[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

说明书

本发明公开了一种基于改进PBI方法的系统级测试性设计多目标优化方法，首先初始化一组均匀分布的参考向量，并为每个参考向量计算其惩罚因子，然后基于遗传算法迭代搜索最优影响因素向量，在搜索过程中对惩罚因子进行递增，联合目标函数值和改进PBI函数值来优选得到新种群，并对新种群进行个体补选操作，在终代种群中删除被支配解，即得到影响因素向量的帕累托最优解集。采用本发明可以在保证得到最优解的同时，提高收敛效果以及影响因素向量的帕累托最优解的均匀性，从而合理配置影响因素，达到测试性优化设计的目的。

技术领域

本发明属于装备测试性设计优化技术领域，更为具体地讲，涉及一种基于改进PBI方法的系统级测试性设计多目标优化方法。

背景技术

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,fault diagnose rate)、虚警率(FAR,fault alarm rate)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,fault diagnoserate)、隔离率、虚警率(FAR,fault alarm rate)、测试时间开销(TC，time cost)以及测试经济开销(PC，price cost)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D个，用x_d表示，d＝1,2,…,D。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,…,x_D]。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f_m(X)，m＝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),…,f_M(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(X_i)和F(X_j)，如果两个向量不相等且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。

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。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进PBI方法的系统级测试性设计多目标优化方法，使用改进PBI选择策略和个体补选操作，在保证得到影响因素向量的帕累托最优解集的同时，提高收敛效果以及影响因素向量的帕累托最优解的均匀性，从而合理配置影响因素，达到测试性优化设计的目的。

为了实现上述发明目的，本发明基于改进PBI方法的系统级测试性设计多目标优化方法包括以下步骤：