CN104143116B - 一种基于粒子群算法的系统软防护组合优化方法 - Google Patents
一种基于粒子群算法的系统软防护组合优化方法 Download PDFInfo
- Publication number
- CN104143116B CN104143116B CN201410352613.1A CN201410352613A CN104143116B CN 104143116 B CN104143116 B CN 104143116B CN 201410352613 A CN201410352613 A CN 201410352613A CN 104143116 B CN104143116 B CN 104143116B
- Authority
- CN
- China
- Prior art keywords
- particle
- population
- module
- protection
- defence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Design And Manufacture Of Integrated Circuits (AREA)
Abstract
本发明一种基于粒子群算法的系统软防护组合优化方法包括以下步骤:按照系统功能将DSP、FPGA系统划分为N个功能模块;利用划分出的各功能模块,构造建立系统防护组合优化模型所需数据;根据划分出的功能模块以及得到的各功能模块的相关数据,建立系统防护组合优化模型;利用离散多目标粒子群算法对建立的系统防护组合优化模型进行求解,得到系统防护组合的一组最优解。本发明从系统角度对防护效果、防护代价进行了评估,以及对系统不同部位防护方法选择进行了优化,同可以用于指导DSP、FPGA系统中功能模块防护方法选择。
Description
技术领域
本发明涉及一种基于粒子群算法的系统软防护组合优化方法,涉及针对单粒子效应的DSP、FPGA系统防护组合的优化,可用于指导系统不同模块防护方法的选择,属于系统可靠性领域。
背景技术
航天领域中的电子器件常常受会受到空间高能粒子的冲击而发生电路逻辑状态的改变,这种现象被称为单粒子效应。单粒子效应会对航天器的安全造成极大的威胁,因此人们对此十分关注。为了减轻单粒子效应对系统造成的影响,需要对目标系统的不同部位进行适当的防护,但是,防护后往往会带来额外的资源开销,因此,现有进行系统防护的做法大多为:首先,识别出系统的脆弱点;然后,对系统的脆弱点进行防护。但是该做法存在下述两点不足:1.虽然对系统的关键部位进行了防护,但是缺乏系统整体防护效果和系统整体防护代价的定量分析;2.缺乏针对系统特定部位防护方法的选择优化。
目前,有许多研究者对如何进行系统高效的防护进行了研究。例如,学者MartinHiller等人在IEEE transactions on computers上发表了文章“EPIC:Profiling thePropagation and Effect of Data Errors in Software”,文中提出的框架EPIC可以用于进行系统脆弱点的识别,从而在防护效果与防护代价之间进行适当的权衡。但是这种方法缺乏从系统角度对防护效果、防护代价的评估,以及对系统不同部位防护方法选择的优化。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提供一种基于粒子群算法的系统软防护组合优化方法,本发明通过各功能模块防护模型的建立和整体分析,实现了系统级单粒子防护组合最优解的求解。
本发明的技术解决方案是:
一种基于粒子群算法的系统软防护组合优化方法包括步骤如下:
(1)按照系统功能将DSP、FPGA系统划分为N个功能模块;其中,各功能模块通过信号传递互相连接,各功能模块为防护的基本单位,N为正整数;
(2)利用划分出的各功能模块,构造建立系统防护组合优化模型所需数据,所需数据包含如下:
(2a)构造功能模块M的输出信号错误发生概率矩阵PM:
其中PM(i,j)=pi,j M表示在模块M输入信号全部正确、采用模块M所有可用防护方法中的第i种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;NM表示模块M可用防护方法总数;NOM表示模块M输出信号总数;(对于DSP,常见的防护方法有基于关键变量的LS-TMR方法、程序执行流程的跳转区间监测方法、程序块三模冗余方法等;对于FPGA,有三模冗余方法、时间滤波冗余等)
(2b)构造功能模块M的输出信号错误传播概率向量QM:
其中QM(j)=qj M表示在系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;
(2c)构造功能模块M的防护代价向量CM,表示为:
其中CM(i)=ci M表示对模块M采用其本身所有可用防护方法中的第i种防护方法时,模块M的防护代价;
(3)根据步骤(2)得到的数据建立系统防护组合优化模型;
(4)利用离散多目标粒子群算法对步骤(3)求出的系统防护组合优化模型进行求解,得到满足系统输出信号出错率和系统防护代价最优的防护组合,即求解一组Pareto最优系统防护组合最优解(Pareto最优解是根据Pareto占优准则得到的一组互不占优的解集,并且该最优解集中的每个解都不比求解空间中的其它解差),使它们对应的f(k)为目标函数的最优取值。
所述步骤(3)中建立系统防护组合优化模型的具体实施方式如下:
(3a)根据各功能模块的输出信号错误发生概率矩阵PM以及模块输出信号错误传播概率向量QM,按下式计算系统某一路输出信号出错率Esys:
其中N表示系统划分的功能模块总数;NOM表示模块M的输出信号总数;表示在假设模块M输入信号全部正确、采用模块M所有可用防护方法中的第kM种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;qj M表示在假设系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;
(3b)根据各功能模块的防护代价向量CM,按下式计算系统整体防护代价Csys:
其中N表示系统中功能模块总数;表示系统中第M个模块采用其可用防护方法中的第kM种防护方法时的防护代价;
(3c)根据步骤(3a)中求出的系统输出信号出错率Esys和步骤(3b)中求出的系统整体防护代价Csys,按下式构造系统防护组合优化模型:
其中k为系统防护组合(一个k表示一种系统防护组合),取为k=[k1,...,kM,...,kN],并且k是由优化模型中两个目标函数f1(k)和f2(k)中的所有自变量(k1,...,kN)构成的向量;其中k的第M个元素为kM∈{1,...,NM},表示模块M采用了其所有可用防护方法中的第kM种防护方法。
所述步骤(4)的寻找最优解的具体实施方式如下:
(4a)根据步骤(3c)中求出的系统防护组合优化模型,将系统各个功能模块的防护方法进行组合编码得到防护方法组合k,并将其与粒子群算法的粒子相对应;
(4b)定义离散多目标粒子群算法相关参数;定义粒子群算法最大进化迭代次数G;定义粒子自适应飞行参数以及ω;其中c1表示粒子向个体的局部最优解变化的权重因子,c2表示粒子向全局最优解变化的权重因子,ω表示粒子向除个体历史最优及全局历史最优以外的位置变化的权重因子;c1、c2以及ω一起控制粒子位置的更新;定义内部种群POP中包含的粒子的数目L,定义外部种群REP包含的粒子的最大数目H;定义空间超格对目标空间各维划分的数目DIV;
(4c)初始化内部种群POP;
从步骤(4a)的系统防护方法组合中随机选出L个粒子作为内部种群;
(4d)评价内部种群POP;
根据步骤(3c)中求出的系统防护组合优化模型,计算各个粒子两个目标函数f1(k)、f2(k)的值并将两者组合在一起作为POP中各粒子的适应值向量,用于进一步根据Pareto占优准则评价内部种群POP中粒子对应的系统防护组合方法的优劣;
(4e)初始化外部种群REP;
将内部种群中各粒子进行两两比较,并根据Pareto占优准则将内部种群中对应非劣解的所有粒子复制到外部种群REP中,完成对REP的初始化;
(4f)初始化个体历史最优种群Pbest,所述的种群Pbest指保存了POP中各个粒子当前探索到的个体最优位置,大小与POP相同;
将内部种群POP中的粒子依次复制到Pbest中,得到粒子群个体历史最优Pbest,完成对Pbest的初始化;
(4g)更新内部种群POP;对POP中任意一个粒子k=[k1,...,kM,...,kN]进行更新,更新的具体实现方式如下:
(4ga)从外部种群REP中目标空间稀疏的区域中随机选取一个粒子作为粒子k的全局最优引导粒子,表示为:kgb=[k1 gb,...,kM gb,...,kN gb];
(4gb)从Pbest中取出粒子k的个体历史最优粒子,表示为:
kpb=[k1 pb,...,kM pb,...,kN pb];
(4gc)对粒子k中的任意一个元素kM(对应模块M所选择的第kM种防护方法),根据当前迭代次数t下c1、c2、ω的取值以及kM与kM gb、kM pb的取值是否相等,对粒子该元素kM可以选择的各种取值赋予一定的概率权重向量并使用轮盘赌的方法选择粒子k中该元素新的取值,其中t=1…G,ri表示kM取值为i的概率权重,即模块M的所有可用防护方法中第i种防护方法被选中的概率;
(4h)根据步骤(4d)的方法重新评价更新后的内部种群POP;
(4i)更新外部种群REP
根据Pareto占优准则,将内部种群POP中各个粒子依次与外部种群REP中的原有粒子进行比较,当内部种群中的某个粒子为非劣解时,将其插入外部种群REP,同时删除外部种群REP中比该粒子劣的解;当向外部种群REP插入一个新的粒子而外部种群REP满时,即外部种群中保存的Pareto最优解的实际数目达到H时,首先利用空间超格提供的外部种群REP包含的粒子数目信息,删除外部种群中位于目标空间密集区域的任意一个粒子,然后再插入新的粒子;
(4j)更新个体历史最优种群Pbest;
如果内部种群POP中的某个粒子优于其在Pbest中的个体历史最优粒子,那么使用这个粒子将Pbest中该粒子的个体历史最优粒子替换;否则,Pbest中该粒子的个体历史最优粒子保持不变;
(4k)判断迭代是否结束:若未结束,则迭代次数加1并转步骤(4g);否则迭代结束,则将外部种群REP中的Pareto最优解导出,作为系统防护组合的一组Pareto最优解,该解集可用于指导最终防护方法的选择。
所述步骤(4gc)中粒子k中元素kM各种取值的概率权重的具体计算方法如下:
(4gc1)概率权重向量计算分为四种情况:
(4gc11)当kM=kM gb=kM pb时,RM[kM]=1-ω,RM其余元素取值为
(4gc12)当kM=kM pb,kM≠kM gb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc13)当kM=kM gb,kM≠kM pb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc14)当kM≠kM gb,kM≠kM pb时,若kM gb≠kM pb,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为若kM gb=kM pb,RM[kM pb]=c1+c2,RM其余元素取值为
(4gc2)根据步骤(4gc1)求出的使用轮盘赌的方法在集合{1,...,NM}中选择kM的新的取值。
本发明与现有技术相比的有益效果是:
(1)本发明根据系统输出出错率以及系统防护代价建立了系统防护组合优化模型,从系统角度对防护效果、防护代价进行了评估,以及对系统不同部位防护方法选择进行了优化,可以获取特定防护组合的量化评价方法,用于指导DSP、FPGA系统中功能模块防护的选择。
(2)本发明对离散粒子群算法中粒子位置的更新方式进行了改进,引入了自适应参数控制离散空间中粒子取值迭代的更新;使用该机制可以通过设置自适应参数值从而更方便的控制粒子群对解空间搜索。
附图说明
图1为本发明流程图;
图2本发明使用的离散多目标粒子群算法中自适应参数的设置方法示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步的详细描述。
如图1所示,本发明一种基于粒子群算法的系统软防护组合优化方法,包括步骤如下:
(1)按照系统功能将DSP、FPGA系统划分为N个功能模块;其中,各功能模块通过信号传递互相连接,各功能模块为防护的基本单位,N为正整数;
(2)利用划分出的各功能模块,构造建立系统防护组合优化模型所需数据,所需数据包含如下:
(2a)构造功能模块M的输出信号错误发生概率矩阵PM:
其中PM(i,j)=pi,j M表示在模块M输入信号全部正确、采用模块M所有可用防护方法中的第i种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;NM表示模块M可用防护方法总数;NOM表示模块M输出信号总数;对于DSP,常见的防护方法有基于关键变量的LS-TMR方法、程序执行流程的跳转区间监测方法、程序块三模冗余方法等;对于FPGA,有三模冗余方法、时间滤波冗余等。
(2b)构造功能模块M的输出信号错误传播概率向量QM:
其中QM(j)=qj M表示在系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;QM(j)=qj M的确定方式:模块M有H种输入排列组合,其中对M输出信号j产生变化影响的组合个数为H1,其中H1组合中使得输出信号j对系统某一路输出影响组合个数为H2,H2与H1的比值为错误传播概率。
(2c)构造功能模块M的防护代价向量CM,表示为:
其中CM(i)=ci M表示对模块M采用其本身所有可用防护方法中的第i种防护方法时,模块M的防护代价;防护代价指不同功能采用防护方法后,不同功能模块的资源占用量相加得到系统总体的资源占用量;
(3)建立系统防护组合优化模型,具体实现方式如下:
(3a)根据各功能模块的输出信号错误发生概率矩阵PM以及模块输出信号错误传播概率向量QM,按下式计算系统某一路输出信号出错率Esys:
其中N表示系统划分的功能模块总数;NOM表示模块M的输出信号总数;表示在假设模块M输入信号全部正确、采用模块M所有可用防护方法中的第kM种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;qj M表示在假设系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;任何模块的任意输出信号出现错误并传播到系统的某一路输出信号,均会导致该系统输出信号出错这一事件的发生,因此为了计算Esys,首先计算系统输出信号正确这一事件发生的概率,然后用1减去该概率;
(3b)根据各功能模块的防护代价向量CM,按下式计算系统整体防护代价Csys:
其中N表示系统中功能模块总数;表示系统中第M个模块采用其可用防护方法中的第kM种防护方法时的防护代价;
(3c)根据步骤(3a)中求出的系统输出信号出错率Esys和步骤(3b)中求出的系统整体防护代价Csys,按下式构造系统防护组合优化模型:
其中k为系统防护组合(一个k表示一种系统防护组合),取为k=[k1,...,kM,...,kN],并且k是由优化模型中两个目标函数f1(k)和f2(k)中的所有自变量(k1,...,kN)构成的向量;其中k的第M个元素为kM∈{1,...,NM},表示模块M采用了其所有可用防护方法中的第kM种防护方法;
(4)利用离散多目标粒子群算法对步骤(3)求出的系统防护组合优化模型进行求解,得到满足系统输出信号出错率和系统防护代价最优的防护组合,即求解一组Pareto最优系统防护组合(Pareto最优解是根据Pareto占优准则得到的一组互不占优的解集,并且该最优解集中的每个解都不比求解空间中的其它解差),使它们对应的f(k)为目标函数的最优取值;
(4a)根据步骤(3c)中求出的系统防护组合优化模型,将系统各个功能模块的防护方法进行组合编码得到防护方法组合k,并将其与粒子群算法的粒子相对应;
(4b)定义离散多目标粒子群算法相关参数;定义粒子群算法最大进化迭代次数G;定义粒子自适应飞行参数以及ω;其中c1表示粒子向个体的局部最优解变化的权重因子,c2表示粒子向全局最优解变化的权重因子,ω表示粒子向除个体历史最优及全局历史最优以外的位置变化的权重因子;c1、c2以及ω一起控制粒子位置的更新;其中,如图2所示λ、ω根据用户需求进行设置,而c1、c2可由方程与c1+c2+ω=1联立求解(此时λ、ω为常数);定义内部种群POP中包含的粒子的数目L,定义外部种群REP包含的粒子的最大数目H;定义空间超格对目标空间各维划分的数目DIV(空间超格技术为多目标优化算法中为保持解在目标空间中分布的均匀性而采用的一种技术;对二维目标空间来说,空间超格将当前目标空间,即目前探索到的,以(f1 min,f2 min)和(f1 max,f2 max)为对角线的矩形区域,划分为DIV×DIV的网格);
(4c)初始化内部种群POP;
从步骤(4a)的系统防护方法组合中随机选出L个粒子作为内部种群;
(4d)评价内部种群POP;
根据步骤(3c)中求出的系统防护组合优化模型,计算各个粒子两个目标函数f1(k)、f2(k)的值并将两者组合在一起作为POP中各粒子的适应值向量,用于进一步根据Pareto占优准则评价内部种群POP中粒子对应的系统防护组合方法的优劣;例如假设kA与kB是系统防护组合优化模型的两个解,当且仅当fi(kA)≤fi(kB),并且fj(kA)<fj(kB),则称kAPareto占优于kB;
(4e)初始化外部种群REP;
将内部种群中各粒子进行两两比较,并根据Pareto占优准则将内部种群中对应非劣解的所有粒子复制到外部种群REP中,完成对REP的初始化;
(4f)初始化个体历史最优种群Pbest,所述的种群Pbest指保存了POP中各个粒子当前探索到的个体最优位置,大小与POP相同;
将内部种群POP中的粒子依次复制到Pbest中,得到粒子群个体历史最优Pbest,完成对Pbest的初始化;
(4g)更新内部种群POP;对POP中任意一个粒子k=[k1,...,kM,...,kN]进行更新,更新的具体实现方式如下:
(4ga)从外部种群REP中目标空间稀疏的区域(选取的具体实现可以借助轮盘赌方法:假设包含粒子的空间超格有n个,每个空间超格中粒子的数目分别为s1,…,sn;首先计算每个空间超格被选中的概率为然后产生一个[0,1]之间的随机数rand,如果则第j个空间超格被选中,目标空间稀疏的区域即指包含粒子数目较少的目标空间超格)中随机选取一个粒子作为粒子k的全局最优引导粒子,表示为:kgb=[k1 gb,...,kM gb,...,kN gb];
(4gb)从Pbest中取出粒子k的个体历史最优粒子,表示为:
kpb=[k1 pb,...,kM pb,...,kN pb];
(4gc)对粒子k中的任意一个元素kM(对应模块M所选择的第kM种防护方法),根据当前迭代次数t下c1、c2、ω的取值以及kM与kM gb、kM pb的取值是否相等,对粒子该元素kM可以选择的各种取值赋予一定的概率权重向量并使用轮盘赌的方法选择粒子k中该元素新的取值,其中t=1…G,ri表示kM取值为i的概率权重,即模块M的所有可用防护方法中第i种防护方法被选中的概率;粒子k中元素kM各种取值的概率权重的具体计算方法如下:
(4gc1)概率权重向量计算分为四种情况:
(4gc11)当kM=kM gb=kM pb时,RM[kM]=1-ω,RM其余元素取值为
(4gc12)当kM=kM pb,kM≠kM gb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc13)当kM=kM gb,kM≠kM pb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc14)当kM≠kM gb,kM≠kM pb时,若kM gb≠kM pb,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为若kM gb=kM pb,RM[kM pb]=c1+c2,RM其余元素取值为
(4gc2)根据步骤(4gc1)求出的使用轮盘赌的方法在集合{1,...,NM}中选择kM的新的取值。
由于采用的是轮盘赌方法选择相对解结果占优的粒子kM,因此在设该粒子的RM[kM]时候,将取较大概率权重值赋予该粒子。如图2所示,根据ω、λ变化关系曲线,随着迭代次数,该值呈现递减规律,同时再根据c1、c2的换算关系,在专利中分别设置的占优粒子的RM[kM]取值是呈现递增规律,符合设计原理。其它粒子权重和将是1-RM[kM],虽然在此轮的迭代中这些粒子并非被选中,但是下轮迭代粒子中可能有被选中,因此为这些剩余粒子赋予平均概率权重,用于保证下轮迭代对剩余粒子可能被选中的机会均衡。
(4h)根据步骤(4d)的方法重新评价更新后的内部种群POP;
(4i)更新外部种群REP
根据Pareto占优准则,将内部种群POP中各个粒子依次与外部种群REP中的原有粒子进行比较,当内部种群中的某个粒子为非劣解时,将其插入外部种群REP,同时删除外部种群REP中比该粒子劣的解;当向外部种群REP插入一个新的粒子而外部种群REP满时,即外部种群中保存的Pareto最优解的实际数目达到H时,首先利用空间超格提供的外部种群REP包含的粒子数目信息,删除外部种群中位于目标空间密集区域的任意一个粒子,然后再插入新的粒子;
(4j)更新个体历史最优种群Pbest;
如果内部种群POP中的某个粒子优于其在Pbest中的个体历史最优粒子,那么使用这个粒子将Pbest中该粒子的个体历史最优粒子替换;否则,Pbest中该粒子的个体历史最优粒子保持不变;
(4k)判断迭代是否结束:若未结束,则迭代次数加1并转步骤(4g);否则迭代结束,则将外部种群REP中的Pareto最优解导出,作为系统防护组合的一组Pareto最优解,该解集可用于指导最终防护方法的选择。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (4)
1.一种基于粒子群算法的系统软防护组合优化方法,其特征在于步骤如下:
(1)按照系统功能将DSP、FPGA系统划分为N个功能模块;其中,各功能模块通过信号传递互相连接,各功能模块为防护的基本单位,N为正整数;
(2)利用划分出的各功能模块,构造建立系统防护组合优化模型所需数据,所需数据包含如下:
(2a)构造功能模块M的输出信号错误发生概率矩阵PM:
其中PM(i,j)=pi,j M表示在模块M输入信号全部正确、采用模块M所有可用防护方法中的第i种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;NM表示模块M可用防护方法总数;NOM表示模块M输出信号总数;
(2b)构造功能模块M的输出信号错误传播概率向量QM:
其中QM(j)=qj M表示在系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;
(2c)构造功能模块M的防护代价向量CM,表示为:
其中CM(i)=ci M表示对模块M采用其本身所有可用防护方法中的第i种防护方法时,模块M的防护代价;
(3)根据步骤(2)得到的数据建立系统防护组合优化模型;
(4)利用离散多目标粒子群算法对步骤(3)求出的系统防护组合优化模型进行求解,得到满足系统输出信号出错率和系统防护代价最优的防护组合,即求解一组Pareto最优系统防护组合最优解。
2.根据权利要求1所述的一种基于粒子群算法的系统软防护组合优化方法,其特征在于:所述步骤(3)中建立系统防护组合优化模型的具体实施方式如下:
(3a)根据各功能模块的输出信号错误发生概率矩阵PM以及模块输出信号错误传播概率向量QM,按下式计算系统某一路输出信号出错率Esys:
其中、N表示系统划分的功能模块总数;NOM表示模块M的输出信号总数;表示在假设模块M输入信号全部正确、采用模块M所有可用防护方法中的第kM种防护方法的条件下,模块M内部发生一定数目的单粒子翻转导致模块M第j个输出信号发生错误的概率;qj M表示在假设系统各个模块内部均不发生单粒子翻转的条件下,模块M的第j个输出信号影响系统某一路输出信号的概率;
(3b)根据各功能模块的防护代价向量CM,按下式计算系统整体防护代价Csys:
其中N表示系统中功能模块总数;表示系统中第M个模块采用其可用防护方法中的第kM种防护方法时的防护代价;
(3c)根据步骤(3a)中求出的系统输出信号出错率Esys和步骤(3b)中求出的系统整体防护代价Csys,按下式构造系统防护组合优化模型:
其中k为防护方法组合,取为k=[k1,…,kM,…,kN],并且k是由优化模型中两个目标函数f1(k)和f2(k)中的所有自变量(k1,...,kN)构成的向量;其中k的第M个元素为kM∈{1,…,NM},表示模块M采用了其所有可用防护方法中的第kM种防护方法。
3.根据权利要求2所述的一种基于粒子群算法的系统软防护组合优化方法,其特征在于:所述步骤(4)的寻找最优解的具体实施方式如下:
(4a)根据步骤(3c)中求出的系统防护组合优化模型,将系统各个功能模块的防护方法进行组合编码得到防护方法组合k,并将其与粒子群算法的粒子相对应;
(4b)定义离散多目标粒子群算法相关参数:
定义粒子群算法最大进化迭代次数G;定义粒子自适应飞行参数以及ω;其中c1表示粒子向个体的局部最优解变化的权重因子,c2表示粒子向全局最优解变化的权重因子,ω表示粒子向除个体历史最优及全局历史最优以外的位置变化的权重因子;c1、c2以及ω一起控制粒子位置的更新;定义内部种群POP中包含的粒子的数目L,定义外部种群REP包含的粒子的最大数目H;定义空间超格对目标空间各维划分的数目DIV;
(4c)初始化内部种群POP;
从步骤(4a)的系统防护方法组合中随机选出L个粒子作为内部种群;
(4d)评价内部种群POP:
根据步骤(3c)中求出的系统防护组合优化模型,计算各个粒子两个目标函数f1(k)、f2(k)的值并将两者组合在一起作为POP中各粒子的适应值向量,用于进一步根据Pareto占优准则评价内部种群POP中粒子对应的系统防护组合方法的优劣;(4e)初始化外部种群REP;
将内部种群中各粒子进行两两比较,并根据Pareto占优准则将内部种群中对应非劣解的所有粒子复制到外部种群REP中,完成对REP的初始化;
(4f)初始化个体历史最优种群Pbest,所述的种群Pbest指保存了POP中各个粒子当前探索到的个体最优位置,大小与POP相同;
将内部种群POP中的粒子依次复制到Pbest中,得到粒子群个体历史最优Pbest,完成对Pbest的初始化;
(4g)更新内部种群POP;对POP中任意一个粒子k=[k1,…,kM,…,kN]进行更新,更新的具体实现方式如下:
(4ga)从外部种群REP中目标空间稀疏的区域中随机选取一个粒子作为粒子k的全局最优引导粒子,表示为:kgb=[k1 gb,…,kM gb,…,kN gb];
(4gb)从Pbest中取出粒子k的个体历史最优粒子,表示为:kpb=[k1 pb,…,kM pb,…,kN pb];
(4gc)对粒子k中的任意一个元素kM,根据当前迭代次数t下c1、c2、ω的取值以及kM与kM gb、kM pb的取值是否相等,对粒子k中该元素kM可以选择的各种取值赋予一定的概率权重向量并使用轮盘赌的方法选择粒子k中该元素kM新的取值,其中t=1…G,ri表示kM取值为i的概率权重,即模块M的所有可用防护方法中第i种防护方法被选中的概率;
(4h)根据步骤(4d)的方法重新评价更新后的内部种群POP;
(4i)更新外部种群REP
根据Pareto占优准则,将内部种群POP中各个粒子依次与外部种群REP中的原有粒子进行比较,当内部种群中的某个粒子为非劣解时,将其插入外部种群REP,同时删除外部种群REP中比该粒子劣的解;当向外部种群REP插入一个新的粒子而外部种群REP满时,即外部种群中保存的Pareto最优解的实际数目达到H时,首先利用空间超格提供的外部种群REP包含的粒子数目信息,删除外部种群中位于目标空间密集区域的任意一个粒子,然后再插入新的粒子;
(4j)更新个体历史最优种群Pbest;
如果内部种群POP中的某个粒子优于其在Pbest中的个体历史最优粒子,那么使用这个粒子将Pbest中该粒子的个体历史最优粒子替换;否则,Pbest中该粒子的个体历史最优粒子保持不变;
(4k)判断迭代是否结束:若未结束,则迭代次数加1并转步骤(4g);否则迭代结束,则将外部种群REP中的Pareto最优解导出,作为系统防护组合的一组Pareto最优解,该解集可用于指导最终防护方法的选择。
4.根据权利要求3所述的一种基于粒子群算法的系统软防护组合优化方法,其特征在于:所述步骤(4gc)中粒子k中元素kM各种取值的概率权重的具体计算方法如下:
(4gc1)概率权重向量计算分为四种情况:
(4gc1 1)当kM=kM gb=kM pb时,RM[kM]=1-ω,RM其余元素取值为
(4gc1 2)当kM=kM pb,kM≠kM gb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc1 3)当kM=kM gb,kM≠kM pb时,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为
(4gc1 4)当kM≠kM gb,kM≠kM pb时,若kM gb≠kM pb,RM[kM pb]=c1,RM[kM gb]=c2,RM其余元素取值为若kM gb=kM pb,RM[kM pb]=c1+c2,RM其余元素取值为
(4gc2)根据步骤(4gc1)求出的使用轮盘赌的方法在集合{1,...,NM}中选择kM的新的取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352613.1A CN104143116B (zh) | 2014-07-23 | 2014-07-23 | 一种基于粒子群算法的系统软防护组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352613.1A CN104143116B (zh) | 2014-07-23 | 2014-07-23 | 一种基于粒子群算法的系统软防护组合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104143116A CN104143116A (zh) | 2014-11-12 |
CN104143116B true CN104143116B (zh) | 2017-05-10 |
Family
ID=51852285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410352613.1A Active CN104143116B (zh) | 2014-07-23 | 2014-07-23 | 一种基于粒子群算法的系统软防护组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104143116B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105114189A (zh) * | 2015-06-09 | 2015-12-02 | 吉林大学 | 基于fpga实现的电子节气门模型预测控制系统 |
CN105335784B (zh) * | 2015-10-22 | 2018-01-23 | 西安电子科技大学 | 一种基于遗传算法的选择最优dsp系统软防护的方法 |
CN107918097B (zh) * | 2017-10-20 | 2020-03-24 | 西安空间无线电技术研究所 | 一种实现可变let值的系统功能中断截面自适应拟合方法 |
CN108304278B (zh) * | 2018-01-18 | 2021-03-26 | 西安电子科技大学 | 一种基于改进的模因算法的工程代码模块冗余度最优分配的防护方法 |
CN113778941B (zh) * | 2021-09-15 | 2023-06-27 | 成都中科合迅科技有限公司 | 一种基于群体智能算法的功能可重组模拟电子系统及方法 |
CN115243536B (zh) * | 2022-09-22 | 2022-12-09 | 深圳鸿芯微纳技术有限公司 | 静电防护单元的位置确定方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
CN101887088A (zh) * | 2009-05-14 | 2010-11-17 | 北京圣涛平试验工程技术研究院有限责任公司 | 一种卫星用器件单粒子效应指标的评估方法和系统 |
CN103530196A (zh) * | 2013-09-24 | 2014-01-22 | 北京控制工程研究所 | 一种fpga单粒子翻转防护方法 |
CN103678123A (zh) * | 2013-11-29 | 2014-03-26 | 西安空间无线电技术研究所 | 一种适用于处理器系统单粒子软错误脆弱点识别方法 |
CN103888106A (zh) * | 2014-03-31 | 2014-06-25 | 西安空间无线电技术研究所 | 一种抗单粒子翻转和单粒子瞬态脉冲的触发器设计方法 |
US8768868B1 (en) * | 2012-04-05 | 2014-07-01 | Hrl Laboratories, Llc | Optimal multi-class classifier threshold-offset estimation with particle swarm optimization for visual object recognition |
-
2014
- 2014-07-23 CN CN201410352613.1A patent/CN104143116B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887088A (zh) * | 2009-05-14 | 2010-11-17 | 北京圣涛平试验工程技术研究院有限责任公司 | 一种卫星用器件单粒子效应指标的评估方法和系统 |
CN101833607A (zh) * | 2010-05-11 | 2010-09-15 | 天津大学 | 双馈风力发电机多目标混合粒子群优化设计方法 |
US8768868B1 (en) * | 2012-04-05 | 2014-07-01 | Hrl Laboratories, Llc | Optimal multi-class classifier threshold-offset estimation with particle swarm optimization for visual object recognition |
CN103530196A (zh) * | 2013-09-24 | 2014-01-22 | 北京控制工程研究所 | 一种fpga单粒子翻转防护方法 |
CN103678123A (zh) * | 2013-11-29 | 2014-03-26 | 西安空间无线电技术研究所 | 一种适用于处理器系统单粒子软错误脆弱点识别方法 |
CN103888106A (zh) * | 2014-03-31 | 2014-06-25 | 西安空间无线电技术研究所 | 一种抗单粒子翻转和单粒子瞬态脉冲的触发器设计方法 |
Non-Patent Citations (3)
Title |
---|
Particle-swarm-optimization-based nonintrusive demand monitoring and load identification in smart meters;Chang H H et al.;《IEEE Transactions on Industry Applications》;20130930;第49卷(第5期);第2229-2236页 * |
基于粒子群优化算法的目标跟踪方法;高翔 等;《制造业自动化》;20130731;第35卷(第7期);第4-7页 * |
航天器单粒子效应的防护研究;刘必鎏 等;《航天器单粒子效应的防护研究》;20101231;第27卷(第6期);第693-697页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104143116A (zh) | 2014-11-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104143116B (zh) | 一种基于粒子群算法的系统软防护组合优化方法 | |
CN104239961B (zh) | 一种基于纵横交叉算法的电力系统经济调度优化方法 | |
CN103902774B (zh) | X结构下超大规模集成电路总体布线方法 | |
Feizollahi et al. | The robust redundancy allocation problem in series-parallel systems with budgeted uncertainty | |
CN107632590A (zh) | 一种基于优先级的底事件排序方法 | |
Zhou et al. | Optimized fuzzy logic control strategy for parallel hybrid electric vehicle based on genetic algorithm | |
CN110969254A (zh) | 一种基于绝热量子算法求解超图Ramsey数方法 | |
CN106127306A (zh) | 一种高共享性Rete网络构建方法 | |
Zhang et al. | Automatic design of deterministic and non-halting membrane systems by tuning syntactical ingredients | |
CN107145982A (zh) | 一种基于纵横交叉算法的机组组合优化方法及装置 | |
Kaushik et al. | Performance evaluation of approximated artificial neural network (AANN) algorithm for reliability improvement | |
Aytug et al. | A Markov chain analysis of genetic algorithms with power of 2 cardinality alphabets | |
CN104536831A (zh) | 一种基于多目标优化的多核SoC软件映射方法 | |
CN106096722A (zh) | 基于阶段结构捕食‑食饵模型的输送路径组合优化方法 | |
CN106502983B (zh) | 隐式狄利克雷模型的事件驱动的坍缩吉布斯采样方法 | |
Dumachev | On semideterministic finite automata games type | |
Fogelman-Soulie | Parallel and sequential computation on boolean networks | |
Vijayakumari et al. | Optimal design of combinational logic circuits using genetic algorithm and Reed-Muller universal logic modules | |
CN115841230A (zh) | 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法 | |
Li et al. | A review of multi-objective particle swarm optimization algorithms in power system economic dispatch | |
CN103631760B (zh) | 一种用于硬件上任意波形合成的波形分解方法 | |
Zhang et al. | Structure performance analysis of vehicular ad hoc networks based on complex network theory | |
Li et al. | A Multi-Objective Emergency Resource Scheduling Method Based on MOEA/D | |
Musilek et al. | Genetic programming of fuzzy aggregation operations | |
Yan et al. | Propagation and control of congestion risk in scale-free networks based on information entropy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |