基于分组-综合多目标进化的多任务测试优选方法技术

本发明专利技术公开了一种基于分组‑综合多目标进化的多任务测试优选方法，首先对每个任务模式分别采用多目标进化算法得到测试优选的精英个体集合，其中多目标进化算法中的个体为测试方案选择向量，进化目标为预设的测试性指标在该任务模式下的进化目标，各个进化目标的约束条件为测试性指标在该任务模式下的约束条件，然后根据各个任务模式的精英个体集合采用多目标进化算法进行多任务综合测试优选，其个体的元素为各个任务模式精英个体在对应集合中的序号，根据求得的精英个体集合得到多任务测试方案选择向量，即为多任务测试优选的非支配解。采用本发明专利技术可以更快速地得到多目标情况下多任务测试优选的非支配解，且能使求解结果更加准确。

【技术实现步骤摘要】
基于分组-综合多目标进化的多任务测试优选方法
本专利技术属于系统故障诊断
，更为具体地讲，涉及一种基于分组-综合多目标进化的多任务测试优选方法。
技术介绍
随着半导体集成电路向集成化和小型化两个方向发展，电子系统越来越复杂，在电路中设置测点也越来越不方便，由于测点急剧缩减，导致故障诊断难度加大。经常出现研制成本与维修成本倒置的局面，使维修人员数目增加，对他们的技术等级要求变高、培训时间变长。为了减轻设备日后的维护难度，系统在设计的初始阶段就应该考虑可测试性设计。可测试性指的是系统的状态能够被准确地检测的程度。为了评价系统可测性的好坏，需要对系统进行可测性分析。可测试性分析是指使用模拟的故障状态对系统的测点设置等测试性设计进行检验，以求合理地估计系统的可测试程度。在针对大型电子设备系统的故障诊断问题中，如何选择测试方案，使故障检测率(FDR,faultdiagnoserate)、虚警率(FAR,faultalarmrate)以及测试各项开销(时间、经济等)等可测试性指标同时满足约束条件甚至趋向更好，是学术或者工程领域不断探索的问题。对于以上同时考虑多个测试性指标的测试优选问题，可以视为多目标优化问题。多目标优化问题是讨论如何在一定约束条件下，找到满足多个目标都能达到最优的解。一般情况下，多目标优化问题的各个子目标之间是矛盾的，一个子目标的改善有可能会引起另一个或者另几个子目标的性能降低，也就是要同时使多个子目标一起达到最优值是不可能的，而只能在它们中间进行协调和折中处理,使各个子目标都尽可能地达到最优化。多目标优化问题的数学形式可以描述如下：miny＝f(x)＝[f1(x),f2(x),…,fn(x)…,fN(x)],n＝1,2,…,Ngi(x)≤0,i＝1,2,…,Phj(x)＝0,j＝1,2,…,Qx＝[x1,x2,…,xd,…,xD]xd_min≤xd≤xd_max,d＝1,2,…,D其中，x表示D维决策向量，y表示目标向量，fn(x)表示第n个目标函数，N表示优化目标总数，gi(x)≤0表示第i个不等式约束，P表示不等式约束的数量，hj(x)＝0表示第j个等式约束，Q表示等式约束的数量，X表示决策向量形成的决定空间，Y表示目标向量形成的目标空间。gi(x)≤0和hj(x)＝0确定了解的可行域，xd_max和xd_min为每维向量搜索的上下限。与单目标优化问题的本质区别在于，多目标优化问题的解并非唯一，而是存在一组由众多Pareto(帕累托)最优解组成的最优解集合,集合中的各个元素称为Pareto最优解或非劣最优解。多目标进化算法是一类模拟生物遗传机制而形成的全局性概率优化搜索方法，在20世纪90年代中期开始迅速发展，其发展可以分为两个阶段：第一阶段主要有两种方法即不基于Pareto优化的方法和基于Pareto优化的方法；第二个阶段就是在此基础上提出了外部集这个概念，外部集存放的是当前代的所有非支配个体，从而使解集保持较好的分布度。这个时期提出的多目标遗传算法更多地强调算法的效率和有效性。在这两个阶段中,比较典型的多目标遗传算法有NSGA-II。对于这种算法而言，其优点为将时间复杂度降低了，但是其缺点也比较明显的，Li等人实验证明，NSGA-II中的拥挤距离(crowdingdistance)策略甚至会在高维多目标问题上对种群的进化起到反作用。多目标进化算法的基本原理描述如下：多目标进化算法从一组随机生成的种群出发，通过对种群执行选择、交叉和变异等进化操作，经过多代进化，种群中个体的适应度不断提高，从而逐步逼近多目标优化问题的Pareto最优解集。与单目标进化算法不同，多目标进化算法具有特殊的适应度评价机制。为了充分发挥进化算法的群体搜索优势，大多数MOEA均采用基于Pareto排序的适应度评价方法。在电子系统故障测试领域，随着大型装备系统的日益复杂，单任务测试优选问题逐渐演化成多任务测试优选问题。对于一个复杂系统，只有各个子任务测试方案执行成功，最终的总体测试任务才会成功。为了确保总体系统执行成功，各个子模块也要全部执行成功，例如，导弹要确保爆炸和摧毁目标完全正确执行，它的子模块(能源供应、目标获取、稳定装置和导航)也必须要全部正确执行。所以，各个模块的潜在故障必须被检测出来。基于以上需求，系统的多任务测试设计中，每个任务模式都会有其自己的测试需求。测点选取的目的是从原始测试集中选择最优测试集，满足所有单个任务模式的若干个测试需求。而最终的总体测试方案中，也要满足总体的测试需求。对比传统单任务测试需求，多任务测试设计存在优化目标过多、约束条件过多的问题，如果直接沿用单任务测试优选算法，则会存在运行时间过长、解集搜索不完全、最终解不是全局非支配解等缺点。此外，在多任务测试优选中，需要对各个任务模式和总体任务进行测试优选。那么对于多任务测试优选问题，如果只是将总体优化目标和单任务优化目标简单的整合在一起，采用多目标进化算法进行求解，会造成目标太多，维数过高的问题，这对搜索解是不利的，需要进行适应性的改进。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种于分组-综合多目标进化的多任务测试优选方法，实现多目标情况下高效准确的多任务测试优选。为实现上述专利技术目的，本专利技术基于分组-综合多目标进化的多任务测试优选方法包括以下步骤：S1：根据系统信息获取系统的多任务测试依赖矩阵，根据实际需要选择多任务测试优选参照的测试性指标，包括故障检测率或故障隔离率，确定系统总体和每个任务模式下各个测试性指标的进化目标，以及故障检测率或故障隔离率的约束条件；定义测试方案选取向量X＝[b1,b2,…,bQ]，q＝1,2,…,Q，Q表示测试方案数量，bq取值为0或1，bq＝0表示第q个测试方案未选取，bq＝1表示第q个测试方案选取，记第m个任务模式下测试性指标Fn的计算公式为n＝1,2,…,N，N表示测试性指标数量，m＝1,2,…,M，M表示任务模式数量，记系统总体的测试性指标Fn的计算公式为S2：对每个任务模式分别采用多目标进化算法得到测试优选的精英个体集合Ym，其中多目标进化算法中的个体为测试方案选择向量X＝[b1,b2,…,bQ]，进化目标为步骤S1中所选择的N个测试性指标Fn在该任务模式下的进化目标，各个进化目标的约束条件为测试性指标在该任务模式下的约束条件，对于每个个体根据多任务测试依赖矩阵按照该任务模式下的测试性指标计算公式计算其进化目标值；S3：根据步骤S2所得到的各个任务模式的精英个体集合Ym，设置多目标进化算法的个体为X′＝[x1′,x2′,…,x′M]，其中x′m表示第m个任务模式的精英个体序号，其取值范围为1≤x′m≤|Ym|，|Ym|表示精英个体集合Ym中的精英个体数量；进化目标为步骤S1中所选择的N个测试性指标Fn在系统总体的进化目标，各个进化目标的约束条件为测试性指标在系统总体的约束条件；对于每个个体根据多任务测试依赖矩阵按照系统总体测试性指标的计算公式计算其进化目标值，其中Xall＝y(x1′)|y(x2′)|…|y(x′M)，y(x′m)表示精英个体集合Ym中第x′m个精英个体；根据以上设置运行该多目标进化算法，得到精英个体集合Z，其中每个精英个体Zd＝[zd1,zd2,…,本文档来自技高网...

【技术保护点】
一种基于分组‑综合多目标进化的多任务测试优选方法，其特征在于，包括以下步骤：S1：根据系统信息获取系统的多任务测试依赖矩阵，根据实际需要选择多任务测试优选参照的测试性指标，包括故障检测率或故障隔离率，确定系统总体和每个任务模式下各个测试性指标的进化目标，以及故障检测率或故障隔离率的约束条件；定义测试方案选取向量X＝[b

【技术特征摘要】
1.一种基于分组-综合多目标进化的多任务测试优选方法，其特征在于，包括以下步骤：S1：根据系统信息获取系统的多任务测试依赖矩阵，根据实际需要选择多任务测试优选参照的测试性指标，包括故障检测率或故障隔离率，确定系统总体和每个任务模式下各个测试性指标的进化目标，以及故障检测率或故障隔离率的约束条件；定义测试方案选取向量X＝[b1,b2,…,bQ]，q＝1,2,…,Q，Q表示测试方案数量，bq取值为0或1，bq＝0表示第q个测试方案未选取，bq＝1表示第q个测试方案选取，记第m个任务模式下测试性指标Fn的计算公式为m＝1,2,…,M，M表示任务模式数量，记系统总体的测试性指标Fn的计算公式为S2：对每个任务模式分别采用多目标进化算法得到测试优选的精英个体集合Ym，其中多目标进化算法中的个体为测试方案选择向量X＝[b1,b2,…,bQ]，进化目标为步骤S1中所选择的N个测试性指标Fn在该任务模式下的进货目标，各个进化目标的约束条件为测试性指标在该任务模式下的约束条件，对于每个个体根据多任务测试依赖矩阵按照该任务模式下的测试性指标计算公式计算其进化目标值；S3：根据步骤S2所得到的各个任务模式的精英个体集合Ym，设置多目标进化算法的个体为X′＝[x′1,x′2,…,x′M]，其中x′m表示第m个任务模式的精英个体序号，其取值范围为1≤x′m≤|Ym|，|Ym|表示精英个体集合Ym中的精英个体数量；进化目标为步骤S1中所选择的N个测试性指标Fn在系统总体的进化目标，各个进化目标的约束条件为测试性指标在系统总体的约束条件；对于每个个体根据多任务测试依赖矩阵按照系统总体测试性指标的计算公式计算其进化目标值，其中Xall＝y(x′1)|y(x′2)|…|y(x′M)，y(x′m)表示精英个体集合Ym中第x′m个精英个体；根据以上设置运行该多目标进化算法，得到精英个体集合Z，其中每个精英个体Zd＝[zd1,zd2,…,zdM]对应一个多任务测试方案选择向量即zdm表示精英个体集合Z中第d个精英个...

【专利技术属性】
技术研发人员：杨成林，何安东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51