[发明专利]基于改进PBI方法的系统级测试性设计多目标优化方法

权利要求书

1.一种基于改进PBI方法的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：根据反坦克导弹发射系统的实际情况确定影响因素，包括测试相关性系数、测试漏检概率、测试虚警概率、故障先验概率、错诊代价、漏诊代价、测试费用，记影响因素向量X＝[x₁,…,x_D]，其中x_d表示第d个影响因素的归一化值，d＝1,2,…,D，D表示影响因素的数量；优化目标包括最大化故障检测率FDR，最小化虚警率FAR以及测试成本C，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f_m(X)，m＝1,2,…,M，目标函数值越小，影响因素的组合越优；

S2：设置N个参考向量其中表示参考向量W_i的第m个元素值，i＝1,2,…,N；

S3：对于每个参考向量W_i，计算其与M维搜索空间中每个坐标轴的夹角的正切值θ_i,m，然后取M个夹角正切值θ_i,m中的最大值，作为参考向量W_i对应的惩罚因子初始值θ_i；

S4：将影响因素向量X＝[x₁,…,x_N]作为遗传算法中的个体，在影响因素向量的取值空间Ω中随机生成N个影响因素向量构成遗传算法的初始种群P；

S5：判断是否达到遗传算法的迭代结束条件，如果是，则迭代结束，进入步骤S15，否则进入步骤S6；

S6：对当前种群P中的个体进行交叉、变异操作，生成子种群Q；

S7：将种群P和种群Q合并放入集合S；

S8：分别计算集合S中每个个体对应的每个优化目标的目标函数值f_j(X_k)，k＝1,2,…,2N；

S9：对集合S中的个体进行非支配排序，将不被其他个体所支配的非支配个体构成集合S_nd，其余被其他个体所支配的支配个体构成集合S_d；

S10：对于每个目标函数f_j(X)，从非支配个体集合S_nd中每个个体对于该目标函数的值中筛选最大值和最小值然后根据以下公式对每个个体的目标函数值f_j(X_k)进行归一化，得到归一化后的目标函数值

S11：基于改进PBI方法优选得到新种群，具体方法如下：

S11.1：分别在各个权向量下计算集合S中每个个体的PBI函数值g(X_k|W_i,Z^*)，计算公式如下：

g(X_k|W_i,Z^*)＝d₁(k,i)+θ_id₂(k,i)

其中，

S11.2：为每个参考向量W_i设置一个子种群φ_i，对于集合S中每个个体，从其所对应的N个PBI函数值g(X_k|W_i,Z^*)中筛选出最小值，将该个体加入最小PBI函数值所对应参考向量的分种群中；

S11.3：分批次优选新种群个体，每次优选个体时，从每个子种群φ_i中筛选出对于对应参考向量PBI函数值最小的个体，加入新种群P′，并从子种群φ_i中删除该个体，循环该过程直到新种群P′中个体数量为N；

S12：将新种群P′中属于非支配个体集合S_nd的个体构成集合P′_nd，将新种群P′中属于支配个体集合S_d的个体构成集合P′_d，然后将非支配个体集合S_nd中不属于集合P′_nd的个体构成集合P^*；

S13：采用如下方式进行个体补选：

如果集合P^*中的个体数量|P^*|小于等于集合P_d′中的个体数量|P′_d|，则将P^*中的个体全部加入补选集合add。如果集合P^*中的个体数量|P^*|大于集合P′_d中的个体数量|P′_d|，则采用如下方法从集合P^*中筛选出|P′_d|个个体构成补选集合add：

对于集合P^*中的每个个体，计算其与集合P_n′_d的最小距离，然后筛选出最小距离值最大的个体加入补选集合add，然后将其从集合P^*中删除；循环该过程直到补选集合add中个体数量为|P′_d|；

将补选集合add加入种群P′中，组成新的种群P′；

S14：令种群P＝P′，惩罚因子θ_i＝θ_i+1，返回步骤S5；

S15：对算法执行到最后一代所获得的种群，从中删除被支配解，得到的种群即作为影响因素向量的帕累托最优解集。

2.根据权利要求1所述的系统级测试性设计多目标优化方法，其特征在于，所述步骤S2中考向量的数量N可以采用以下公式计算：

其中，H表示预设的常数参数。