CN105243021B - 多任务测试性指标分配方法 - Google Patents
多任务测试性指标分配方法 Download PDFInfo
- Publication number
- CN105243021B CN105243021B CN201510738658.7A CN201510738658A CN105243021B CN 105243021 B CN105243021 B CN 105243021B CN 201510738658 A CN201510738658 A CN 201510738658A CN 105243021 B CN105243021 B CN 105243021B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- msub
- module
- particle
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种多任务测试性指标分配方法，首先获取相关数据，包括任务数量、模块数量、任务与模块的关联标识，各任务和模块对测试性指标的最低要求，各个模块的平均无故障时间、测试性代价因子，以及各种测试性代价因子的权重，根据以上数据计算得到每个模块的综合测试代价，然后建立测试性指标分配的数学模型，采用粒子群算法对模块进行求解，从而得到各模块的测试性指标分配结果。本发明针对多任务模型中任务与模块存在多对多映射的情况，建立相应的测试性指标分配数据模型，使得分配后的测试性指标不仅满足各模块的要求，也可以满足各任务对测试性指标的要求，并使测试代价最小，从而降低系统的研制成本和维护成本。
Description
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，涉及一种多任务测试性指标分配方法。
背景技术
目前的系统故障诊断技术领域多采用的是多信号模型的建模方法，系统模型的测试性指标分配也是基于多信号模型的，主要是将上层系统或模块的测试性指标分配到下层的子系统或子模块，模块和系统的划分之间并不存在交叉与重叠，保证了模块间物理的隔离，而且与系统硬件电路结合更加紧密。目前基于多信号模型的测试性指标分配的方法主要有经验分配法和线性插值分配法。
但是基于多信号模型的测试性指标分配更多地是站在硬件产品的角度上保证系统的测试性指标，却无法从任务的角度保证任务的测试性指标；更无法将多任务间的联合协同的特性考虑进去，多信号模型更像是多任务模型中其中的一个子任务，不能像多任务模型那样将任务之间的联系和产品器件属性联合起来考虑，多任务模型中任务之间的交叉覆盖、协同联合是多信号模型无法做到的。所以对基于多任务模型的测试性指标分配方法的研究是很有必要的。
虽然现在有部分专家学者开始研究基于任务剖面建模，从更高的层次更系统的角度考察系统的测试性，但缺少成熟的理论和具体可行的方法；更加缺少针对多任务模型的系统测试性指标进行分配的方法。
发明内容
本发明的目的在于克服现有技术的不足，提供一种多任务测试性指标分配方法，针对多任务模型的特点建立测试性指标分配的数学模型，优化多任务模块的测试性指标分配。
为实现上述发明目的，本发明多任务测试性指标分配方法，包括以下步骤：
S1：根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模型得到任务与模块的关联标识kij，当kij＝1时表示模块j属于任务i，当kij＝0时表示模块j不属于任务i，i表示任务序号，取值范围为i＝1,2,…,N，j表示模块序号，取值范围为j＝1,2,…,M；
得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要求Fimin和每个模块j的指标最低要求Fjmin；统计得到每个模块的平均无故障时间αj；获得各模块的测试性代价因子其中d表示测试性代价因子的种类序号，其取值范围为d＝1,2,…,D，D表示测试性代价因子的种类数量；设置各种测试性代价因子的权重Wd；
S2：计算每个模块的综合测试代价λj：
S3：采用粒子群算法对以下模型进行求解，得到各模块的测试性指标分配结果：
其中，γj表示模块j分配的测试性指标。
本发明多任务测试性指标分配方法，首先获取相关数据，包括任务数量、模块数量、任务与模块的关联标识，各任务和模块对测试性指标的最低要求，各个模块的平均无故障时间、测试性代价因子，以及各种测试性代价因子的权重，根据以上数据计算得到每个模块的综合测试代价，然后建立测试性指标分配的数学模型，采用粒子群算法对模块进行求解，从而得到各模块的测试性指标分配结果。
本发明针对多任务模型中任务与模块存在多对多映射的情况，建立相应的测试性指标分配数据模型，使得分配后的测试性指标不仅满足各模块的要求，也可以满足各任务对测试性指标的要求，并使测试代价最小，从而降低系统的研制成本和维护成本。
附图说明
图1是某导弹系统的任务剖面模型图；
图2是本发明多任务测试性指标分配方法的流程图；
图3是粒子群算法的流程图。
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描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
为了更好地说明本发明的技术方案，首先对多任务模型进行简单介绍。
任务剖面是产品在完成规定的任务这段时间内所经历的事件和环境的时序描述，是系统功能和结构的过程化表示，是系统静态和动态属性的全面体现。任务剖面体现为系统运行中各装备按照时序工作并进行状态变化的过程，蕴含装备、功能、指标之间复杂的关联标识，为系统的测试性分析提供了建模基础。
任务剖面建模是以时间片为单位，在单个的时间片中完成单个的任务，而每个任务又可以分为多级子任务，不同的最小子任务又由多级功能支撑，最小的功能单位则是由硬件产品实现的，所以在进行测试性分配时，应当把任务指标分配到下层的功能级别上，最后再分配到硬件结构上和多信号模型对应起来。
图1是某导弹系统的任务剖面模型图。如图1所示，图中上部分为某导弹系统的功能任务分解示意模型；下部分为该系统的多信号模型，多信号模型中菱形的部分代表模块，其间的箭头表示信号流向。上层到下层的箭头给出了完成任务所需的或所涉及的多信号模块。从图1可以看出，该导弹系统的毁伤能力分为若干个子任务，每个子任务下又划分成多级子任务，然后建立功能对任务的支撑关系，针对最底层功能需要哪些硬件或设备实现建立多信号模型，有些功能可能多次包含相同的模块或不同功能包含同一模块，从而使得任务与硬件模块形成多对多的映射关系，从而形成关联矩阵。表1是任务模型与多信号模型的映射关系矩阵。
表1
如表1所示，表格中的元素1表示对应任务与模块存在关联，元素0表示对应任务和模块不存在关联。
由于每个任务都有相应的测试性指标要求，在满足系统任务的测试性指标要求的同时还要将测试设计的成本降至最低，即实现测试成本的最优化，因此本发明提出了一种多任务测试性指标分配方法，令所分配的测试性指标达到以上要求。
图2是本发明多任务测试性指标分配方法的流程图。如图2所示，本发明多任务测试性指标分配方法的具体步骤包括：
S201：获取相关数据：
首先根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模型得到任务与模块的关联标识kij，当kij＝1时表示模块j属于任务i，当kij＝0时表示模块j不属于任务i，i表示任务序号，取值范围为i＝1,2,…,N，j表示模块序号，取值范围为j＝1,2,…,M。
然后得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要求Fimin和每个模块j的指标最低要求Fjmin。统计得到每个模块的平均无故障时间αj。然后获得各模块的测试性代价因子其中d表示测试性代价因子的种类序号，其取值范围为d＝1,2,…,D，D表示测试性代价因子的种类数量。并且设置各种测试性代价因子的权重Wd。测试性代价因子用于计算对该模块进行测试时所需花费的代价。
S202：测试代价计算：
由于测试设置在多信号模型上，测试针对的对象是产品的各个模块，所以测试代价是指的模块的测试代价，故模块j的综合测试代价λj的计算公式为：
测试代价与测试性指标成非线性正向增长关系，在收集数据获得模块的测试性代价因子时已经将这种非线性关系考虑进去了，故此处仅考虑测试代价与测试性指标的正向增长关系，以线性关系表示，则可知系统的整体测试代价为：
其中γ1,γ2,…,γM分别代表每个模块在任务测试性指标分配后获得的测试性指标，即本发明需要求解的对象。
S203：基于粒子群算法的测试性指标分配求解：
根据任务模型的系统测试性指标要求、任务测试性指标要求和各组成模块的测试性指标要求，给出如下约束条件：
Fjmin≤γj≤1 (4)
其中，γj表示模块j分配的测试性指标。
在满足以上针对系统指标和各组成单元指标约束的条件下进行研制成本的优化，使得研制成本达到最低，即求解下式f(γj)的最小值。
将公式(3)、(4)、(5)联立即可得到本发明需要求解的数学模型：
对公式(6)采用粒子群算法求解即可得到在最小研制成本的条件下的各模块测试性指标。
粒子群算法属于进化算法的一种，从随机解出发，通过迭代寻找最优解，然后通过适应度来评价解的品质。本发明中，将各模块分配得到的测试性指标γ1,γ2,…,γM作为粒子群算法的粒子，粒子群算法在初始化时会随机设置若干个初始的测试性指标分配结果，然后对这些粒子进行进化，直到得到最终的测试性指标分配结果。图3是粒子群算法的流程图。如图3所示，采用粒子群算法求解各模块测试性指标分配结果的具体步骤包括：
S301：随机初始化粒子：
将模块的测试性指标分配结果γ1,γ2,…,γM作为粒子，按照模块指标约束条件Fjmin≤γj≤1随机初始化Q个粒子的速度向量和位置q＝1,2,…,Q，并将每个粒子的历史最优位置pBestq设为当前位置，Q个粒子中最优个体作为全局最优粒子gBest。
S302：初始化迭代进化数次τ＝1。
S303：更新粒子的速度和位置：
对每个粒子的第j维的速度和位置分别按照以下公式(7)和公式(8)进行更新：
其中，ω表示历史系数，由系统随机产生；c1表示认知系数，一般取值2.0，c2表示社会系数一般取值2.0；和表示随机扰动参数，由系统随机产生，τ表示进化迭代的次数；
S304：约束条件验证：
对步骤S303进化得到的粒子进行约束条件验证，满足约束条件的粒子不作任何操作，否则将粒子恢复成未更新前的位置。
S305：计算每个粒子的函数适应值：
计算步骤S304得到的每个粒子的函数适应值，即计算每个粒子对应的系统整体测试代价f(γj)。
S306：更新每个粒子历史最优位置：
对于每个粒子，如果当前的函数适应值比其历史最优位置更好，则以当前位置作为历史最优位置pBestq，否则pBestq保持不变。
S307：更新全局最优粒子：
遍历每个粒子，如果该粒子的历史最优位置对应的函数适应值比全局最优要好，则以该粒子的历史最优位置作为全局最优粒子gBest。
S308：判断是否达到结束条件，结束条件通常有两种：进化次数达到预设阈值，或相邻两个全局最优粒子的差距小于预设阈值。如果达到结束条件，进化结束，以当前全局最优粒子作为测试性指标分配结果，否则进入步骤S309。
S309：令迭代进化次数τ＝τ+1，返回步骤S303。
实施例
为了说明本发明的技术效果，采用一个具体的系统进行实验验证。在测试性指标中，需要进行分配的指标主要是故障隔离率(FIR)、故障检测率(FDR)，其他可测试指标一般不用分配，如系统级的虚警率要求的范围大多数在1％～3％，分配给各组成部分的分配值也相差不多，所以可用系统级要求作为各组成部分的要求。故障检测与隔离时间是与使用和准备状态密切相关的，不需要进行分配。故障隔离时间是故障平均修复时间的组成部分，维修性分配中已考虑了，不需要再另行分配。因此本实施例采用故障检测率为例进行说明。
表2是本实施例系统的任务剖面模块与多信号模块的关联矩阵。
表2
该系统的相关数据如下：
(1)根据表2可知，任务数N＝6，模块数M＝20。
本实施例中以故障检测率(FDR)为例进行说明，6个任务的FDR最低要求分别为：FDR1min＝90％、FDR2min＝95％、FDR3min＝92％、FDR4min＝98％、FDR5min＝93％、FDR6min＝88％。为了简化计算，设置各模块的FDR最低要求均为0。
(2)每个模块的平均无故障时间(单位：小时)分别为：α1＝1900、α2＝1940、α3＝1800、α4＝1800、α5＝1900、α6＝1920、α7＝1840、α8＝1940、α9＝1800、α10＝1800、α11＝1900、α12＝1920、α13＝1900、α14＝1940、α15＝1800、α16＝1800、α17＝1900、α18＝1920、α19＝1900、α20＝1940。
(3)本实施例中采用五种测试性代价因子，包括BIT(Built-in test，机内测试)体积因子BIT重量因子BIT设计成本BIT使用维护费用BIT故障系数表3是本实施例中各模块的测试性代价因子。
表3
五种测试性代价因子的权重分别为：W1＝0.125、W2＝0.125、W3＝0.1875、W4＝0.25、W5＝0.3125。
根据以上信息，可计算得到各个模块的综合测试代价。以模块1为例，其综合测试代价λ1为：
同理可得：
λ2＝0.125*2+0.125*1+0.1875*1+0.25*1+0.3125*4＝2.0625
λ3＝0.125*2+0.125*1+0.1875*1+0.25*1+0.3125*4＝2.0625
λ4＝0.125*2+0.125*1+0.1875*1+0.25*1+0.3125*4＝2.0625
λ5＝0.125*2+0.125*1+0.1875*1+0.25*1+0.3125*4＝2.0625
λ6＝0.125*2+0.125*1+0.1875*1+0.25*1+0.3125*4＝2.0625
λ7＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*4＝3
λ8＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ9＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ9＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ10＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ11＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ12＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ13＝0.125*3+0.125*2+0.1875*2+0.25*3+0.3125*3＝2.6875
λ14＝0.125*3+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.4375
λ15＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
λ16＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
λ17＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
λ18＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
λ19＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
λ20＝0.125*1+0.125*3+0.1875*3+0.25*2+0.3125*2＝2.1875
然后根据公式(6)可以得到数学模型为：
采用粒子群算法对上式进行优化求解，其中f(γj)作为粒子群算法的优化目标，即粒子群算法中的适应度函数，不等式则作为约束条件。
将5000个粒子经过5000次迭代进化后得到测试性指标分配结果：γ1＝1、γ2＝1、γ3＝1、γ4＝1、γ5＝1、γ6＝1、γ7＝0.3853、γ8＝1、γ9＝1、γ10＝1、γ11＝1、γ12＝0.8124、γ13＝0、γ14＝1、γ15＝0.999、γ16＝1、γ17＝1、γ18＝1、γ19＝1、γ20＝1。其测试成本f(γj)＝42.0246。
为了验证结果的正确性，采用matlab仿真得到测试性指标分配结果：γ1＝1、γ2＝1、γ3＝1、γ4＝1、γ5＝1、γ6＝1、γ7＝0.3863、γ8＝1、γ9＝0.7989、γ10＝0.9990、γ11＝1、γ12＝1、γ13＝0、γ14＝1、γ15＝1、γ16＝1、γ17＝1、γ18＝1、γ19＝1、γ20＝1。其测试成本f(γj)＝41.9907。
对比本发明和matlab仿真结果可知，通过粒子群算法计算所得的结果与通过matlab仿真计算所得结果误差在0.01以内，即证明的本算法的正确性。虽然粒子群算法有一定的随机性，但给予足够大的粒子数目和足够多的进化次数可以保证结果的准确性，而且粒子群算法通用性较强，计算机的运行速度足以满足粒子群算法的效率。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (3)
1.一种多任务测试性指标分配方法，其特征在于，包括以下步骤：
S1：根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模型得到任务与模块的关联标识kij，当kij＝1时表示模块j属于任务i，当kij＝0时表示模块j不属于任务i，i表示任务序号，取值范围为i＝1,2,…,N，j表示模块序号，取值范围为j＝1,2,…,M；
得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要求Fimin和每个模块j的指标最低要求Fjmin；统计得到每个模块的平均无故障时间αj；获得各模块的测试性代价因子其中d表示测试性代价因子的种类序号，其取值范围为d＝1,2,…,D，D表示测试性代价因子的种类数量；设置各种测试性代价因子的权重Wd；
S2：计算每个模块的综合测试代价λj：
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>d</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</msubsup>
<msub>
<mi>W</mi>
<mi>d</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>C</mi>
<mi>j</mi>
<mi>d</mi>
</msubsup>
<mo>;</mo>
</mrow>
S3：采用粒子群算法对以下模型进行求解，得到各模块的测试性指标分配结果：
<mrow>
<mi>min</mi>
<mi> </mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&gamma;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>&gamma;</mi>
<mi>j</mi>
</msub>
</mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mfrac>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msub>
<mi>k</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&gamma;</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</msubsup>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>j</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>&gamma;</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>j</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>,</mo>
<mi>M</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，γj表示模块j分配的测试性指标。
2.根据权利要求1所述的多任务测试性指标分配方法，其特征在于，所述测试性代价因子包括BIT体积因子、BIT重量因子、BIT设计成本、BIT使用维护费用、BIT故障系数。
3.根据权利要求1所述的多任务测试性指标分配方法，其特征在于，所述步骤S3中粒子群算法对模型求解的具体步骤包括：
S3.1：将模块的测试性指标分配结果γ1,γ2,…,γM作为粒子，按照模块指标约束条件Fjmin≤γj≤1随机初始化Q个粒子的速度向量和位置 并将每个粒子的历史最优位置pBest q设为当前位置，Q个粒子中最优个体作为全局最优粒子gBest；
S3.2：初始化迭代进化数次τ＝1；
S3.3：对每个粒子的第j维的速度和位置分别按照以下公式进行更新：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>v</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&omega;</mi>
<mo>&times;</mo>
<msubsup>
<mi>v</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>rand</mi>
<mn>1</mn>
<mi>d</mi>
</msubsup>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>pBest</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>rand</mi>
<mn>2</mn>
<mi>d</mi>
</msubsup>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>gBest</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mo>(</mo>
<mrow>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<msubsup>
<mi>x</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>q</mi>
<mi>d</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，ω表示历史系数，c1表示认知系数，c2表示社会系数，和表示随机扰动参数，τ表示进化迭代的次数；
S3.4：对步骤S3.3进化得到的粒子进行约束条件验证，满足约束条件的粒子不作任何操作，否则将粒子恢复到未更新前的位置；
S3.5：计算步骤S3.4得到的每个粒子的函数适应值，即计算每个粒子对应的系统整体测试代价f(γj)；
S3.6：对于每个粒子，如果当前的函数适应值比其历史最优位置更好，则以当前位置作为历史最优位置pBest q，否则pBest q保持不变；
S3.7：遍历每个粒子，如果该粒子的历史最优位置对应的函数适应值比全局最优要好，则以该粒子的历史最优位置作为全局最优粒子gBest；
S3.8：判断是否达到结束条件，如果达到结束条件，进化结束，以当前全局最优粒子作为测试性指标分配结果，否则进入步骤S3.9；
S3.9：令迭代进化次数τ＝τ+1，返回步骤S3.3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738658.7A CN105243021B (zh) | 2015-11-03 | 2015-11-03 | 多任务测试性指标分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510738658.7A CN105243021B (zh) | 2015-11-03 | 2015-11-03 | 多任务测试性指标分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243021A CN105243021A (zh) | 2016-01-13 |
| CN105243021B true CN105243021B (zh) | 2017-10-31 |
Family
ID=55040674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510738658.7A Expired - Fee Related CN105243021B (zh) | 2015-11-03 | 2015-11-03 | 多任务测试性指标分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243021B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447025B (zh) * | 2016-08-31 | 2018-11-06 | 电子科技大学 | 基于离散粒子群的测试性指标分配与测试选取联合方法 |
| CN108268716A (zh) * | 2018-01-18 | 2018-07-10 | 中国民航大学 | 一种基于sqp的航电系统故障检测率分配方法 |
| CN108830476B (zh) * | 2018-06-08 | 2020-11-10 | 中国人民解放军陆军工程大学 | 认知测试性信息流的评估方法及终端设备 |
| CN113094940B (zh) * | 2021-03-04 | 2022-02-11 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 机内测试指标确定方法和用于航空产品的机内测试方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295008A (zh) * | 2008-06-19 | 2008-10-29 | 电子科技大学 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
| CN101976221A (zh) * | 2010-10-14 | 2011-02-16 | 北京航空航天大学 | 一种基于粒子群禁忌组合的并行测试任务调度方法及平台 |
| CN104063593A (zh) * | 2014-06-18 | 2014-09-24 | 电子科技大学 | 一种板级电路测试性指标计算方法 |
| CN104239213A (zh) * | 2014-09-29 | 2014-12-24 | 北京航空航天大学 | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9015672B2 (en) * | 2012-01-31 | 2015-04-21 | The United States Of America As Represented By The Secretary Of The Navy | Interface simulator for test rig in data distribution service |
-
2015
- 2015-11-03 CN CN201510738658.7A patent/CN105243021B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101295008A (zh) * | 2008-06-19 | 2008-10-29 | 电子科技大学 | 一种基于离散粒子群算法的多目标故障测试优化方法 |
| CN101976221A (zh) * | 2010-10-14 | 2011-02-16 | 北京航空航天大学 | 一种基于粒子群禁忌组合的并行测试任务调度方法及平台 |
| CN104063593A (zh) * | 2014-06-18 | 2014-09-24 | 电子科技大学 | 一种板级电路测试性指标计算方法 |
| CN104239213A (zh) * | 2014-09-29 | 2014-12-24 | 北京航空航天大学 | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于离散粒子群算法的测试选择;蒋荣华 等;《电子测量与仪器学报》;20080415;第22卷(第2期);11-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243021A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243021B (zh) | 多任务测试性指标分配方法 | |
| Xu | Fuzzy harmonic mean operators | |
| Mancini et al. | SyLVaaS: System level formal verification as a service | |
| CN102801552A (zh) | 基于网络建模的用于错误隔离和错误减轻的系统和方法 | |
| US9606902B2 (en) | Malfunction influence evaluation system and evaluation method using a propagation flag | |
| CN107239908A (zh) | 一种信息系统的体系成熟度评价方法 | |
| CN104597892A (zh) | 一种用于电子信息装备层次化故障诊断方法 | |
| CN101620645B (zh) | 一种仿真大型电子信息系统体系结构的方法和系统 | |
| CN106294121B (zh) | 飞机嵌入式实时诊断推理算法试验方法 | |
| CN102360333B (zh) | 基于hisqm排队模型考虑故障排除过程的构件软件可靠性分析方法 | |
| CN106342313B (zh) | 一种基于层次分析法的测试性指标分配方法 | |
| CN112541584A (zh) | 深度神经网络模型并行模式选择方法 | |
| US20210319333A1 (en) | Methods and systems for detection and isolation of bias in predictive models | |
| CN106295809A (zh) | 飞机嵌入式实时诊断推理算法试验系统 | |
| CN104143116A (zh) | 一种基于粒子群算法的系统软防护组合优化方法 | |
| CN106295808B (zh) | 飞机嵌入式实时诊断推理算法试验方法 | |
| CN108829987A (zh) | 一种数据驱动型概率评估方法 | |
| CN106886620A (zh) | 航天器测试资源优化配置方法 | |
| CN106342305B (zh) | 一种面向多任务要求的测试性指标确定方法 | |
| CN111553056B (zh) | 面向任务和风险的卫星典型功能结构层级健康度评估方法 | |
| CN111553058B (zh) | 一种航天器多维度可扩展层级健康评估方法 | |
| CN107885890A (zh) | 基于云平台的一体化管理测试系统 | |
| CN104503837B (zh) | 基于偏序规约的中断驱动系统有界模型检验方法 | |
| Kang et al. | Incremental self-evolving framework for agent-based simulation | |
| Nemtanu et al. | Model of intelligent traffic sensors—Application in hardware in the loop |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171031 Termination date: 20201103 |