[发明专利]基于串并联遗传算法的多目标测试优选方法

摘要

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。

主权项

1.一种基于串并联遗传算法的多目标测试优选方法，其特征在于，包括以下步骤：S1：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，记优化目标的数量为N，并设置测试方案的优化目标函数fn(x)，n＝1,2,…,N，优化目标函数值越小，测试方案越优，记约束条件为A≥A*，A表示约束条件参数，A*表示参数阈值；S2：执行K次遗传算法，得到K个最优解集，遗传算法的具体步骤包括：S2.1：初始化迭代次数t＝1，精英解集合随机生成Y个个体xi，i＝1,2,…,Y，每个个体为一个长度为M的二进制码，M表示电子系统的测试数量。每个个体表示一个测试方案，当二进制码中第m个数据为0时，表示个体所对应测试方案中未选中第m个测试，当二进制码中第m个数据为1时，表示个体所对应测试方案中选中第m个测试，m＝1,2,…,M；S2.2：从当前种群中筛选中符合约束条件的个体，加入精英解集合E；S2.3：根据N个优化目标函数fn(x)，计算当前精英解集合E每个个体xd对应的N个优化目标函数值fn(xd)，d＝1,2,…,|E|，|E|表示当前精英解集合E中个体数量，两两比较个体的优化目标函数值，获取每个个体被支配的次数zd；搜索当前精英解集合E中被支配次数最多和最少的个体，其被支配次数分别记为zmax和zmin；S2.4：计算个体xi的适应度值Fi： F i = 1 - | E | Y ( z i - z m i n ) ( z max - z m i n ) , x i ∈ E ( 1 - | E | Y ) A i A * , x i ∉ E ]]>S2.5：如果t＜T，进入步骤S2.6，否则进入步骤S2.8：S2.6：对当前种群中进行选择、交叉、变异操作，生成下一代种群；S2.7：令t＝t+1，返回步骤S2.2；S2.8：计算当前精英解集合E中每个个体对应的N个优化目标函数值，搜索当前精英解集合E中的非支配个体，即构成本次遗传算法的最优解集；S3：合并步骤S2所获得的K个最优解集，得到集合U，如果集合U中的个体数量|U|等于Y，则将集合U作为种群V；如果|U|小于Y，则随机生成产生Y-|U|个体，与集合U一起构成种群V；如果|U|大于Y，则计算集合U中每个个体对应的N个优化目标函