[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

说明书

本发明公开了一种基于分组‑综合多目标进化的多任务测试优选方法，首先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，其中多目标进化算法中的个体为测试方案选择向量，进化目标为预设的测试性指标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，然后根据各个任务模式的精英个体集合采用多目标进化算法进行多任务综合测试优选，其个体的元素为各个任务模式精英个体在对应集合中的序号，根据求得的精英个体集合得到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。采用本发明可以更快速地得到多目标情况下多任务测试优选的非支配解，且能使求解结果更加准确。

技术领域

本发明属于系统故障诊断技术领域，更为具体地讲，涉及一种基于分组-综合多目标进化的多任务测试优选方法。

背景技术

随着半导体集成电路向集成化和小型化两个方向发展，电子系统越来越复杂，在电路中设置测点也越来越不方便，由于测点急剧缩减，导致故障诊断难度加大。经常出现研制成本与维修成本倒置的局面，使维修人员数目增加，对他们的技术等级要求变高、培训时间变长。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。为了评价系统可测性的好坏，需要对系统进行可测性分析。可测试性分析是指使用模拟的故障状态对系统的测点设置等测试性设计进行检验，以求合理地估计系统的可测试程度。

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)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。多目标优化问题的数学形式可以描述如下：

min y＝f(x)＝[f₁(x),f₂(x),…,f_n(x)…,f_N(x)],n＝1,2,…,N

g_i(x)≤0,i＝1,2,…,P

h_j(x)＝0,j＝1,2,…,Q

x＝[x₁,x₂,…,x_d,…,x_D]

x_{d_min}≤x_d≤x_{d_max},d＝1,2,…,D

其中，x表示D维决策向量，y表示目标向量，f_n(x)表示第n个目标函数， N表示优化目标总数，g_i(x)≤0表示第i个不等式约束，P表示不等式约束的数量，h_j(x)＝0表示第j个等式约束，Q表示等式约束的数量，X表示决策向量形成的决定空间，Y表示目标向量形成的目标空间。g_i(x)≤0和h_j(x)＝0确定了解的可行域，x_{d_max}和x_{d_min}为每维向量搜索的上下限。

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。