[发明专利]基于分组-综合多目标进化的多任务测试优选方法

权利要求书

1.一种基于分组-综合多目标进化的多任务测试优选方法，其特征在于，包括以下步骤：

S1：根据系统信息获取系统的多任务测试依赖矩阵，根据实际需要选择多任务测试优选参照的测试性指标，包括故障检测率或故障隔离率，确定系统总体和每个任务模式下各个测试性指标的进化目标，以及故障检测率或故障隔离率的约束条件；定义测试方案选择向量X＝[b₁,b₂,…,b_Q]，q＝1,2,…,Q，Q表示测试方案数量，b_q取值为0或1，b_q＝0表示第q个测试方案未选取，b_q＝1表示第q个测试方案选取，记第m个任务模式下测试性指标F_n的计算公式为m＝1,2,…,M，M表示任务模式数量，记系统总体的测试性指标F_n的计算公式为

S2：对每个任务模式分别采用多目标进化算法得到测试优选的精英个体集合Y_m，其中多目标进化算法中的个体为测试方案选择向量X＝[b₁,b₂,…,b_Q]，进化目标为步骤S1中所选择的N个测试性指标F_n在该任务模式下的进化目标，各个进化目标的约束条件为测试性指标在该任务模式下的约束条件，对于每个个体根据多任务测试依赖矩阵按照该任务模式下的测试性指标计算公式计算其进化目标值；

S3：根据步骤S2所得到的各个任务模式的精英个体集合Y_m，设置多目标进化算法的个体为X′＝[x′₁,x′₂,…,x′_M]，其中x′_m表示第m个任务模式的精英个体序号，其取值范围为1≤x′_m≤|Y_m|，|Y_m|表示精英个体集合Y_m中的精英个体数量；进化目标为步骤S1中所选择的N个测试性指标F_n在系统总体的进化目标，各个进化目标的约束条件为测试性指标在系统总体的约束条件；对于每个个体根据多任务测试依赖矩阵按照系统总体测试性指标的计算公式计算其进化目标值，其中X_all＝y(x′₁)|y(x′₂)|…|y(x′_M)，y(x′_m)表示精英个体集合Y_m中第x′_m个精英个体；

根据以上设置运行该多目标进化算法，得到精英个体集合Z，其中每个精英个体Z_d＝[z_d1,z_d2,…,z_dM]对应一个多任务测试方案选择向量即z_dm表示精英个体集合Z中第d个精英个体中第m个任务模式的精英个体序号，y(z_dm)表示精英个体集合Y_m中第z_dm个精英个体，d＝1,2,…,|Z|，|Z|表示精英个体集合Z中精英个体数量；从而获得|Z|个多任务测试方案选择向量，即为多任务测试优选的非支配解。

2.根据权利要求1所述的多任务测试优选方法，其特征在于，所述多目标进化算法采用多目标遗传进化算法，其具体步骤包括：

S2.1：在多目标进化个体的取值范围内，随机生成Q个个体构成初始种群A，每个个体的得分score＝α，初始化精英个体集合迭代次数t＝1；

S2.2：根据当前种群A中个体的得分score随机选择两个个体进行交叉变异产生Q个新个体，得分score越大，被选择概率越大；

S2.3：将步骤S2.2中产生的新个体与当前种群A合并为新种群B，将新种群B中各个个体的得分score还原为初始值α，然后根据以下规则进行排名：计算种群B中每个个体的进化目标值，如果进化目标值满足预设的约束条件，则对应的个体称为可行解；然后从种群B中不重复地选出两个个体，如果两个个体均是可行解，则根据支配规则排名，令被支配的一方score＝0.9score，支配的一方不作任何操作；如果只有一方是可行解，则该可行解一方不作任何操作，另一方的score＝0.9score；如果双方均不是可行解，目标值距离约束条件最远的一方score＝0.9score，另一方不作任何操作；遍历完所有个体对后，根据得分score对个体进行降序排列；

S2.4：从种群B中选择得分score＝α的个体，如果该个体的进化目标值不满足约束条件，或与精英个体集合Y中的个体重复，或被精英个体集合Y中的个体支配，则不作任何操作，否则将该个体加入精英个体集合Y中；如果精英个体集合Y中存在原有个体被新加入个体所支配，则删除这些原有个体，否则不作任何操作；

S2.5：如果迭代次数t＜T，T表示预设的迭代次数阈值，进入步骤S2.6，否则多目标遗传进化算法结束；

S2.6：选择种群B中前一半个体集合，作为新种群A，令t＝t+1，返回步骤S2.2。