【技术实现步骤摘要】
本专利技术涉及测试性分配优化，尤其涉及一种基于生成数据的测试性多目标分配方法。
技术介绍
1、灭火弹作为民用消防消耗品，要考虑造价，成本太高用不起，在灭火过程中，打一发弹可能要数万元，因此要把单枚弹的成本降下来，在载机投放前或挂机前就能发现、定位问题，可以大大减少载机因炸弹故障而带弹返回和炸弹投放之后的任务失败。目前，常用的测试性分配方法有故障率分配法、加权分配法、综合加权分配法、层次分析法、优化分配法等。然而，现有的方法对历史数据的分析不足，且大部分针对一个指标和单一目标进行优化，面对多部件多指标的复杂测试系统往往难以很好地给出经济的测试指标。
技术实现思路
1、有鉴于此，本专利技术提供一种基于生成数据的测试性多目标分配方法，目的在于充分利用可获取的历史测试数据，利用深度学习技术，实现对测试数据的生成和成本映射关系，并利用优化模型实现对测试指标的分配与优化。
2、实现上述目的，本专利技术提供的一种基于生成数据的测试性多目标分配方法，包括以下步骤：
3、s1：获取各个部件历史测试过程的指标、时间和成本数据；
4、s2：根据各部件的测试历史数据，构建改进的对抗神经网络模型；
5、s3：利用改进的对抗神经网络模型生成各部件不同指标的时间变化函数和成本变化函数；
6、s4：构建以成本和时间双导向的多目标测试性分配模型；
7、s5：设计基于改进拉格朗日松弛的优化算法对模型进行求解，实现各部件多元多目标的综合优化。>
8、在以上技术方案的基础上，优选的，所述s1步骤中获取各个部件历史测试过程的指标包括：测试通过率，故障检测率，故障隔离率，二次故障率和虚警率。
9、优选的，所述s1步骤中获取各个部件历史测试过程的指标、时间和成本数据的具体流程如下：
10、s11：根据历史的测试过程分析所需的测试部件集合为i，测试的指标集合为s，i和j分别为测试部件和测试指标的索引，i∈i,j∈s，所分配的指标大小xij意为部件i的测试性指标j的指标值，xi,j为决策变量；
11、s12：根据一定的时间间隔δt，采集各个部件历史测试过程中的指标数据，每个部件形成时间-指标数据的对应关系表；
12、s13：根据一定的时间间隔δt，采集各个部件累积的成本数据，与s12步骤中的数据表合并形成时间-指标数据-成本数据的对应关系表。
13、优选的，所述s2步骤中根据各部件的测试历史数据，构建改进的对抗神经网络模型的具体流程如下：
14、s21：根据s13步骤的时间-指标数据-成本数据的对应关系表，形成指标数据dm、时间数据dt和成本数据dc；
15、s22：构建生成器网络gn：生成器接收指标数据dm和条件参数coi(在此系统中为各部件的信息)作为输入，构建多层全连接层，生成对应的时间数据和成本数据生成器参数为θ，数学表达记作：
16、
17、s23：构建判别器网络dn：判别器接收真实样本(coi,dm,dt,dc)和生成器生成的样本(coi,dm,)作为输入，构建多层全连接层，判断数据的真实性；
18、s24：训练改进的对抗神经网络模型：通过训练生成器和判别器来不断更新模型参数最终得到一套模型参数θ*和w*。
19、优选的，所述s24步骤中训练改进的对抗神经网络模型过程如下：
20、s241：设梯度惩罚系数为p，生成器的迭代次数为ns，批大小为bs，训练优化器为adam，其中adam的超参数为α,β1,β2，设随机数∈1,∈2服从0-1之间的均匀分布，∈1,∈2～u[0,1]，每一步中评价参数为w，成本函数部分的权重为π；
21、s242：计算修正项和
22、s243：令分别服从概率分布pgt,pgc，记为dt,dc分别服从概率分布prt,prc，记为dt～prt,dc～prc；分别服从概率分布pr′t,pr′c，记为r′c；lt,lc分别为时间和成本两部分的损失函数，计算每一步的损失函数，损失函数的计算公式如下：
23、
24、其中，‖·‖2为二范数，为梯度运算符；
25、s244：利用adam对判别器网络参数进行优化得到w*：
26、
27、s245：利用adam对生成器网络参数进行优化得到w*：
28、
29、优选的，所述s3步骤中各部件不同指标的时间变化函数和成本变化函数的数学表达分别如下：
30、
31、
32、其中，xi＝[xi,1,…xi,j,…xi,|s|]。
33、优选的，所述s4步骤中构建以成本和时间双导向的多目标测试性分配模型的步骤如下：
34、s41：令系统各部件的成本权重为γi，时间成本的权重为wt∈[0,1]，构建模型的目标函数：
35、
36、其中，
37、系统为任意的测试系统，可以为灭火弹或者其他系统，部件为系统中待测试的各个组成部分；
38、s42：令系统各部件的各类指标的指标权重为δi,j，各部件的综合指标约束为：对于任意部件，需要满足最低的综合指标要求μi，约束表达为：
39、
40、其中，对于任意部件i而言
41、s43：令系统各部件的最大完成时间为tmax，时间约束为：需要满足各部件最大完成时间不超过时间要求tmax，时间约束g(2)(xi)表达为：
42、
43、s44：令系统各部件的最小指标为各部件的最低指标约束为：对于任意部件的任意指标，需要满足最低的指标要求约束表达为：
44、
45、优选的，所述s5步骤中设计基于改进拉格朗日松弛的优化算法对模型进行求解，实现各部件多元多目标的综合优化的步骤如下：
46、s51构造拉格朗日函数，为每个不等式约束引入一个非负拉格朗日乘子λ(1),λ(2),λ(3)≥0，拉格朗日函数定义为：
47、
48、s52：选择一个初始解初始拉格朗日乘子λ(2,0),设优化算法的迭代上限为nm，乘子更新步长为sl，决策变量更新步长为sd，步长衰减率为ε，当前的迭代次数k；
49、s53：更新拉格朗日乘子：
50、
51、
52、
53、s54：更新决策变量：
54、
55、s55：更新乘子步长sl＝sl(1-ε)，决策变量步长为sd＝sd(1-ε)；
56、s55：检查终止准则，如果满足k>nm，则算法结束，输出最优分配指标，否则k＝k+1，返回步骤s52。
57、本专利技术提供的一种基于生成数据的测试性多目标分配方法，相对于现有技术，具有以下有益效果：
58、(1)本方案基于历史测试数据和改进的对抗神经网络，一方面可以本文档来自技高网...
【技术保护点】
1.一种基于生成数据的测试性多目标分配方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S1步骤中获取各个部件历史测试过程的指标包括：测试通过率，故障检测率，故障隔离率，二次故障率和虚警率。
3.如权利要求1所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S1步骤中获取各个部件历史测试过程的指标、时间和成本数据的具体流程如下：
4.如权利要求3所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S2步骤中根据各部件的测试历史数据，构建改进的对抗神经网络模型的具体流程如下：
5.如权利要求4所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S24步骤中训练改进的对抗神经网络模型过程如下：
6.如权利要求5所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S3步骤中各部件不同指标的时间变化函数和成本变化函数的数学表达分别如下：
7.如权利要求6所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S4步骤中构建以成本和时
8.如权利要求7所述的基于生成数据的测试性多目标分配方法，其特征在于，所述S5步骤中设计基于改进拉格朗日松弛的优化算法对模型进行求解，实现各部件多元多目标的综合优化的步骤如下：
...【技术特征摘要】
1.一种基于生成数据的测试性多目标分配方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于生成数据的测试性多目标分配方法，其特征在于，所述s1步骤中获取各个部件历史测试过程的指标包括：测试通过率，故障检测率，故障隔离率，二次故障率和虚警率。
3.如权利要求1所述的基于生成数据的测试性多目标分配方法，其特征在于，所述s1步骤中获取各个部件历史测试过程的指标、时间和成本数据的具体流程如下：
4.如权利要求3所述的基于生成数据的测试性多目标分配方法，其特征在于，所述s2步骤中根据各部件的测试历史数据，构建改进的对抗神经网络模型的具体流程如下：
5.如权利要求...
【专利技术属性】
技术研发人员：王贺，陈立民，肖玉亮，
申请(专利权)人：湖南光华防务科技集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。