[发明专利]一种基于离散粒子群算法的多目标故障测试优化方法

摘要

本发明公开了一种基于离散粒子群算法的多目标故障测试优化方法，将故障检测率和故障隔离率为100％作为首要目标，并作为粒子适应度函数，用离散粒子群算法对测试点进行优化。引入精英集Xlen1，存放满足首要目标的多个优化结果，后续目标隐藏故障和掩盖故障，在精英集Xlen1内进行优化，其结果为全局最优测试集Xlen2。再在全局最优测试集Xlen2的基础上，找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3，则测试集Xlen3满足故障检测率和故障隔离率为100％、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试，达到了故障测试多目标优化的目的。

主权项

1、一种基于离散粒子群算法的多目标故障测试优化方法，包括以下步骤：(1)、分析电子系统可提供的测试点以及每一测试点所能测试的潜在故障，得到故障-测试依赖矩阵；(2)、将可测性指标故障检测率和故障隔离率为100％作为首先满足的故障测试目标；(3)、将故障检测率和故障隔离率作为离散粒子群算法的粒子适应度函数，离散粒子群算法中的种群规模为M，种群中的第i(i＝1，2，…，M)个粒子xi为1×N维的二进制向量，N为电子系统测试点数目，粒子xi表示为：xi＝(ai1，ai2，…，aij，…，aiN)aij表示第j个测试点tj是否被第i个粒子选取；将种群中的粒子初始化为1×N维的二值矩阵向量，其速度初始化为1×N维的随机值向量，设置最大迭代次数为MaxT，选取初始化粒子中适应度最大的粒子作为全局最优Gbestid t和局部最优Pbestid t的初始值，进入粒子迭代；(4)、在当前的迭代中，选出种群中最大适应度f(Pbestid t)与前面迭代次数中的全局最优值的适应度f(Pbestid t-1)进行比较，如果f(Pbestid t-1)等于f(Pbestid t)，则将全局最优Pbestid t和局部最优Gbestid t值同时存入精英集Xlen1中；如果f(Pbestid t-1)小于f(Pbestid t)，则将全局最优Pbestid t的值赋给局部最优Gbestid t，并将原来的精英集Xlen1的值清空，将新的最优粒子加入精英集Xlen1，保证Gbestid t是全局最优值；(5)、迭代次数大于最大迭代次数为MaxT时，算法中止，精英集Xlen1便为满足故障检测率和故障隔离率为100％的所有测试集集合；(6)、在精英集Xlen1中，使用离散粒子群算法找出隐藏故障和掩盖故障平均数目最少故障测试目标的全局最优测试集Xlen2；(7)、在全局最优测试集Xlen2中，找出满足测试电数目最少及测试代价最小故障测试目标的测试集Xlen3，即测试集Xlen3满足故障检测率和故障隔离率为100％、隐藏故障和掩盖故障平均数目最少以及测试点数目最少及测试代价最小的多目标故障测试。