CN111412795A - 测试点设置方案生成方法及装置 - Google Patents

测试点设置方案生成方法及装置 Download PDF

Info

Publication number
CN111412795A
CN111412795A CN202010182333.6A CN202010182333A CN111412795A CN 111412795 A CN111412795 A CN 111412795A CN 202010182333 A CN202010182333 A CN 202010182333A CN 111412795 A CN111412795 A CN 111412795A
Authority
CN
China
Prior art keywords
fault
test
scheme
population
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.)
Granted
Application number
CN202010182333.6A
Other languages
English (en)
Other versions
CN111412795B (zh
Inventor
秦玉峰
史贤俊
秦亮
聂新华
翟禹尧
吕佳朋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202010182333.6A priority Critical patent/CN111412795B/zh
Publication of CN111412795A publication Critical patent/CN111412795A/zh
Application granted granted Critical
Publication of CN111412795B publication Critical patent/CN111412795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F42—AMMUNITION; BLASTING
    • F42B—EXPLOSIVE CHARGES, e.g. FOR BLASTING, FIREWORKS, AMMUNITION
    • F42B35/00—Testing or checking of ammunition
    • F42B35/02—Gauging, sorting, trimming or shortening cartridges or missiles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F41—WEAPONS
    • F41A—FUNCTIONAL FEATURES OR DETAILS COMMON TO BOTH SMALLARMS AND ORDNANCE, e.g. CANNONS; MOUNTINGS FOR SMALLARMS OR ORDNANCE
    • F41A31/00—Testing arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种测试点设置方案生成方法及装置，该方法包括：根据每一故障点是否设置测试点，确定多个测试方案；根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。该方法无需凭借人工经验获得，具有客观性，保证测试效果的同时，测试点最少，有效减少测试性设计的工作量。此外，有利于测试方案的自动生成，且同时保证测试方案的有效性和客观性。

Description

测试点设置方案生成方法及装置
技术领域
本发明涉及故障检测技术领域，尤其涉及一种测试点设置方案生成方法及装置。
背景技术
随着武器装备的功能越来越先进，其内部结构也越来越复杂。通常研究人员在进行测试性设计时，为了使武器装备达到所要求的测试性指标，会为系统设置大量的测试点。目前，在什么位置设置测试点基本上都由设计人员凭借经验完成，尚无具体方法进行指导，若为武器装备内每一种故障模式都设置测试点，那么此时武器装备的测试性水平将会达到最高。但是，由于大型武器装备内部的故障模式数量极多，过多的测试点不可避免地增加了测试性分析工作的复杂程度，同时也会大幅降低故障诊断的效率；而且也会产生一系列设计上的问题，如：由于装备内部空间有限从而增加了设计难度、增加武器装备的全寿命周期费用、过多的BIT(built in test，机内自动检测)电路降低整体可靠性等。
因此有必要研究武器装备在测试性设计过程中测试点设置方案自动生成问题，能够以最简约有效的方案最大程度地检测并隔离所发生的故障，实现降低武器装备测试性设计难度的目的。
发明内容
为了解决上述问题，本发明实施例提供一种测试点设置方案生成方法及装置。
第一方面，本发明实施例提供一种测试点设置方案生成方法，包括：根据每一故障点是否设置测试点，确定多个测试方案；根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
进一步地，所述根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率之前，还包括：根据故障一阶相关矩阵，获得故障传播矩阵；所述故障一阶相关矩阵，表示每两个相邻故障节点之间是否有传播路径。
进一步地，选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案，包括：以总测试点为优化目标，故障检测率和故障隔离率分别大于对应预设阈值为约束条件，基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，得到测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案。
进一步地，所述基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，包括：根据故障点是否设置测试点，对粒子位置和粒子速度和进行初始化，以建立粒子群的初始种群；根据预设的适应度函数，对种群的粒子速度和粒子位置进行迭代更新操作，直至达到预设迭代次数；预设迭代次数后，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，用于下次迭代更新，直至迭代更新达到迭代总次数或满足收敛条件；根据达到迭代总次数或满足收敛条件的粒子群，得到测试点的分配方案；其中，所述适应度函数根据故障检测率和故障隔离率确定；所述对种群的粒子速度和粒子位置进行迭代更新操作，包括：
根据如下公式，对个体速度
Figure BDA0002413001400000021
和当前位置
Figure BDA0002413001400000022
进行更新：
Figure BDA0002413001400000023
Figure BDA0002413001400000024
Figure BDA0002413001400000031
其中：w为惯性权重，pi为当前种群最优个体，pbest为全局最优个体，c1，c2为粒子群学习因子，gap为迭代次数；rand()，rand1()，rand2()是三个随机分布在[0,1]之间的正实数；
Figure BDA0002413001400000032
分别表示
Figure BDA0002413001400000033
中的第j个元素，n为故障点总个数。
进一步地，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括：计算每一个体到其它个体的平均距离di；根据如下公式确定个体当前进化状态的进化因子σ：
Figure BDA0002413001400000034
根据如下公式确定惯性权重：
Figure BDA0002413001400000035
其中，dg为全局最优个体到群体其他个体的平均距离，dmin为所有di的最小值，dmax为所有di的最大值。
进一步地，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括根据如下公式得到粒子群学习因子：
Figure BDA0002413001400000036
其中，gapmax为预设的最大迭代次数。
进一步地，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：
以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure BDA0002413001400000041
Figure BDA0002413001400000042
其中，λmax为群体中最大的适应度值，
Figure BDA0002413001400000043
为当前群体的适应度平均值，
Figure BDA0002413001400000044
为准备进行交叉的两个个体中较大的适应度值，λi为准备变异的个体的适应度值。
进一步地，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：
以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure BDA0002413001400000045
Figure BDA0002413001400000046
Figure BDA0002413001400000047
其中，λmax为群体中最大的适应度值，
Figure BDA0002413001400000048
为当前群体的适应度平均值，λi为准备变异的个体的适应度值，gapmax为预设的最大迭代次数，Popsize为种群规模。
第二方面，本发明实施例提供一种测试点设置方案生成装置，包括：方案构建模块，用于根据每一故障点是否设置测试点，确定多个测试方案；约束确定模块，用于根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；方案选择模块，用于选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面测试点设置方案生成方法的步骤。
本发明实施例提供的测试点设置方案生成方法及装置，测试方案的选取根据故障检测率和故障隔离率阈值确定，无需凭借人工经验获得，具有客观性。总测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值，保证测试效果的同时，测试点最少，有效减少测试性设计的工作量。根据故障测试相关性矩阵，确定对应的故障检测率和故障隔离率，有利于测试方案的自动生成，且同时保证测试方案的有效性和客观性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的测试点设置方案生成方法流程图；
图2为本发明另一实施例提供的测试点设置方案生成方法流程图；
图3为本发明实施例提供的测试点设置方案生成装置结构图；
图4为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的测试点设置方案生成方法流程图，如图1所示，本发明实施例提供一种测试点设置方案生成方法，包括：
101、根据每一故障点是否设置测试点，确定多个测试方案。
系统总共有n个故障点，按照故障排序为1,2,…n，对于每个故障点是否设置测试点，测试方案可以用一个二进制的n维向量进行表示：
x＝[α1,α2,…αn]；
对于每个故障点是否设置测试点，即α1,α2,…αn分别为0或1，得到多个不同的测试方案。这些不同的测试方案可作为待选择的方案，从中选出最优方案。
102、根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
故障检测率(fault detection rate，FDR)和故障隔离率(fault isolationrate，FIR)是测试性设计的2个重要参数。对于最终确定的方案，需要满足故障检测率和故障隔离率均大于预设的阈值。因此，对于每个测试方案，需要确定这两个阈值。
测试方案的对角矩阵表示如下：
Figure BDA0002413001400000061
故障传播矩阵如下：
Figure BDA0002413001400000062
其中：
Figure BDA0002413001400000063
故障测试相关性矩阵Da n×m可由下式计算：
Figure BDA0002413001400000064
根据故障测试相关性矩阵中非全零行向量个数，非全零且唯一的行向量的个数，可分别得到对应的故障检测率和故障隔离率。
103、选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案。
本实施例优化对象为系统内部测试点的设置方案，即向量x。测试点最优设置方案的优化目标函数可表示为：
min m；
即为系统设置的测试点数量m最少。
优化约束条件可表示为：
Figure BDA0002413001400000071
其中，γFD、γFI为系统按优化方案所拥有的故障检测率和故障隔离率；FDR、FIR表示所要求达到的故障检测率和故障隔离率阈值。优化约束条件表示系统在测试点数量最少的情况下仍能达到规定的测试性指标。
此外，也可以设置一个可以接受的预设点数m，只要满足较小的预设点数m的方案，也可作为最终选择的方案。或者，从测试点数小于预设点数m的多个方案中，选取最小的一个作为最终测试方案。
本发明实施例提供的测试点设置方案生成方法，测试方案的选取根据故障检测率和故障隔离率阈值确定，无需凭借人工经验获得，具有客观性。总测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值，保证测试效果的同时，测试点最少或在可接受的阈值范围，有效减少测试性设计的工作量。根据故障测试相关性矩阵，确定对应的故障检测率和故障隔离率，有利于测试方案的自动生成，且同时保证测试方案的有效性和客观性。
基于上述实施例的内容，作为一种可选实施例，根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率之前，还包括：根据故障一阶相关矩阵，获得故障传播矩阵；所述故障一阶相关矩阵，表示每两个相邻故障节点之间是否有传播路径。
考虑到故障传播矩阵中对应序号的故障之间是否有传播关系，其确认过程较为复杂，而两个故障之间是否有传播关系能够直观的获得。本发明实施例中通过故障一阶相关矩阵得到故障传播矩阵，对于故障一阶相关矩阵说明如下：
首先假设系统故障流图Φ＝<f,e>，其中：f为故障流图节点集:f＝{f1,f2,…,fn}，表示系统内部的n个故障模式；e为故障流图有向边集:e＝{(fi,fj)|fi,fj∈f}，有序对(fi,fj)表示两个相邻故障模式节点fi到fj的传播路径。则可以用故障一阶相关矩阵来描述系统的故障一阶相关关系：
Λ＝(fij)，i,j＝1,2,…n；
其中：
Figure BDA0002413001400000081
本发明实施例提供的测试点设置方案生成方法，根据故障一阶相关矩阵，获得故障传播矩阵，通过相邻故障间的传播关系，确定了所有故障的传播关系，能够有效简化计算的复杂程度。
基于上述实施例的内容，作为一种可选实施例，选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案，包括：以总测试点为优化目标，故障检测率和故障隔离率分别大于对应预设阈值为约束条件，基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，得到测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案。
上述已列出了对应的优化目标和约束条件，为了能快速对上述优化问题进行求解，本发明实施例基于二进制粒子群-遗传算法(BPSO-GA)来实现。
BPSO有很强全局搜索能力，但不能收敛于全局最优值，且随着算法迭代搜索随机性越来越强，缺乏后期的局部搜索能力。基于此，本实施例加入遗传算法进行改进。例如，在二进制粒子群搜索过程中，同时加入交叉和变异，利用交叉和变异后的种群再进行二进制粒子群搜索，从而保证求解过程既有很强的全局搜索能力，又能收敛于全局最优值。
基于上述实施例的内容，作为一种可选实施例，基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，包括：根据故障点是否设置测试点，对粒子位置和粒子速度和进行初始化，以建立粒子群的初始种群；根据预设的适应度函数，对种群的粒子速度和粒子位置进行迭代更新操作，直至达到预设迭代次数；预设迭代次数后，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，用于下次迭代更新，直至迭代更新达到迭代总次数或满足收敛条件；根据达到迭代总次数或满足收敛条件的粒子群，得到测试点的分配方案；其中，所述适应度函数根据故障检测率和故障隔离率确定。
(1)初始化种群，包括种群规模Popsize，每个粒子的位置xi，粒子的速度vi，最大迭代次数gapmax；将第a个粒子的二进制编码设置为：xa＝[α1a,α2a,…αna]，使得种群中的任一粒子都表示一种测试点的设置方案。
(2)构造适应度函数：由于每个粒子都对应一个测试点设置方案，因此第a个粒子的测试性指标故障检测率和故障隔离率分别为：
Figure BDA0002413001400000091
和
Figure BDA0002413001400000092
每个粒子的适应度主要由其对应测试点设置方案中的测试点数量ma、故障检测率
Figure BDA0002413001400000093
故障检测率
Figure BDA0002413001400000094
所决定。显然，对于第a个测试点设置方案，最优的结果为ma最小，同时
Figure BDA0002413001400000095
最大。因此可以设置适应度函数为：
Figure BDA0002413001400000096
其中：
Figure BDA0002413001400000097
为预设的权值系数。
(3)选择交叉过程：在种群中随机选出的两个粒子，然后进行两两配对进行交叉操作，即随机生成一个[0,1]区间的实数r，以预设概率Pc执行下面的交叉：
Figure BDA0002413001400000098
Figure BDA0002413001400000099
Figure BDA00024130014000000910
Figure BDA00024130014000000911
其中：gap表示迭代次数；x1 gap，x2 gap和v1 gap，v2 gap分别表示选出的两个父代粒子的位置向量和速度向量；
Figure BDA00024130014000000912
和
Figure BDA00024130014000000913
分别表示经过交叉后得到的子代粒子的位置向量和速度向量。
例如，进行Popsize次交叉操作，每次交叉根据轮盘赌策略随机在种群中选出两个个体，随机生成一个[0,1]区间的实数r1，当r1＜Pc时，对这两个个体执行交叉操作。
(4)变异操作：以预设概率Pm对每个执行完交叉操作的个体执行下面的变异操作：
Figure BDA0002413001400000101
其中：ci为区间[xL,xU]上的随机向量，xL和xU表示搜索区间的下界及上界。例如，上界及下界分别为xU＝[1,1,…1]和xL＝[0,0,…0]。ci为区间[xL,xU]之间的任一向量。因为元素1表示设置测试点，0表示不设置测试点，则相加规则可以表示为：0+0＝0；1+0＝1；1+1＝1；这样会产生一个新的粒子
Figure BDA0002413001400000102
若新的粒子适应度值高于原粒子
Figure BDA0002413001400000103
的适应度，则原粒子
Figure BDA0002413001400000104
变异为
Figure BDA0002413001400000105
若新的粒子适应度值小于等于原粒子，则粒子不发生变异。
例如，进行Popsize次变异操作，对每个执行完交叉操作的个体，随机生成一个[0,1]区间的实数r2，当r2＜Pm时，执行变异操作。
每次进行预设的迭代次数的二进制粒子群算法后，通过步骤(2)的适应度函数进行选择，再通过(3)和(4)对选取的种群个体进行交叉操作和进行变异操作，用于下次的迭代更新，直至总的迭代次数或者预设的收敛条件，选择全局最优解pbest作为最后的输出。预设的收敛条件，如迭代后测试方案中的测试点个数小于预设点数m。
此外，达到迭代总次数后，若仍未得到小于预设点数m的方案，则可再次初始化种群，重新按照上述BPSO-GA方法得到测试点的分配方案。
本发明实施例提供的测试点设置方案生成方法，通过预设迭代次数后，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，用于下次迭代更新，保证求解过程既有很强的全局搜索能力，又能收敛于全局最优值。
基于上述实施例的内容，作为一种可选实施例，所述根据故障一阶相关矩阵，获得故障传播矩阵，包括：
Figure BDA0002413001400000111
元素
Figure BDA0002413001400000112
中的全部非零元素用1替换，为0的元素仍用0表示，得到故障传播矩阵Γ；其中，Λ为故障一阶相关矩阵，n为故障点数。
基于Floyd-Warshall算法(弗洛伊德算法)，系统的故障传播空间能够在故障一阶相关矩阵的基础上进行计算。上述
Figure BDA0002413001400000113
表示故障模式fi与fj之间存在的传播路径个数。
通过
Figure BDA0002413001400000114
则可得到上述故障传播矩阵。
基于上述实施例的内容，作为一种可选实施例，根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率，包括：
Figure BDA0002413001400000115
Figure BDA0002413001400000116
其中，
Figure BDA0002413001400000117
为故障检测率、
Figure BDA0002413001400000118
为故障隔离率、
Figure BDA0002413001400000119
为故障测试相关性矩阵中非全零行向量个数，
Figure BDA00024130014000001110
为故障测试相关性矩阵中非全零且唯一的行向量的个数。
基于上述实施例的内容，作为一种可选实施例，所述对种群的粒子速度和粒子位置进行迭代更新操作，包括：
根据如下公式，对个体速度
Figure BDA00024130014000001111
和当前位置
Figure BDA00024130014000001112
进行更新：
Figure BDA00024130014000001113
Figure BDA00024130014000001114
Figure BDA00024130014000001115
其中：w为惯性权重，pi为当前种群最优个体，pbest为全局最优个体，c1，c2为粒子群学习因子，gap为迭代次数；rand()，rand1()，rand2()是三个随机分布在[0,1]之间的正实数；
Figure BDA0002413001400000121
分别表示
Figure BDA0002413001400000122
中的第j个元素。
本实施例提供的测试点设置方案生成方法，经验证，通过上述Sigmoid函数进行更新，在保证搜索速度的同时，能够获取到最优解。
基于上述实施例的内容，作为一种可选实施例，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括：计算每一个体到其它个体的平均距离di；根据如下公式确定个体当前进化状态的进化因子σ：
Figure BDA0002413001400000123
根据如下公式确定惯性权重：
Figure BDA0002413001400000124
其中，dg为全局最优个体到群体其他个体的平均距离，di为第i个个体与其他个体间的平均距离，dmin为所有di的最小值，dmax为所有di的最大值。
为了提高二进制粒子群算法的全局搜索能力，本发明实施例对于惯性权重w进一步进行改进。
首先，计算每个个体
Figure BDA0002413001400000125
到其他个体之间的距离。由于个体是以二进制进行编码，从而该距离可以采用汉明距离进行表示：
Figure BDA0002413001400000126
其中：
Figure BDA0002413001400000127
为异或运算符号。
其次，根据上述σ的公式构造决定个体当前进化状态的进化因子σ，可知σ∈[0,1]。
然后，根据粒子进化状态自适应地调整惯性权重：
Figure BDA0002413001400000128
本实施例提供的测试点设置方案生成方法，自适应权重更有利于搜索到全局最优个体，这是因为：当σ较大时，说明全局最优个体pbest与其他粒子之间平均距离较远，此时w的值较大，更有利于全局搜索；相反地，当σ较小时，说明全局最优个体pbest与其他粒子之间平均距离较近，此时w的值较小，更有利于局部搜索。
基于上述实施例的内容，作为一种可选实施例，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括根据如下公式得到粒子群学习因子：
Figure BDA0002413001400000131
其中，gapmax为预设的最大迭代次数。
本实施例提供的测试点设置方案生成方法，学习因子是动态变化的：c1单调递减，c2单调递增。由于c1决定着其局部搜寻能力，c2决定着其全局搜寻能力，因此这种动态学习因子的设计在搜索初期帮助粒子探索自身的最好个体，防止粒子聚集在最好粒子的周围，使最后结果陷入局部最优；在搜索后期又能够让粒子快速、准确地收敛于全局最优解，提高算法收敛速度和精度。
基于上述实施例的内容，作为一种可选实施例，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure BDA0002413001400000132
Figure BDA0002413001400000133
其中，λmax为群体中最大的适应度值，
Figure BDA0002413001400000134
为当前群体的适应度平均值，
Figure BDA0002413001400000135
为准备进行交叉的两个个体中较大的适应度值，λi为准备变异的个体的适应度值。
由上述公式可知，本实施例中Pc和Pm不是预设的，而是动态更新的。具体实施过程可以为：每次交叉根据轮盘赌策略随机在种群中选出两个个体，随机生成一个[0,1]区间的实数r1，当r1＜Pc时，对这两个个体执行交叉操作。对每个执行完交叉操作的个体，随机生成一个[0,1]区间的实数r2，当r2＜Pm时，执行变异操作。
本实施例提供的测试点设置方案生成方法，对于高适应度个体给予较低的Pc和Pm值，此时r1＜Pc与r2＜Pm的概率较小，即进行交叉与变异的概率较小，这有利于对优秀个体进行保存；对于低适应度个体给予较高的Pc和Pm，此时r1＜Pc与r2＜Pm的概率较大，即进行交叉与变异的概率较大，从而利于劣质个体的改变，从而提高算法收敛速度和精度。
基于上述实施例的内容，作为一种可选实施例，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：
以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure BDA0002413001400000141
Figure BDA0002413001400000142
Figure BDA0002413001400000143
其中，λmax为群体中最大的适应度值，
Figure BDA0002413001400000144
为当前群体的适应度平均值，λi为准备变异的个体的适应度值，gapmax为预设的最大迭代次数。
首先，定义种群中个体的平均距离为种群的个体差异度，表示该种群个体的相似程度，用ζ进行表示。
本发明实施例的交叉概率与当前种群的个体差异度有关，变异概率与个体适应度和迭代次数有关。对于交叉概率，若种群间个体之间相似程度较高，则ζ值较小，此时交叉概率较大，可以增加种群的多样性，提高全局搜索能力；若种群间个体之间相似程度较低，则ζ值较大，此时交叉概率较小，有利于算法的收敛，
对于变异概率，对高适应度个体给予较低的Pm值，此时r2＜Pm的概率较小，即进行交叉与变异的概率较小，这有利于对优秀个体进行保存；对于低适应度个体给予较高的Pm，此时r2＜Pm的概率较大，即进行交叉与变异的概率较大，这有利于劣质个体的改变。同时变异率也与迭代次数有关：在进化的初期变异率的取值较大，随着迭代次数的增加，变异率逐渐减小。这样在进化初期有利于新个体的产生，进化后期收敛能力逐渐增强，个体趋于平稳，有利于达到最优解。
图2为本发明另一实施例提供的测试点设置方案生成方法流程图，具体可参见上述各实施例和图2，此处不再赘述。
图3为本发明实施例提供的测试点设置方案生成装置结构图，如图3所示，该测试点设置方案生成装置包括：方案构建模块301、约束确定模块302和方案选择模块303。其中，方案构建模块301用于根据每一故障点是否设置测试点，确定多个测试方案；约束确定模块302用于根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；方案选择模块303用于选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的测试点设置方案生成装置，测试方案的选取根据故障检测率和故障隔离率阈值确定，无需凭借人工经验获得，具有客观性。总测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值，保证测试效果的同时，测试点最少，有效减少测试性设计的工作量。根据故障测试相关性矩阵，确定对应的故障检测率和故障隔离率，有利于测试方案的自动生成，且同时保证测试方案的有效性和客观性。
图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和总线404，其中，处理器401，通信接口402，存储器403通过总线404完成相互间的通信。通信接口402可以用于电子设备的信息传输。处理器401可以调用存储器403中的逻辑指令，以执行包括如下的方法：根据每一故障点是否设置测试点，确定多个测试方案；根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：根据每一故障点是否设置测试点，确定多个测试方案；根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种测试点设置方案生成方法，其特征在于，包括：
根据每一故障点是否设置测试点，确定多个测试方案；
根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；
选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；
其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
2.根据权利要求1所述的测试点设置方案生成方法，其特征在于，所述根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率之前，还包括：
根据故障一阶相关矩阵，获得故障传播矩阵；
所述故障一阶相关矩阵，表示每两个相邻故障节点之间是否有传播路径。
3.根据权利要求1所述的测试点设置方案生成方法，其特征在于，选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案，包括：
以总测试点为优化目标，故障检测率和故障隔离率分别大于对应预设阈值为约束条件，基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，得到测试点数最少，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案。
4.根据权利要求3所述的测试点设置方案生成方法，其特征在于，所述基于加入遗传算法的改进型二进制粒子群算法，进行优化求解，包括：
根据故障点是否设置测试点，对粒子位置和粒子速度和进行初始化，以建立粒子群的初始种群；
根据预设的适应度函数，对种群的粒子速度和粒子位置进行迭代更新操作，直至达到预设迭代次数；
预设迭代次数后，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，用于下次迭代更新，直至迭代更新达到迭代总次数或满足收敛条件；
根据达到迭代总次数或满足收敛条件的粒子群，得到测试点的分配方案；
其中，所述适应度函数根据故障检测率和故障隔离率确定；
所述对种群的粒子速度和粒子位置进行迭代更新操作，包括：
根据如下公式，对个体速度
Figure FDA0002413001390000021
和当前位置
Figure FDA0002413001390000022
进行更新：
Figure FDA0002413001390000023
Figure FDA0002413001390000024
Figure FDA0002413001390000025
其中：w为惯性权重，pi为当前种群最优个体，pbest为全局最优个体，c1，c2为粒子群学习因子，gap为迭代次数；rand()，rand1()，rand2()是三个随机分布在[0,1]之间的正实数；
Figure FDA0002413001390000026
分别表示
Figure FDA0002413001390000027
中的第j个元素，n为故障点总个数。
5.根据权利要求4所述的测试点设置方案生成方法，其特征在于，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括：
计算每一个体到其它个体的平均距离di；
根据如下公式确定个体当前进化状态的进化因子σ：
Figure FDA0002413001390000028
根据如下公式确定惯性权重：
Figure FDA0002413001390000029
其中，dg为全局最优个体到群体其他个体的平均距离，dmin为所有di的最小值，dmax为所有di的最大值。
6.根据权利要求4所述的测试点设置方案生成方法，其特征在于，每次对种群的粒子速度和粒子位置进行迭代更新操作之前，还包括根据如下公式得到粒子群学习因子：
Figure FDA0002413001390000031
其中，gapmax为预设的最大迭代次数。
7.根据权利要求4所述的测试点设置方案生成方法，其特征在于，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：
以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure FDA0002413001390000032
Figure FDA0002413001390000033
其中，λmax为群体中最大的适应度值，
Figure FDA0002413001390000038
为当前群体的适应度平均值，
Figure FDA0002413001390000034
为准备进行交叉的两个个体中较大的适应度值，λi为准备变异的个体的适应度值。
8.根据权利要求4所述的测试点设置方案生成方法，其特征在于，根据遗传算法分别对粒子群进行选择操作、进行交叉操作和进行变异操作，包括：
以如下概率Pc执行交叉操作，以如下概率Pm对每个执行完交叉操作的个体执行变异操作：
Figure FDA0002413001390000035
Figure FDA0002413001390000036
Figure FDA0002413001390000037
其中，λmax为群体中最大的适应度值，
Figure FDA0002413001390000041
为当前群体的适应度平均值，λi为准备变异的个体的适应度值，gapmax为预设的最大迭代次数，Popsize为种群规模。
9.一种测试点设置方案生成装置，其特征在于，包括：
方案构建模块，用于根据每一故障点是否设置测试点，确定多个测试方案；
约束确定模块，用于根据各测试方案的故障测试相关性矩阵，确定对应的故障检测率和故障隔离率；
方案选择模块，用于选取总测试点数最少或小于预设点数，且故障检测率和故障隔离率分别大于对应预设阈值的测试方案；
其中，所述故障测试相关性矩阵，根据测试方案构建的对角矩阵和故障传播矩阵的乘积得到；所述故障传播矩阵中的元素，表示对应序号的故障之间是否有传播关系。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述测试点设置方案生成方法的步骤。
CN202010182333.6A 2020-03-16 2020-03-16 测试点设置方案生成方法及装置 Active CN111412795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010182333.6A CN111412795B (zh) 2020-03-16 2020-03-16 测试点设置方案生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182333.6A CN111412795B (zh) 2020-03-16 2020-03-16 测试点设置方案生成方法及装置

Publications (2)

Publication Number Publication Date
CN111412795A true CN111412795A (zh) 2020-07-14
CN111412795B CN111412795B (zh) 2022-05-31

Family

ID=71491147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182333.6A Active CN111412795B (zh) 2020-03-16 2020-03-16 测试点设置方案生成方法及装置

Country Status (1)

Country Link
CN (1) CN111412795B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429082A (zh) * 2022-01-10 2022-05-03 电子科技大学 一种考虑测试不确定性的电路测点优选方法
CN115165332A (zh) * 2022-06-29 2022-10-11 中国人民解放军海军航空大学 一种装备机内测试与综合测试一体化设计方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154432A1 (en) * 2002-01-02 2003-08-14 International Business Machines Corporation Method for identifying test points to optimize the testing of integrated circuits using a genetic algorithm
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
CN104698365A (zh) * 2015-03-23 2015-06-10 电子科技大学 基于分组编码遗传算法的不可靠测试优选方法
CN105825063A (zh) * 2016-03-21 2016-08-03 北京航空航天大学 一种测试性设计中测试点定量选择方法
CN105842607A (zh) * 2016-03-21 2016-08-10 北京航空航天大学 一种测试性设计中测试点定量选择方法及装置
CN108363876A (zh) * 2018-02-19 2018-08-03 中国人民解放军海军航空大学 一种考虑关键故障的测试优化选择方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030154432A1 (en) * 2002-01-02 2003-08-14 International Business Machines Corporation Method for identifying test points to optimize the testing of integrated circuits using a genetic algorithm
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
CN104698365A (zh) * 2015-03-23 2015-06-10 电子科技大学 基于分组编码遗传算法的不可靠测试优选方法
CN105825063A (zh) * 2016-03-21 2016-08-03 北京航空航天大学 一种测试性设计中测试点定量选择方法
CN105842607A (zh) * 2016-03-21 2016-08-10 北京航空航天大学 一种测试性设计中测试点定量选择方法及装置
CN108363876A (zh) * 2018-02-19 2018-08-03 中国人民解放军海军航空大学 一种考虑关键故障的测试优化选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴新锋等: "基于改进二进制粒子群遗传算法的测试优选", 《兵器装备工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114429082A (zh) * 2022-01-10 2022-05-03 电子科技大学 一种考虑测试不确定性的电路测点优选方法
CN114429082B (zh) * 2022-01-10 2023-04-07 电子科技大学 一种考虑测试不确定性的电路测点优选方法
CN115165332A (zh) * 2022-06-29 2022-10-11 中国人民解放军海军航空大学 一种装备机内测试与综合测试一体化设计方法及系统
CN115165332B (zh) * 2022-06-29 2023-05-12 中国人民解放军海军航空大学 一种装备机内测试与综合测试一体化设计方法及系统

Also Published As

Publication number Publication date
CN111412795B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
US20210390416A1 (en) Variable parameter probability for machine-learning model generation and training
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN106411896B (zh) 基于apde-rbf神经网络的网络安全态势预测方法
CN107391512B (zh) 知识图谱预测的方法和装置
CN106484512B (zh) 计算单元的调度方法
CN111412795B (zh) 测试点设置方案生成方法及装置
CN112270398B (zh) 一种基于基因编程的集群行为学习方法
CN115358487A (zh) 面向电力数据共享的联邦学习聚合优化系统及方法
Singh et al. Performance of a hybrid EA-DE-memetic algorithm on CEC 2011 real world optimization problems
CN109298930B (zh) 一种基于多目标优化的云工作流调度方法及装置
WO2010048758A1 (en) Classification of a document according to a weighted search tree created by genetic algorithms
CN107169594B (zh) 一种车辆路径问题的优化方法及装置
CN106886467B (zh) 基于分组-综合多目标进化的多任务测试优选方法
CN116796481A (zh) 基于改进弹性模型的社交网络关键节点识别方法及系统
CN111126560A (zh) 一种基于云遗传算法优化bp神经网络的方法
Syberfeldt et al. A parallel surrogate-assisted multi-objective evolutionary algorithm for computationally expensive optimization problems
Chen et al. A new multiobjective evolutionary algorithm for community detection in dynamic complex networks
CN111415265A (zh) 生成式对抗网络的社交关系数据生成方法
CN108090566B (zh) 基于串并联遗传算法的多目标测试优选方法
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
CN113642226A (zh) 基于多目标进化算法的公平机器学习模型的训练方法
CN115293430A (zh) 一种基于合作型协同进化算法的无人节点协同方法及系统
CN113537461A (zh) 基于sir值学习的网络关键节点发现方法及系统
CN112733433A (zh) 装备测试性策略优化方法和装置
Morgan et al. Neural Loss Function Evolution for Large-Scale Image Classifier Convolutional Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant