【技术实现步骤摘要】
本专利技术提供一种基于自适应共振拓扑网络的多目标测试数据生成方法，属于多模态多目标优化算法与黑盒优化测试。
技术介绍
1、当飞行器在飞行过程中遭受外界干扰或自身系统故障时，由于飞行器自身具有稳定性且搭载自动驾驶系统，能够抵抗一定程度的干扰或故障，故飞行过程中遭受干扰或系统故障后的状态往往难以估计，因此需要对飞行器在不同程度的干扰或系统故障下的飞行响应进行测试。考虑到不同飞行器的结构多样、控制律不同、软硬件耦合密切，可将在飞行过程中的飞行器视为黑盒，不关注飞行器内部的控制逻辑及飞行动力学原理，输入给定强度的外界干扰或一定程度的系统故障，根据某些特定指标判断飞行状态。用于判断飞行器飞行状态的指标往往不是单一的，如高度、速度、迎角等指标，需要同时参考多个指标对飞行状态进行评判，因此同时找到使得各个指标达到不可靠或不安全状态阈值的干扰条件显得尤为重要，对于不同指标，使其达到不可靠或不安全状态阈值的干扰条件往往是不同的，有的目标之间甚至相互冲突，若要同时实现这样的目标，则需要将此类问题视为多目标优化问题。此外，对于同一飞行状态指标，使其达到的异常状态阈值的干扰变量组合也可能是不同的，若要找到使得多个指标达到不可靠或不安全状态的干扰变量组合，除了考虑多目标优化，还需要考虑变量空间的多模态特性，即将此类问题视为多模态多目标优化问题。
2、对于黑盒优化测试问题，主流的解决方案一般有两种，一种贝叶斯优化方法，另一种是启发式算法，如遗传算法、差分进化算法和粒子群算法等。针对具有多个目标的黑盒优化测试问题，可以利用多目标优化算法来解决，但
3、为解决多模态多目标优化问题，目前已提出的优化算法主要有基于帕累托、基于分解的和基于指标的算法。考虑决策空间的多模态特性，基于帕累托支配方法的部分研究应用小生境方法来定位多个最优解，但经典的小生境方法对参数的取值异常敏感，因此基于环形拓扑形成稳定小生境的粒子群多模态多目标优化算法被提出，该算法无需定义任何小生境参数，但环形拓扑是将决策空间中的粒子依次首尾相连得到的，并不能反映空间中粒子分布的真实拓扑结构。在求解多模态多目标问题时，最优解的拓扑结构所反应的邻域信息在局部搜索中起着重要作用，受多模态多目标优化问题的特点和自组织映射网络邻域特性的启发，有人提出基于自组织映射的多模态多目标粒子群优化算法，然而该方法需要预定义节点数量、节点排列方式和节点的连接方式等拓扑结构信息，这往往需要基于对待解决问题的先验知识，在现实情况中，我们往往很难提前得知这些信息，使得这种方法具有很大的局限性。
4、因此，提供一种将寻找多个飞行状态指标同时达到不可靠状态阈值的干扰变量取值这类问题视为黑盒优化测试问题的新视角，基于这种新视角提供一种无需提前定义拓扑结构的多模态多目标粒子群优化算法，并利用该算法实现有针对性的测试数据的快速生成方法是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提出一种基于自适应共振拓扑网络的多目标测试数据生成方法，该方法将测试飞行器在怎样的外界干扰或自身系统故障条件下会同时接近不可靠或不安全状态的多个指标阈值视为黑盒优化测试问题，通过优化算法生成测试数据，即干扰变量参数组合，测试在不同的干扰条件下飞行器的状态。该类黑盒优化问题属于多模态多目标优化问题，可利用基于自适应共振拓扑网络的多模态多目标粒子群优化算法解决该测试问题，将飞行器遭遇的外界干扰变量参数组合视为粒子位置，通过迭代更新粒子位置找出最优参数组合。该算法在不需要预定义拓扑网络的结构信息的前提下，利用自适应共振拓扑网络增量学习帕累托最优解集的分布，为粒子群算法中的粒子的迭代更新提供邻域信息，进一步指导粒子群的更新方向，再将更新位置后粒子中的帕累托最优解输入到自适应共振拓扑网络中，使得网络的拓扑结构随着粒子群的迭代越来越接近真实的帕累托最优解集的分布，在保证多模态多目标算法收敛性的同时保持对决策空间解的多样性的探索。每一代粒子在迭代后通过和测试数据档案比对去除重复粒子，最终保留下来的即为该次迭代所产生的测试数据，即需要测试的飞行器干扰变量取值组合或系统故障因素取值组合。本专利技术能够在某些测试次数有限或测试代价昂贵的条件下，利用更少的测试数据和更短的测试时间，快速找出区分飞行器可靠和不可靠状态的干扰变量取值边界。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于自适应共振拓扑网络的多目标测试数据生成方法，包括如下步骤：
4、步骤1、确定影响飞行状态的干扰变量及其取值范围和用于判别飞行状态的多个指标及其阈值；
5、步骤2、将测试问题转换为多模态多目标黑盒优化测试问题并构建自动测试环境；
6、步骤3、设置粒子群优化算法相关参数，初始化粒子群；
7、步骤4、构建测试数据档案、测试数据集、外部集、学习集和个体最优集；
8、步骤5、将学习集输入到自适应共振拓扑网络中，更新自适应共振网络的拓扑结构；
9、步骤6、根据更新后的自适应共振网络拓扑结构更新粒子群位置，生成新的测试数据；
10、步骤7、更新测试数据集，将更新后测试数据集输入自动测试环境中，计算多目标函数值，更新测试数据档案；
11、步骤8、根据更新后粒子的非支配关系更新外部集、学习集和个体最优集；
12、步骤9、重复自适应共振网络、粒子群和外部集的更新过程直至满足终止条件；
13、其中，在步骤1所述的“确定影响飞行状态的干扰变量及其取值范围和用于判别飞行状态的多个指标及其阈值”，其做法如下：根据飞行器实际运行环境或人为经验获取能够影响飞行器运行状态的 d个干扰变量及各因素的取值范围：，,…,，例如飞行过程中遭遇阵风的风速和风向等。而后获取能够反映飞行状态变化的 m个相关指标；例如高度、速度和迎角等。这些指标能够随着干扰变量对飞行状态的影响而变化，当其中某一指标达到其阈值时，飞行状态由可靠或安全状态转变成不可靠或不安全状态，各指标阈值由飞行器可靠安全运行的相关要求确定。
14、其中，在步骤2所述的“将测试问题转换为多模态多目标黑盒优化测试问题并构建自动测试环境”，其做法如下：首先需要将测试问题转换为多模态多目标黑盒优化测试问题，不关注待测飞行器的结构与控制律，仅根据不同的输入观察其输出情况，输入为飞行器飞行时遭遇的各种干扰变量或系统故障的参数组合，输出为飞行状态的指标值，将受到什么程度的干扰或发生什么样的故障会导致飞行器不可靠或不安全状态视为黑盒本文档来自技高网...
【技术保护点】
1.一种基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤1中，根据飞行器实际运行环境或获取能够影响飞行器运行状态的D个干扰变量；其中，，,…,；而后获取能够反映飞行状态变化的M个相关指标；当其中某一指标达到其阈值时，飞行状态由可靠或安全状态转变成不可靠或不安全状态，各指标阈值由飞行器可靠安全运行的相关要求确定。
3.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤2中，构建多模态多目标黑盒优化问题，不失一般性的问题表示为：；；其中，F表示飞行状态与不可靠状态边界的接近程度函数，F的值越小，飞行状态越接近不可靠状态，处于即将异常的边缘，而飞行状态是由各个飞行状态指标f（var）来决定的，M表示待优化的目标个数，即飞行状态指标个数；var表示决策空间中D维向量，即由D个干扰变量或系统故障因素所组成的向量。
4.根据权利要求1或3所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在
5.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤3中，在D维的决策空间随机取值生成N个粒子，初始化第i个粒子的速度和位置，其中，，粒子的位置即对应飞行过程中的干扰变量组合的取值。
6.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤4中，在开始迭代前的初始阶段，建立各档案和集合的空集合，而后将初始化的所有粒子位置输入到测试数据档案、测试数据集、外部集和学习集中，即，，，，将每个粒子的位置输入其自身的个体最优集中，即，随着粒子群的更新，各档案和集合也会随之更新。
7.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤5中，学习集用于存放该代粒子群迭代更新完位置后产生的新的帕累托最优解，令飞行器更接近可靠与不可靠临界状态的多个指标阈值的干扰变量参数组合，自适应共振拓扑网络的构建及更新过程包括以下步骤：
8.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤6中，更新公式如下：，；其中，表示第代第个粒子的速度，表示第代第个粒子的位置，表示第代第个粒子的速度，表示第代第个粒子的位置，和是(0,1)范围内的两个随机变量。
9.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤7中，将更新后测试数据集输入到自动测试环境中，通过自动测试执行获取测试数据的实际运行结果，即将不同飞行干扰因素或系统故障的取值组合输入到飞行仿真软件中，获取多个飞行状态指标在该干扰或故障条件下影响下的值，利用该结果计算多目标函数值，即多个飞行状态指标值与对应的飞行状态指标不可靠阈值的差值绝对值；
10.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤8中，
...【技术特征摘要】
1.一种基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤1中，根据飞行器实际运行环境或获取能够影响飞行器运行状态的d个干扰变量；其中，，,…,；而后获取能够反映飞行状态变化的m个相关指标；当其中某一指标达到其阈值时，飞行状态由可靠或安全状态转变成不可靠或不安全状态，各指标阈值由飞行器可靠安全运行的相关要求确定。
3.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤2中，构建多模态多目标黑盒优化问题，不失一般性的问题表示为：；；其中，f表示飞行状态与不可靠状态边界的接近程度函数，f的值越小，飞行状态越接近不可靠状态，处于即将异常的边缘，而飞行状态是由各个飞行状态指标f（var）来决定的，m表示待优化的目标个数，即飞行状态指标个数；var表示决策空间中d维向量，即由d个干扰变量或系统故障因素所组成的向量。
4.根据权利要求1或3所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤2中，测试控制模块负责获取通过优化算法生成的测试数据，测试执行模块将测试数据输入到系统中执行测试，测试结果采集模块采集各测试数据对应的测试结果，将结果反馈给优化算法。
5.根据权利要求1所述的基于自适应共振拓扑网络的多目标测试数据生成方法，其特征在于：在步骤3中，在d维的决策空间随机取值生成n个粒子，初始化第i个粒子的速度和位置，其中，，粒子的位置即对应飞行过程中的干扰变量组合的取值。
【专利技术属性】
技术研发人员：杨顺昆，姚琪，段峙宇，邵麒，
申请(专利权)人：北京航空航天大学，
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。