目标实例按照步骤S4.7处理得到优化索引集合，将该索引集合去重得到目标项目的优化索引TPOI；

步骤S5包括如下步骤：

S5.1、使用步骤S4得到的目标项目的优化索引TPOI对步骤S3预训练集的实例向量集TPRED‑D进行选择，得到基于优化实例选择的训练特征集BOD‑D；

S5.2、使用步骤S4得到的目标项目的优化索引TPOI对步骤S3预训练集的标签集TPRED‑L进行选择，得到基于优化实例选择的标签集BOD‑L；

S5.3、构建基于优化实例选择的训练集BOD={BOD‑D, BOD‑L}；

步骤S6包括如下步骤：

S6.1、通过步骤S1得到项目向量集PVS={SCPIVS, SLABEL, TCPIVS, TLABEL}；

S6.2、通过步骤S2得到目标实例优化索引IPI；

S6.3、通过步骤S3得到预训练集的实例向量集TPRED‑D和预训练集的标签集TPRED‑L；

S6.4、通过步骤S4得到目标项目的优化索引TPOI；

S6.5、通过步骤S5得到基于优化实例选择的训练特征集BOD‑D和基于优化实例选择的标签集BOD‑L；

S6.6、使用Logistic分类算法对步骤S6.5的基于优化实例选择的训练特征集BOD‑D和基于优化实例选择的标签集BOD‑L进行模型训练；

S6.7、将步骤S6.6训练得到的模型对步骤S1的目标项目传统度量元向量集TCPIVS进行缺陷预测，得到预测标签集PRED_LABEL，结合目标项目实例标签TLABEL通过公式计算得到f‑score；

S6.8、得到基于优化实例选择的跨项目软件缺陷预测方法BOICP。