「软件项目管理」成本估算模型——Walston-Felix模型和COCOMO Ⅱ模型

简介: 该文章深入探讨了两种软件项目成本估算模型——Walston-Felix模型和COCOMO II模型,详细解释了各自的计算公式、应用背景及步骤,并通过具体示例展示了如何使用这两种模型来进行准确的成本预测。

序言

在软件项目的成本计划中,有一个较为重要的环节是成本估算。那在下面的文章中,我们将讲解两种成本估算的模型: Walston-Felix 模型 和 COCOMO Ⅱ 模型。

下面开始进入本文的讲解~

一、Walston-Felix模型

1. 公式

1977年, IBMWalstonFelix 提出了如下的估算公式:

  • E = 5.2×(KLOC)0.91KLOC是源代码行数,E是工作量(以PM计)
  • D = 4.1×(KLOC)0.36D是项目持续时间(以月计)
  • S = 0.54×E0.6S是人员需要量(以人计)
  • DOC = 49×(KLOC)1.01DOC是文档数量(以页计)

2. 举例

假设现有某项目,采用 java 语言完成。预估计该项目有 366 个功能点,那么

  • L = 366×46 = 16386行 = 16.386 KLOC
  • E = 5.2×(KLOC)0.91 = 5.2×16.3860.91= 66 人月
  • DOC =49× (KLOC)1.01 = 49×16.3861.01 = 826

二、COCOMO模型(Constructive Cost Model)

1. 模型定义

  • 结构化成本模型
  • 是目前应用最广泛的参数型软件成本估计模型
  • Barry Boehm 团队开发的

2. COCOMO模型的发展

COCOMO模型经过两次发展,分别是:

  • COCOMO 81
  • COCOMO Ⅱ

3. COCOMO基本原理

将工作量表示为 KLOC 软件规模和一系列成本因子的函数,基本估算公式为:

PM=A×SE× $\prod_{i=1}^n $ EMi

A可以校准的常量

SKLOC软件规模

E规模的指数,说明不同规模软件具有的相对规模经济不经济性

EM工作量乘数,反映某个项目特征对完成项目开发所需工作量的影响程度;

n 为描述软件项目特征的成本驱动因子的个数

三、COCOMO 81

1. 模型级别

模型级别有三个等级分别为:

级别 特点
基本COCOMO 静态单变量模型
中等COCOMO 基本模型基础上考虑影响因素,调整模型
高级COCOMO 中等COCOMO模型基础上考虑各个步骤的影响

2. 项目类型

项目类型有三种类型分别为:

类型 特点
有机 Organic 各类应用程序,例如数据处理、科学计算等
受硬件的约束比较小,程序的规模不是很大
嵌入式 Embedded 受硬件的约束比较小,程序的规模不是很大
紧密联系的硬件、软件和操作的限制条件下运行,软件规模任意
半有机 Semidetached 各类实用程序,介于上述两种软件之间,例如编译器(程序)
规模和复杂度都属于中等或者更高

3. 基本COCOMO-81

(1)公式

E= a × (KLOC)b其中:

  • E:工作量(人月)
  • KLOC:是交付的代码行
  • a , b:依赖于项目自然属性的系数

(2)系数表

方式 a b
有机 2.4 1.05
半有机 3.0 1.12
嵌入式 3.6 1.2

(3)举例

假设现在有一个 33.3 KLOC 的软件开发项目,属于中等规模半有机型的项目,采用基本COCOMO来开发。请计算出E值

解: 依据以上题意可得:a=3.0,b=1.12。

因此,最终 E = 3.0 × L 1.12 = 3.0 × 33.3 1.12 = 152 PM

4. 中等COCOMO-81

(1)公式

E= a × (KLOC)b × 乘法因子,其中:

  • a、b是系数
  • 乘法因子是对公式的校正系数

(2)系数表

方式 a b
有机 2.8 1.05
半有机 3.0 1.12
嵌入式 3.2 1.2

(3)乘法因子的成本驱动属性

包含四种类型,分别是:

  • 产品属性 → ①软件可靠性、②软件复杂性、③数据库规模
  • 平台属性 → ④程序执行时间、⑤程序占用内存的大小、⑥软件开发环境的变化、⑦软件开发环境的响应速度
  • 人员属性 → ⑧分析员的能力、⑨程序员的能力、⑩有关应用领域的经验、⑩①开发环境的经验、⑩②程序设计语言的经验
  • 过程属性 → ⑩③软件开发方法的能力、⑩④软件工具的质量和数量、⑩⑤软件开发的进度要求

(4)乘法因子的值

上面四种属性共15个要素,每个要素的调节因子是 Fi (i=1,2,…,15),其中,Fi 的值有:

很低、低、正常、高、很高、极高,共六个等级。正常情况下 Fi=1

Boehm推荐的Fi 值范围分别为:(0.70, 0.85, 1.00, 1.15, 1.30, 1.65) 。

但实际的值依据下表所示:

中等COCOMO 81

当15个 Fi 的值选定后,乘法因子 EAF 的计算为:EAF=F1 × F2 × … × F15

调节因子集的定义和调节因子定值是由统计结果经验决定的。不同的软件开发组织,在不同的历史时期,随着环境的变化,这些数据可能改变。

(5)举例

现有一个 33.3 KLOC 的软件开发项目,属于中等规模半有机型的项目,采用中等COCOMO模型来开发。且该项目的乘法因子为 0.70 × 0.85 × 1 × … × 1.15 = 1.09 ,请计算出E值

解: 依据以上题意可得:a=3.0,b=1.12;

乘法因子为 0.70 × 0.85 × 1 × … × 1.15 = 1.09 ;

因此,最终 E = 3.0 × L 1.12 = 3.0 × 33.3 1.12 × 1.09 = 166 PM

5、高级(详细)COCOMO

(1)定义

  • 将项目分解为一些列的子系统或者子模型
  • 更加精确地调整一个模型的属性

(2)工作量乘数

下表给出关于高级COCOMO 81工作量乘数的阶段差异性示例,如下所示:

Cost drivers Development phase Rating levels
Very low Low Norminal High Very high Extra high
RPD(requirement and product design) 1.40 1.20 1.00 0.87 0.75
AEXP DD(detailed design) 1.30 1.15 1.00 0.90 0.80
CUT(code and unit test) 1.25 1.10 1.00 0.92 0.85
IT(integration and test) 1.25 1.10 1.00 0.92 0.85

四、COCOMO Ⅱ

1. COCOMO Ⅱ模型中项目估算的三个阶段

模型 阶段 时间 功能描述(此阶段要做什么)
应用组装模型(Application Composition) 规划阶段 早期、确定系统性能时 ①利用应用点application point来进行估算规模;②利用原型来解决高风险问题。
早期设计模型(early design) 设计阶段 需求稳定,体系结构已建立时 ①研究可选的体系结构和概念;②用功能点funtion point来做估算规模。
后体系结构模型(post architecture) 开发阶段 软件在构造中,知道更多系统信息时 ①以FP、LOC作为估算单位。

补充说明应用点知识:

应用点,即对象点。一种间接的软件测量,其计算需要使用以下三个元素:

  • 用户界面上的屏幕数screens
  • 报表数reports
  • 建造应用可能需要的构件数3GLcomponents

2. 基于COCOMO Ⅱ的计算

(1)基本模型

基本模型的公式为:E=bSCm(X)

(2)对象点计算

应用组装阶段,计算对象点

  • ①计算屏幕数、报表数和构件;
  • ②对每一个对象点,按照简单、中等、困难三个等级进行分类;
  • ③得到简单、中等、困难三种类型对应的对象点数目的复杂度加权
  • ④计算对象点OP,即∑(三个计算值×加权因子);
  • ⑤如果 r% 的对象点来自以前项目的重用,则新对象点为:NOP=OP× $ \frac{100-r}{100} $ ,即NOP=OP×(1-复用度);
  • ⑥查表得到生产率参数的值PROD;
  • ⑦工作量E=NOP/PROD;
  • ⑧给出一个历史数据:人工价(元/PM);
  • ⑨成本=E×人工价。

以下给出对象点PROD 的具体数值表:

不同类型对象的复杂度加权

复杂度加权
对象类型 简单 中等 困难
屏幕 1 2 3
报表 2 5 8
3GL构件 10

不同水平的开发者经验和不同开发环境成熟度下的生产率

因素 影响
开发者的经验/能力 非常低 正常 非常高
环境成熟度/能力 非常低 正常 非常高
PROD 4 7 13 25 50

(3)案例计算

Question:

使用COCOMO II模型来估算构造一个简单的ATM软件所需的工作量和人工成本(单位分别是人月和元),该软件产生11个屏幕(有3个简单,3个中等,5个困难),10个报表(有4个简单,6个困难),72个构件,复用度为20%,假设开发者的经验能力为高,环境的成熟度能力为低,劳动力价格为5000元/PM。则NOP、生产率能力PROD、工作量E和人工成本C分别为多少。写出计算公式及计算过程。

Answer:
基于COCOMO Ⅱ模型的相关计算答案

八、结束语

到这里,我们讲解了项目管理中的两种成本估算模型。一种是 Walaton-Felix 模型,另一种是 COCOMO Ⅱ 模型。

关于本文的介绍到这里就结束啦!希望对大家有帮助~

如果您觉得这篇文章有帮助到您的的话不妨点赞支持一下哟~~😉

🛵专栏直通车

软件项目管理👉https://juejin.cn/column/7024826582841688077

相关文章
|
18天前
|
人工智能 JSON PyTorch
TPO:告别微调!这个AI框架让大模型实时进化:无需训练直接优化,输入问题越用越聪明,输出质量暴涨50%
TPO(Test-Time Prompt Optimization)框架,通过奖励模型和迭代反馈优化大语言模型输出,无需训练即可显著提升性能,支持动态对齐人类偏好,降低优化成本。
175 8
TPO:告别微调!这个AI框架让大模型实时进化:无需训练直接优化,输入问题越用越聪明,输出质量暴涨50%
|
4月前
|
机器学习/深度学习 人工智能 测试技术
探索软件测试中的“禅”:寻找内在的平和与外在的效率####
在软件测试的世界里,我们常常被缺陷的数量、测试用例的覆盖度以及上线时间的紧迫性所困扰。但如果我们能像禅宗修行者一样,将注意力转向内心的平静与专注,或许能在纷繁复杂的测试工作中找到一种全新的效率和质量提升之道。本文将带您走进软件测试的“禅意世界”,探讨如何在看似枯燥无味的测试过程中,通过调整心态、优化方法,实现个人成长与项目成功的双赢。 ####
|
21天前
|
人工智能 自然语言处理 API
研究大模型门槛太高?不妨看看小模型SLM,知识点都在这
大型语言模型(LLM)在文本生成、问答等领域表现出色,但也面临资源受限环境应用难、领域知识不足及隐私问题等挑战。为此,小型语言模型(SLM)逐渐受到关注,其具备低延迟、成本效益高、易于定制等优点,适合资源受限环境和领域知识获取。SLM可通过预训练、微调和知识蒸馏等技术增强性能,在自然语言处理、计算机视觉等领域有广泛应用潜力。然而,SLM也存在复杂任务表现有限等问题,未来研究将进一步提升其性能与可靠性。 论文链接:https://arxiv.org/abs/2411.03350
34 5
|
21天前
|
机器学习/深度学习 人工智能 机器人
智能体零样本解决未见过人类设计环境!全靠这个开放式物理RL环境空间
在人工智能领域,训练通用智能体以应对未知环境是巨大挑战。近期研究通过Kinetix——一个开放式物理强化学习(RL)环境空间,取得了突破。Kinetix由Michael Matthews等人提出,生成数千万个2D物理任务,训练出能零样本解决未见过环境的智能体。借助新型硬件加速物理引擎Jax2D,研究团队高效模拟数十亿环境步骤,使智能体在多样化环境中学习一般性机械属性,展现出出色的零样本和微调能力。论文地址:https://arxiv.org/pdf/2410.23208
28 3
|
2月前
|
人工智能 测试技术
VideoPhy:UCLA 和谷歌联合推出评估视频生成模型物理模拟能力的评估工具,衡量模型生成的视频是否遵循现实世界的物理规则
VideoPhy 是 UCLA 和谷歌联合推出的首个评估视频生成模型物理常识能力的基准测试,旨在衡量模型生成的视频是否遵循现实世界的物理规则。
76 9
VideoPhy:UCLA 和谷歌联合推出评估视频生成模型物理模拟能力的评估工具,衡量模型生成的视频是否遵循现实世界的物理规则
|
3月前
|
机器学习/深度学习 数据采集 人工智能
打破RLHF瓶颈,克服奖励欺骗!Meta发布全新后训练方式CGPO,编程水平直升5%
Meta提出了一种名为约束生成策略优化(CGPO)的新型后训练范式,用于解决基于人类反馈的强化学习(RLHF)在多任务学习中的挑战,如奖励欺骗和极端多目标优化。CGPO通过混合裁判(MoJ)技术,结合成本效益约束策略优化和分层技术,系统化地识别RLHF中的平衡点。与传统方法相比,CGPO在多个任务上表现出色,包括一般聊天、STEM问题、指令遵循、数学、编程和知识等,且具有理论保证。CGPO还能够检测并缓解奖励欺骗行为,显著提升了多任务学习的性能。论文链接:https://arxiv.org/pdf/2409.20370
67 7
|
4月前
|
数据采集 监控 并行计算
基于MCMC的贝叶斯营销组合模型评估方法论: 系统化诊断、校准及选择的理论框架
贝叶斯营销组合建模(Bayesian Marketing Mix Modeling,MMM)作为一种先进的营销效果评估方法,其核心在于通过贝叶斯框架对营销投资的影响进行量化分析。
109 3
基于MCMC的贝叶斯营销组合模型评估方法论: 系统化诊断、校准及选择的理论框架
|
7月前
|
机器学习/深度学习 人工智能
高于临床测试3倍准确率!剑桥大学开发AI模型,提前6年预测阿尔茨海默症
【8月更文挑战第9天】剑桥大学研发的人工智能模型在预测阿尔茨海默症方面取得突破,准确率比传统临床测试高三倍,能提前六年预测疾病发生。该模型基于深度学习,利用大量临床及神经影像数据识别生物标志物,预测准确性达80%。这一成果有望促进早期干预,改善患者预后,但仍需更大规模研究验证,并解决隐私与公平性等问题。论文已发表于《The Lancet》子刊。
95 6
|
10月前
|
机器学习/深度学习 算法
大模型开发:描述集成学习以及它如何工作。
【4月更文挑战第24天】集成学习通过结合多个模型预测提升整体性能,减少偏差和方差。主要分为Bagging和Boosting两类。Bagging中,模型并行在数据子集上训练,如随机森林,通过投票或平均聚合预测。Boosting则顺序训练模型,聚焦纠正前一个模型的错误,如AdaBoost,加权组合所有模型预测。Stacking则是用基础模型的输出训练新模型。关键在于模型多样性以捕捉数据不同模式。集成学习广泛应用于分类、回归等任务,能提高泛化能力,降低过拟合风险。
85 3
|
负载均衡 监控 算法
转:启发式算法对网络行为管理系统的应用研究、实用性分析及实现难度
启发式算法在网络行为管理系统中的应用研究是一个重要的领域,它可以帮助改善系统的性能和效率。启发式算法是一种通过模拟自然界的演化过程或启发式规则来解决复杂问题的方法。
99 2