CN114861544B - 一种基于多目标优化的复杂系统序贯测试序列生成方法 - Google Patents
一种基于多目标优化的复杂系统序贯测试序列生成方法 Download PDFInfo
- Publication number
- CN114861544B CN114861544B CN202210539397.6A CN202210539397A CN114861544B CN 114861544 B CN114861544 B CN 114861544B CN 202210539397 A CN202210539397 A CN 202210539397A CN 114861544 B CN114861544 B CN 114861544B
- Authority
- CN
- China
- Prior art keywords
- test
- node
- fault
- calculating
- matrix
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 40
- 238000003066 decision tree Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000003016 pheromone Substances 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 241000257303 Hymenoptera Species 0.000 claims description 4
- 238000002955 isolation Methods 0.000 claims description 4
- -1 Substituted- Chemical class 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000012804 iterative process Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明公开了一种基于多目标优化的复杂系统序贯测试序列生成方法,通过蒙特卡洛模拟获取各目标的正态分布参数,然后按照节点包含故障概率最大的方式开展蚁群迭代算法,在迭代的过程中根据各目标的收敛程度动态的调整相关参数,并更新各蚂蚁在不同阶段选择拓展节点的概率,使算法产生的解集不断地逼近多目标优化的非劣解,作为最终生成的序贯测试序列用于后续的故障诊断,进而提升故障诊断的效率。
Description
技术领域
本发明属于故障诊断技术领域,更为具体地讲,涉及一种基于多目标优化的复杂系统序贯测试序列生成方法。
背景技术
测试性作为装备的一种设计特性,具有与可靠性、维修性、保障性、安全性同等重要的地位,是构成武器装备质量特性的一个重要组成部分。外部序贯测试作为测试性设计与优化技术的重要组成部分,其首要任务就是构建满足目标要求的测试序列。
由于多信号流图具有建模方便、便于描述电路元件之间关系等优点,因而吸引了大量科研人员的关注,成为序贯测试研究中最常用的相关性模型。传统的测试序列生成方法多是基于单目标进行优化,然而,随着系统和设备性能的提高和复杂性的增加,模型的复杂度急剧提升,对算法的准确度和效率提出了更高的要求;此外,系统设计需要考虑的目标数量更多,增加了设计难度,快速的生成满足多目标指标的最优测试序列变的愈发困难,从而影响故障诊断工作的开展。
目前,基于多目标优化的测试序列生成算法主要有两种:一种是将多个目标通过某个加权函数整合为一个综合目标,再对该综合目标进行单目标优化,该方法十分依赖加权函数的设计,需要对各个目标开展复杂的数学分析;另一种是采用群体智能进化算法,进化算法可在没有充足的先验知识的情况下,通过迭代循环搜索黑盒问题的解集。其它领域的进化算法种类繁多,但由于存在线性模型与二叉树模型不兼容,决策变量相互影响等原因,这些算法大部分都不适用于多目标序贯测试序列生成。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于多目标优化的复杂系统序贯测试序列生成方法,通过蒙特卡洛模拟获取正态分布的相关参数,使用节点概率最大的决策树拓展方式的蚁群算法进行迭代,将树形决策参量转化为线性决策参量,从而生成超体积较小的多目标测试序列集,能够快速实现故障隔离,提升故障诊断的效率。
为实现上述发明目的,本发明一种基于多目标优化的复杂系统序贯测试序列生成方法,其特征在于,包括以下步骤:
(1)、构建故障测试模型H;
H={S,T,D,P,TC,MC,VC,IC}
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测试集,T={t1,t2,…,tj,…,tn},tj表示第j个可用测试;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;TC表示与T对应的测试的时间集合,TC={tc1,tc2,…,tcj,…,tcn},tcj表示开展测试tj所需要的时间;MC表示与T对应的测试的成本集合,MC={mc1,mc2,…,mcj,…,mcn},mcj表示开展测试tj的成本;VC表示与T对应的测试的体积集合,VC={vc1,vc2,…,vcj,…,vcn},vcj表示为了可以开展测试tj,对电路体积产生的增量;IC为故障隔离率矩阵,具体表示为:
其中,icij表示可用测试tj对故障si的检测率,icij∈[0,1];D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测试tj下的测试信息,dij=0或dij=1,当dij=0时,表示待测系统中发生故障si时不能通过可用测试tj检测出来;当dij=1时,表示待测系统中发生故障si时能够通过可用测试tj检测出来;
(2)、使用蒙特卡洛模拟法获取正态参数;
(2.1)、设定蒙特卡洛模拟的最大次数N,初始化当前模拟次数k=1;将故障集S作为初始节点node;
(2.2)、以随机使用测试的方式对初始节点node进行拓展获得决策树Treek以及测试使用矩阵Wk,其中,Wk具体表示为:
其中,“|”表示数字逻辑的或运算;
(2.4)、令k=k+1,重复步骤(2.2)和(2.3)直至k=N;
μ=|μ1 μ2…μe…μ5|
(3)、利用蚁群算法生成决策树;
建立权重矩阵β,具体为:
β=|β1 β2…βe…β5|
其中,βe表示第e个指标的权重,初始化βe=1;
(3.2)、建立记录数组R;
(3.3)、遍历第v个蚂蚁;
(3.3.1)、建立启发矩阵θ;
建立节点集合Node,建立初始节点node1=S,初始节点状态为“未标记”,初始化Node={node1},建立决策树Tree1,初始化Tree1只包含node1;
(3.3.2)、树的生成,循环i0次,初始化i0=1
(3.3.2.1)、计算Node中每一个未被标记的节点所包含的故障的概率之和,选出其中包含故障概率最大的节点,记为node*
(3.3.2.3)、各测试启发值计算,初始化j=1
(3.3.2.3.1)、若tj无法对node*包含的故障分隔,则直接进入步骤(3.3.2.3.3),否则进入(3.3.2.3.2);
(3.3.2.3.3)、j=j+1,重复(3.3.2.3.1)和(3.3.2.3.2)直至j=n;
(3.3.2.4)、对按照轮盘赌规则选择测试tj,再利用测试tj对node*进行拓展,拓展后变为拓展新产生的左右子节点记为和将和计入Node数组,状态记为“未标记”,同时将node*的状态改为“标记”;
(3.3.2.5)、令i0=i0+1,重复(3.3.2.1)到(3.3.2.4)直至i0=m-1;
(3.5)、根据R更新β,具体为:
(3.6)、根据R和τg计算τg+1:
先根据R计算学习增量矩阵Δτg,具体为:
再根据Δτg计算Δg:
最后根据τg和Δg计算τg+1,具体计算方式如下:
本发明的发明目的是这样实现的:
本发明一种基于多目标优化的复杂系统序贯测试序列生成方法,通过蒙特卡洛模拟获取各目标的正态分布参数,然后按照节点包含故障概率最大的方式开展蚁群迭代算法,在迭代的过程中根据各目标的收敛程度动态的调整相关参数,并更新各蚂蚁在不同阶段选择拓展节点的概率,使算法产生的解集不断地逼近多目标优化的非劣解,作为最终生成的序贯测试序列用于后续的故障诊断,进而提升故障诊断的效率。
附图说明
图1是本发明一种基于多目标优化的复杂系统序贯测试序列生成方法流程图;
图2是某型四通道示波器系统的故障依赖矩阵;
图3是故障依赖矩阵对应的P,TC,MC,VC矩阵;
图4是故障依赖矩阵对应的IC矩阵;
图5是IC矩阵的缩略图。
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。
实施例
图1是本发明一种基于多目标优化的复杂系统序贯测试序列生成方法流程图。
在本实施例中,如图1所示,本发明一种基于多目标优化的复杂系统序贯测试序列生成方法,包括以下步骤:
S1、构建故障测试模型H;
H={S,T,D,P,TC,MC,VC,IC}
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测试集,T={t1,t2,…,tj,…,tn},tj表示第j个可用测试;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;TC表示与T对应的测试的时间集合,TC={tc1,tc2,…,tcj,…,tcn},tcj表示开展测试tj所需要的时间;MC表示与T对应的测试的成本集合,MC={mc1,mc2,…,mcj,…,mcn},mcj表示开展测试tj的成本;VC表示与T对应的测试的体积集合,VC={vc1,vc2,…,vcj,…,vcn},vcj表示为了可以开展测试tj,对电路体积产生的增量;IC为故障隔离率矩阵,具体表示为:
其中,icij表示可用测试tj对故障si的检测率,icij∈[0,1];D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测试tj下的测试信息,dij=0或dij=1,当dij=0时,表示待测系统中发生故障si时不能通过可用测试tj检测出来;当dij=1时,表示待测系统中发生故障si时能够通过可用测试tj检测出来;
S2、使用蒙特卡洛模拟法获取正态参数;
S2.1、设定蒙特卡洛模拟的最大次数N=10000,初始化当前模拟次数k=1;将故障集S作为初始节点node;
S2.2、以随机使用测试的方式对初始节点node进行拓展获得决策树Treek以及测试使用矩阵Wk,其中,Wk具体表示为:
其中,“|”表示数字逻辑的或运算;
S2.4、令k=k+1,重复步骤S2.2和S2.3直至k=N;
μ=|μ1μ2…μe…μ5|
S3、利用蚁群算法生成决策树;
建立权重矩阵β,具体为:
β=|β1 β2…βe…β5|
其中,βe表示第e个指标的权重,初始化βe=1;
S3.2、建立记录数组R;
S3.3、遍历第v个蚂蚁;
S3.3.1、建立启发矩阵θ;
建立节点集合Node,建立初始节点node1=S,初始节点状态为“未标记”,初始化Node={node1},建立决策树Tree1,初始化Tree1只包含node1;
S3.3.2、树的生成,循环i0次,初始化i0=1
S3.3.2.1、计算Node中每一个未被标记的节点所包含的故障的概率之和,选出其中包含故障概率最大的节点,记为node*
S3.3.2.3、各测试启发值计算,初始化j=1
S3.3.2.3.1、若tj无法对node*包含的故障分隔,则直接进入步骤S3.3.2.3.3,否则进入S3.3.2.3.2;
S3.3.2.3.3、令j=j+1,重复步骤S3.3.2.3.1和S3.3.2.3.2,直至j=n;
S3.3.2.4、对按照轮盘赌规则选择测试tj,再利用测试tj对node*进行拓展,拓展后变为拓展新产生的左右子节点记为和将和计入Node数组,状态记为“未标记”,同时将node*的状态改为“标记”;
S3.3.2.5、令i0=i0+1,重复步骤S3.3.2.1到S3.3.2.4,直至i0=m-1;
S3.5、根据R更新β,具体为:
S3.6、根据R和τg计算τg+1:
先根据R计算学习增量矩阵Δτg,具体为:
再根据Δτg计算Δg:
最后根据τg和Δg计算τg+1,具体计算方式如下:
为说明本发明的技术效果,采用某型四通道示波器系统对本发明进行验证,其对应的故障依赖矩阵如图2所示,含有76种故障状态和73个测试,测试的各类代价费用以及各状态的发生概率如图3、4和5所示,在本实施例中,IC矩阵同一行内每列元素都是相同的,即:ici1=ici2=...=icij=...=icin,因此仅给出ic11 ic21...ici1...icm1的矩阵。
由于传统的序贯测试序列生成算法中鲜有多目标优化分析,因此,本实例设计了三种方法进行类比:方法1是由算法a(序贯,单目标)和算法b(其他领域,多目标)组合而成,方法2是由算法c(序贯,单目标)和算法d(其他领域,多目标)组合而成,方法3是将多个目标的线性加权为一个单目标,使用算法e(序贯,单目标)的方法进行仿真,各个算法引用文献见表1。使用归一化的超体积指标对各算法的生成解集进行性能评估,参考点为(μ1,μ2,μ3,μ4,1-μ5),超体积指标越大说明算法生成的解集越合理,对照结果如表2所示。
表1引用文献
表2各算法生成解集的归一化超体积
本发明 | 方法1 | 方法2 | 方法3 | |
归一化超体积 | 0.0462 | 0.0009 | 0.0046 | 0.0002 |
可以对比得出,本发明相对于其他方法,归一化超体积指标更大,根据多目标优化的相关知识,说明本发明生成的序贯测试序列解集更靠近pareto前沿且分布更加均匀合理,即相对于其他方法,本发明更适用于多目标的序贯测试序列生成。
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)
1.一种基于多目标优化的复杂系统序贯测试序列生成方法,其特征在于,包括以下步骤:
(1)、构建故障测试模型H;
H={S,T,D,P,TC,MC,VC,IC}
其中,S表示待测系统出现的各种故障集,S={s1,s2,…,si,…,sm},si表示第i种故障;T表示待测系统的所有可用测试集,T={t1,t2,…,tj,…,tn},tj表示第j个可用测试;P表示待测系统发生某个故障的先验概率集,P={p1,p2,…,pi,…,pm},pi表示出现故障si的先验概率;TC表示与T对应的测试的时间集合,TC={tc1,tc2,…,tcj,…,tcn},tcj表示开展测试tj所需要的时间;MC表示与T对应的测试的成本集合,MC={mc1,mc2,…,mcj,…,mcn},mcj表示开展测试tj的成本;VC表示与T对应的测试的体积集合,VC={vc1,vc2,…,vcj,…,vcn},vcj表示为了可以开展测试tj,对电路体积产生的增量;IC为故障隔离率矩阵,具体表示为:
其中,icij表示可用测试tj对故障si的检测率,icij∈[0,1];D为故障依赖矩阵,具体表示为:
其中,dij表示故障si在可用测试tj下的测试信息,dij=0或dij=1,当dij=0时,表示待测系统中发生故障si时不能通过可用测试tj检测出来;当dij=1时,表示待测系统中发生故障si时能够通过可用测试tj检测出来;
(2)、使用蒙特卡洛模拟法获取正态参数;
(2.1)、设定蒙特卡洛模拟的最大次数N,初始化当前模拟次数k=1;将故障集S作为初始节点node;
(2.2)、以随机使用测试的方式对初始节点node进行拓展获得决策树Treek以及测试使用矩阵Wk,其中,Wk具体表示为:
其中,“|”表示数字逻辑的或运算;
(2.4)、令k=k+1,重复步骤(2.2)和(2.3)直至k=N;
μ=|μ1 μ2 … μe … μ5|
(3)、利用蚁群算法生成决策树;
建立权重矩阵β,具体为:
β=|β1 β2 … βe … β5|
其中,βe表示第e个指标的权重,初始化βe=1;
(3.2)、建立记录数组R;
(3.3)、遍历第v个蚂蚁;
(3.3.1)、建立启发矩阵θ;
建立节点集合Node,建立初始节点node1=S,初始节点状态为“未标记”,初始化Node={node1},建立决策树Tree1,初始化Tree1只包含node1;
(3.3.2)、树的生成,循环i0次,初始化i0=1
(3.3.2.1)、计算Node中每一个未被标记的节点所包含的故障的概率之和,选出其中包含故障概率最大的节点,记为node*
(3.3.2.3)、各测试启发值计算,初始化j=1
(3.3.2.3.1)、若tj无法对node*包含的故障分隔,则直接进入步骤(3.3.2.3.3),否则进入(3.3.2.3.2);
(3.3.2.3.3)、j=j+1,重复(3.3.2.3.1)和(3.3.2.3.2)直至j=n;
(3.3.2.4)、对按照轮盘赌规则选择测试tj,再利用测试tj对node*进行拓展,拓展后变为拓展新产生的左右子节点记为和将和计入Node数组,状态记为“未标记”,同时将node*的状态改为“标记”;
(3.3.2.5)、令i0=i0+1,重复(3.3.2.1)到(3.3.2.4)直至i0=m-1;
(3.5)、根据R更新β,具体为:
(3.6)、根据R和τg计算τg+1:
先根据R计算学习增量矩阵Δτg,具体为:
再根据Δτg计算Δg:
最后根据τg和Δg计算τg+1,具体计算方式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210539397.6A CN114861544B (zh) | 2022-05-18 | 2022-05-18 | 一种基于多目标优化的复杂系统序贯测试序列生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210539397.6A CN114861544B (zh) | 2022-05-18 | 2022-05-18 | 一种基于多目标优化的复杂系统序贯测试序列生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114861544A CN114861544A (zh) | 2022-08-05 |
CN114861544B true CN114861544B (zh) | 2023-06-02 |
Family
ID=82638806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210539397.6A Active CN114861544B (zh) | 2022-05-18 | 2022-05-18 | 一种基于多目标优化的复杂系统序贯测试序列生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114861544B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082379B1 (en) * | 2002-03-08 | 2006-07-25 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6917839B2 (en) * | 2000-06-09 | 2005-07-12 | Intellectual Assets Llc | Surveillance system and method having an operating mode partitioned fault classification model |
-
2022
- 2022-05-18 CN CN202210539397.6A patent/CN114861544B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7082379B1 (en) * | 2002-03-08 | 2006-07-25 | Intellectual Assets Llc | Surveillance system and method having an adaptive sequential probability fault detection test |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
CN114424167A (zh) * | 2019-05-06 | 2022-04-29 | 强力物联网投资组合2016有限公司 | 用于促进工业物联网系统智能开发的平台 |
CN113391938A (zh) * | 2021-06-11 | 2021-09-14 | 电子科技大学 | 一种基于混合策略的快速序惯故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Study on Power Transformer Fault Test Sequence Optimization Based on Multi-colony Ant Colony Algorithm;Luyuan Wei等;《2011 Third International Conference on Intelligent Human-Machine Systems and Cybernetics》;第127-130页 * |
基于改进差分进化算法的测试序列优化技术研究;胡玉婷;《中国优秀硕士学位论文全文数据库 信息科技辑》;第I140-38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114861544A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marin et al. | Macroevolutionary algorithms: a new optimization method on fitness landscapes | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
Li et al. | Two infill criteria driven surrogate-assisted multi-objective evolutionary algorithms for computationally expensive problems with medium dimensions | |
CN103345384B (zh) | 一种基于分解的变邻域多目标测试任务调度方法及平台 | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN106934722A (zh) | 基于k节点更新与相似度矩阵的多目标社区检测方法 | |
CN113780436A (zh) | 一种基于综合度的复杂网络关键节点识别方法 | |
Jing et al. | Community detection in sparse networks using the symmetrized laplacian inverse matrix (slim) | |
Ehrke et al. | Topological reconstruction of particle physics processes using graph neural networks | |
Laassem et al. | Label propagation algorithm for community detection based on Coulomb’s law | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
CN114861544B (zh) | 一种基于多目标优化的复杂系统序贯测试序列生成方法 | |
CN109164794A (zh) | 基于偏f值selm的多变量工业过程故障分类方法 | |
CN113065037A (zh) | 一种基于密度峰值优化的标签传播社团检测方法及装置 | |
CN111949530A (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
Jiang et al. | Active learning of spin network models | |
CN116010291A (zh) | 基于均衡优化理论与灰色预测模型的多路径覆盖测试方法 | |
Mahdavi et al. | Evolutionary derivation of optimal test sets for neural network based analog and mixed signal circuits fault diagnosis approach | |
CN110221931B (zh) | 基于切比雪夫的系统级测试性设计多目标优化方法 | |
CN113704570A (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 | |
Zhang et al. | Elimination mechanism of glue variables for solving sat problems in linguistics | |
Ji et al. | Fast progressive differentiable architecture search based on adaptive task granularity reorganization | |
Liu et al. | MC/DC test data generation algorithm based on whale genetic algorithm | |
Yuan et al. | Convergency of genetic regression in data mining based on gene expression programming and optimized solution | |
Stanley et al. | Testing alignment of node attributes with network structure through label propagation |
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 |