[发明专利]基于串并联遗传算法的多目标测试优选方法

说明书

本发明公开了一种基于串并联遗传算法的多目标测试优选方法，根据需要确定若干个电子系统的测试优选的优化目标和约束条件，首先分别执行若干次遗传算法，遗传算法过程中每次得到新的种群，称筛选出满足约束条件的个体加入精英解集合，得到精英解集合中个体的被支配次数，根据种群中的个体是否属于精英解集合采用不同方式来计算适应度值；然后将这若干次遗传算法的最优解集合并，作为初始种群中的个体，再执行一次遗传算法得到最优解集，其每个个体即为一个测试优选方案。本发明基于帕累托最优，设计一种串并联遗传算法，获得满足多个目标的多种测试优选方案，从而为决策者提供多种测试优选方案备选，在不同场合下都可以给出解决方案。

技术领域

本发明属于电子系统故障诊断技术领域，更为具体地讲，涉及一种基于串并联遗传算法的多目标测试优选方法。

背景技术

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,fault diagnose rate)、虚警率(FAR,fault alarm rate)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。

多目标优化可以用公式(1)表达，即需要找到合适的x使得所有N个目标函数f(x)最小：

minimize F(x)＝(f₁(x),f₂(x),…,f_N(x)) (1)

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。对于由公式(1)确定的向量F(x_i)和F(x_j)，如果两个相量不相等且F(x_i)里的所有元素都不大于F(x_j)里的对应位置元素，则称F(x_i)支配F(x_j)，x_j称为支配解，x_i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。

对于多目标优化问题，目前最为普遍的方法是对多目标进行加权求和，如式(2)所示，把和函数g(x)看成单目标优化问题。

其中，n＝1,2,…,N。

这种处理方法的问题有两个：(1)权重因子主观性强，设计者往往不太容易选择；(2)优化结果单一，不能提供多个选择。对于电子系统故障诊断领域，有时候要求尽快隔离故障，测试成本的重要性相对次要，而有时候要求严格控制成本，对时间要求不高。此时需要优化算法能够提供多种选择给决策者备选，在不同场合下都可以给出解决方案。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于串并联遗传算法的多目标测试优选方法，基于帕累托最优，设计一种串并联遗传算法，获得满足多个目标的多种测试优选方案。

为实现上述发明目的，本发明基于串并联遗传算法的多目标测试优选方法包括以下步骤：