系统级测试性设计多目标优化方法技术方案

本发明专利技术公开了一种系统级测试性设计多目标优化方法，首先基于遗传算法搜索目标函数极值及其对应的影响因素向量，然后将获得到的目标函数的极值分别作为对应坐标轴的截距，得到最优解平面，从最优解平面中选取参考点，然后在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集。采用本发明专利技术，可以在保证得到最优解的同时，提高算法收敛速度。

【技术实现步骤摘要】
系统级测试性设计多目标优化方法
本专利技术属于装备测试性设计优化
，更为具体地讲，涉及一种系统级测试性设计多目标优化方法。
技术介绍
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。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)指标同时满足约束条件甚至趋向更好，是学术和工程领域不断探索的问题。在测试优选问题中，所关注的测试指标有故障检测率(FDR,faultdiagnoserate)、隔离率，虚警率(FAR,faultalarmrate)、测试时间开销(TC，timecost)以及测试经济开销(PC，pricecost)等等。增加系统测试性，意味着额外的测试硬件，因此影响着系统重量，体积，研发难度，功能影响以及系统可靠性。假设影响因素共计N个，用xi表示，i＝1,2,…,N。且将影响因素值归一化为0～1之间的变量，则影响因素向量X＝[x1,…,xN]。假设需要优化的目标数量为M，每个优化目标的目标函数为fj(X)，j＝1,2,…,M。测试优选目标是合理选择和设置X(即合理开展测试性设计，合理分配资源等)，使得M个目标函数最小。现实中，M个目标函数一般不可能同时达到最优，因此这是一个典型的多目标优化问题。当多目标优化为最小化优化问题，可以用下式表达，即需要找到合适的X使得所有M个目标函数f(X)最小：minimizeF(X)＝(f1(X),f2(X),…,fM(X))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。对于由上述公式确定的向量F(Xi)和F(Xj)，如果两个相量不相等且F(Xi)里的所有元素都不大于F(Xj)里的对应位置元素，则称F(Xi)支配F(Xj)，Xj称为支配解，Xi称为非支配解。由所有非支配解构成的集合称为帕累托最优集。而目前能解决该类问题的算法有NSGA-III型算法、粒子群算法等等。NSGA-III型算法较为典型，可以找到比较全面的非支配解集，然而由于支配关系计算的时间复杂度较高，收敛速度慢等问题，使得该算法运行时间较长。在搜索速度慢、收敛代数高等问题。
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，提供一种系统级测试性设计多目标优化方法，在保证得到最优解的同时，提高算法收敛速度。为实现上述专利技术目的，本专利技术系统级测试性设计多目标优化方法，包括以下步骤：S1：根据电子系统的实际情况确定影响因素，记影响因素向量X＝[x1,…,xN]，其中xi表示第i个影响因素的归一化值，i＝1,2,…,N，N表示影响因素的数量；记需要优化的目标数量为M，确定每个优化目标的目标函数fj(X)，j＝1,2,…,M，目标函数值越小，影响因素的组合越优；S2：令j＝1；S3：基于遗传算法搜索目标函数fj(X)极值及其对应的影响因素向量X，其具体步骤包括：S3.1：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent1；S3.2：对当前种群parent1中的个体进行交叉、变异操作，生成下一代种群child1；S3.3：将种群parent1和种群child1合并放入集合combine1，记集合combine1中个体数量为K，计算集合combine1中每个个体Xk的适应度值，k＝1,2,…,K，个体适应度值fitnessj(Xk)的计算公式如下：S3.4：从集合combine1中优选出K个个体，构成新的种群parent1；S3.5：计算当前种群parent1中所有个体适应度值的方差σ1，如果σ1小于预设阈值，进入步骤S3.6，否则返回步骤S3.2；S3.6：从当前种群中搜索出适应度值最小的个体，作为最优个体其对应的目标函数值即为目标函数fj(X)的极值fj*；S4：如果j＜M，进入步骤S5，否则进入步骤S6；S5：令j＝j+1，返回步骤S3；S6：在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集，其具体步骤包括：S6.1：将获得的M个优化目标的极值fj*分别作为对应第j个坐标轴的截距，构造M维平面，选取平面上D个参考点，构成参考点集合P＝{p1,p2,…,pD}，其中每一个参考点pd都是一个M维向量，且满足平面方程，其中d＝1,2,…,D；将各个参考点到坐标原点的直线作为参考线，得到参考线集L＝{l1,l2,…,lD}，其中参考线ld表示参考点pd到原点的直线；S6.2：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent2，其个体数量为D，其中M个个体为步骤S3得到的M个最优个体其余个体由M个最优个体通过正态分布产生；S6.3：对当前种群parent2中的个体进行交叉、变异操作，生成下一代种群child2；S6.4：将种群parent2和种群child2合并放入集合combine2，记集合combine2中个体数量为Q，计算集合combine2中每个个体Xq对于每条参考线的适应度值，q＝1,2,…,Q，个体对于每条参考线的适应度值fitd(Xq)的计算公式如下：fitd(Xq)＝||Fq||×10-6+dis(Fq,ld)其中，Fq表示个体Xq对应的M个目标函数值fj(Xq)所构成的向量，||Fq||表示Fq的范数，dis(Fq,ld)表示Fq到参考线ld的欧式距离；S6.5：分别对参考线ld找出其对应的fitd(Xq)中最小值对应的个体，从而得到D个个体，构成新的种群parent2，将对应的fitd(Xq)作为个体的适应度值fit(Xq)；S6.6：计算当前种群parent2中所有个体适应度值fit(Xq)的方差σ2，如果σ2小于预设阈值，进入步骤S6.7，否则返回步骤S6.3；S6.7：将当前种群parent2作为帕累托最优解集。本专利技术系统级测试性设计多目标优化方法，首先基于遗传算法搜索目标函数极值及其对应的影响因素向量，然后将获得到的目标函数的极值分别作为对应坐标轴的截距，得到最优解平面，从最优解平面中选取参考点，然后在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集。采用本专利技术，可以在保证得到最优解的同时，提高算法收敛速度。附图说明图1是本专利技术系统级测试性设计多目标优化方法的具体实施方式流程图；图2是本专利技术中基于遗传算法搜索目标函数极值的流程图；图3是本专利技术中帕累托最优解查找的流程图；图4是本实施例中采用本专利技术得到的参考点示意图；图5是本实施例中采用本专利技术得到的帕累托最优解对应的目标函数向量示意图；图6是本实施例中采用NSGAIII算法得到的帕累托最优解集对应的目标函数向量示意图；图7是本实施例中本专利技术的收敛效果图；图8是本实施例中NSGAIII算法的收效效果图。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知本文档来自技高网...

【技术保护点】
一种系统级测试性设计多目标优化方法，其特征在于，包括以下步骤：S1：根据电子系统的实际情况确定影响因素，记影响因素向量X＝[x1,…,xN]，其中xi表示第i个影响因素的归一化值，i＝1,2,…,N，N表示影响因素的数量；记需要优化的目标数量为M，确定每个优化目标的目标函数fj(X)，j＝1,2,…,M，目标函数值越小，影响因素的组合越优；S2：令j＝1；S3：基于遗传算法搜索目标函数fj(X)极值及其对应的影响因素向量X，其具体步骤包括：S3.1：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent1；S3.2：对当前种群parent1中的个体进行交叉、变异操作，生成下一代种群child1；S3.3：将种群parent1和种群child1合并放入集合combine1，记集合combine1中个体数量为K，计算集合combine1中每个个体Xk的适应度值，k＝1,2,…,K，个体适应度值fitness

【技术特征摘要】
1.一种系统级测试性设计多目标优化方法，其特征在于，包括以下步骤：S1：根据电子系统的实际情况确定影响因素，记影响因素向量X＝[x1,…,xN]，其中xi表示第i个影响因素的归一化值，i＝1,2,…,N，N表示影响因素的数量；记需要优化的目标数量为M，确定每个优化目标的目标函数fj(X)，j＝1,2,…,M，目标函数值越小，影响因素的组合越优；S2：令j＝1；S3：基于遗传算法搜索目标函数fj(X)极值及其对应的影响因素向量X，其具体步骤包括：S3.1：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent1；S3.2：对当前种群parent1中的个体进行交叉、变异操作，生成下一代种群child1；S3.3：将种群parent1和种群child1合并放入集合combine1，记集合combine1中个体数量为K，计算集合combine1中每个个体Xk的适应度值，k＝1,2,…,K，个体适应度值fitnessj(Xk)的计算公式如下：S3.4：从集合combine1中优选出K个个体，构成新的种群parent1；S3.5：计算当前种群parent中所有个体适应度值的方差σ1，如果σ1小于预设阈值，进入步骤S3.6，否则返回步骤S3.2；S3.6：从当前种群中搜索出适应度值最小的个体，作为最优个体其对应的目标函数值即为目标函数fj(X)的极值fj*；S3：如果j＜M，进入步骤S5，否则进入步骤S6；S5：令j＝j+1，返回步骤S3；S6：在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集，其具体步骤包括：S6.1：将获得的M个优化目...

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