CN115659850B - 一种面向成败型在轨测试的最优截尾试验方案求解方法 - Google Patents

一种面向成败型在轨测试的最优截尾试验方案求解方法 Download PDF

Info

Publication number
CN115659850B
CN115659850B CN202211592590.2A CN202211592590A CN115659850B CN 115659850 B CN115659850 B CN 115659850B CN 202211592590 A CN202211592590 A CN 202211592590A CN 115659850 B CN115659850 B CN 115659850B
Authority
CN
China
Prior art keywords
boundary line
test
tail
line parameter
individual
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
Application number
CN202211592590.2A
Other languages
English (en)
Other versions
CN115659850A (zh
Inventor
丁文哲
王青伟
龙方
白翔
黎海林
吴正容
刘建
姚惠生
杨虹
徐小琴
刘伟帅
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.)
63921 Troops of PLA
Original Assignee
63921 Troops of PLA
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 63921 Troops of PLA filed Critical 63921 Troops of PLA
Priority to CN202211592590.2A priority Critical patent/CN115659850B/zh
Publication of CN115659850A publication Critical patent/CN115659850A/zh
Application granted granted Critical
Publication of CN115659850B publication Critical patent/CN115659850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Complex Calculations (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种面向成败型在轨测试的最优截尾试验方案求解方法，基于初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与截尾样本量的多组个体组合；若遗传代数不大于最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于函数容差，计算各个个体组合对应的边界线参数，进而更新适应度函数的系数；重复执行上述循环过程直至不满足循环条件，得到目标截尾样本量，进而确定目标截尾试验方案。该方式通过随机生成插入点与对应的截尾样本量的多组个体组合，结合拉格朗日遗传算法，可以实现天基装备的最优截尾试验方案的快速搜索，提高了求解最优截尾试验方案的效率。

Description

一种面向成败型在轨测试的最优截尾试验方案求解方法
技术领域
本发明涉及试验鉴定技术领域，尤其是涉及一种面向成败型在轨测试的最优截尾试验方案求解方法。
背景技术
目前，部分典型天基装备的在轨测试含有大量的成败型试验，如预警卫星的在轨探测试验、侦查卫星的在轨观测试验、中继卫星的在轨传输试验等。这些典型装备的在轨测试试验涉及导弹预警、区域探测、空间通信等各类国家重大任务，是众多试验鉴定任务中的重中之重。鉴于这些天基装备所担负使命任务的独特性，其在轨测试验证试验往往都穿插于值班任务中进行。因此，在试验前即确定出其在轨测试所需的最大试验数，对于试验鉴定方案的设计、值班任务的提前规划等具有重大意义。相关技术中通常采用的试验样本量确定方法包括序贯概率比检验方法(SPRT)、序贯网图检验方法（SMT）等，基于这些方式确定的样本量的数量仍然较大，且计算过程耗时较多，降低了求解最优截尾试验方案的效率。
发明内容
本发明的目的在于提供一种面向成败型在轨测试的最优截尾试验方案求解方法，以提高求解最优截尾试验方案的效率。
本发明提供的一种面向成败型在轨测试的最优截尾试验方案求解方法，方法包括：基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；基于第一边界线参数和第二边界线参数，更新当前适应度函数的系数，得到更新后的适应度函数；将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。
进一步的，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合的步骤包括：获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标；在第一成功率指标和第二成功率指标的范围内，按初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
进一步的，基于第一边界线参数和第二边界线参数，更新当前适应度函数的系数，得到更新后的适应度函数的步骤包括：基于第一边界线参数和第二边界线参数，计算该个体组合对应的适应度值；按预设处理方式处理每组个体组合，得到处理后的每组个体组合；基于处理后的每组个体组合，更新当前适应度函数的系数，得到更新后的适应度函数。
进一步的，基于第一边界线参数和第二边界线参数，计算该个体组合对应的适应度值的步骤包括：获取对于所述天基装备的第一可承受风险目标上限值和第二可承受风险目标上限值；针对每组个体组合，根据该个体组合对应的第一边界线参数确定该个体组合对应的第一曲线；根据该个体组合对应的第二边界线参数确定该个体组合对应的第二曲线；根据第一曲线和第二曲线，计算该个体组合对应的第一实际风险和第二实际风险的组合的集合；获取第一实际风险不大于第一可承受风险目标上限值，且第二实际风险不大于第二可承受风险目标上限值的组合的第一数量；基于第一数量和当前适应度函数计算该个体组合对应的适应度值。
进一步的，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤包括：获取历史参考数据，基于历史参考数据、第一成功率指标和第二成功率指标，计算各个个体组合对应的第一边界线参数和第二边界线参数；其中，历史参考数据包括：同轨同类型历史装备的历史总试验次数、历史累积失败次数和继承因子；其中，继承因子用于：将同轨同类型历史装备的历史总试验次数和历史累积失败次数转换为天基装备的先验总试验次数和先验累积失败次数。
本发明提供的一种面向成败型在轨测试的最优截尾试验方案求解装置，装置包括：生成模块，用于基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；计算模块，用于如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；更新模块，用于基于第一边界线参数和第二边界线参数，更新当前适应度函数的系数，得到更新后的适应度函数；重复执行模块，用于将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；确定模块，用于基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。
进一步的，生成模块还用于：获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标；在第一成功率指标和第二成功率指标的范围内，按初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
进一步的，所述更新模块还用于：基于所述第一边界线参数和所述第二边界线参数，计算该个体组合对应的适应度值；按预设处理方式处理每组个体组合，得到处理后的每组个体组合；基于处理后的每组个体组合，更新所述当前适应度函数的系数，得到更新后的适应度函数。
本发明提供的一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述任一项的面向成败型在轨测试的最优截尾试验方案求解方法。
本发明提供的一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述任一项的面向成败型在轨测试的最优截尾试验方案求解方法。
本发明提供的一种面向成败型在轨测试的最优截尾试验方案求解方法，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；基于第一边界线参数和第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数；将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。该方式通过随机生成插入点与对应的截尾样本量的多组个体组合，结合拉格朗日遗传算法，可以实现天基装备的最优截尾试验方案的快速搜索，提高了求解最优截尾试验方案的效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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一种面向成败型在轨测试的最优截尾试验方案求解方法的流程图；
图2为本发明实施例提供的一种截尾Bayes-SMT方案对比示例图；
图3为本发明实施例提供的一种Bayes-SMT方法的序贯判决过程示意图；
图4为本发明实施例提供的一种不同插入点p 2所对应的最小截尾样本量的示意图；
图5为本发明实施例提供的一种ALGA优化过程中的最优适应度与平均适应度变化示意图；
图6为本发明实施例提供的一种ALGA优化过程中的最大约束违反量变化示意图；
图7为本发明实施例提供的一种成败型在轨测试验证试验方案结果示意图；
图8为本发明实施例提供的一种全部截尾方案示意图；
图9为本发明实施例提供的另一种全部截尾方案示意图；
图10为本发明实施例提供的一种面向成败型在轨测试的最优截尾试验方案求解装置的结构示意图；
图11为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明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做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。
相关技术中，为了提升检验效率，Wald在二次世界大战后期提出了序贯概率比检验方法（SPRT）。相对于经典的单、多次抽样方法，该方法通过“试试看、看看试”的试验策略大幅缩减了试验所需的平均样本量。而鉴于该方法具有较大的随机性，在试验设计时往往通过设置截尾点来控制试验的最大样本量。因此，试验中的截尾样本量即为试验所需的最大样本量。而从改进试验所需最大样本量的角度出发，濮晓龙等提出了序贯网图检验方法（SMT）。对于截尾试验，该方法能够大幅降低序贯检验方案所需的截尾样本量。由Bayes理论可知，通过使用先验信息可以大幅降低试验次数。对于星座来说，星座中的卫星大多具有同类型同轨道特征。因此，星座中相近星的在轨测试试验都能折算为其它星的先验试验。那么，结合Bayes理论与序贯网图方法（SMT）所形成的Bayes-SMT方法则能够得到具有更小截尾样本量的卫星在轨试验方案。因此在天基装备的成败型在轨测试试验方案设计中，可以将Bayes-SMT方法作为设计的基本理论框架。
对于天基装备的成败型在轨测试验证试验来说，试验结果只有成功与失败两类。因而可以判定此类试验为成败型试验，需要围绕二项分布模型展开计数型截尾试验设计。对此，王康等给出了一种通过先优化插入点再迭代搜索截尾样本量的截尾试验设计方法。但实际上，由于插入点位置会影响Bayes-SMT方法上、下临界线的确定，因此该方法并不能得到最优的截尾试验方案。因此，基于这些方式确定的样本量的数量仍然较大，且计算过程耗时较多，降低了求解最优截尾试验方案的效率。基于此，本发明实施例提供了一种面向成败型在轨测试的最优截尾试验方案求解方法，该技术可以应用于需要对天基装备求解最优截尾试验的场景中。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种面向成败型在轨测试的最优截尾试验方案求解方法进行介绍，如图1所示，该方法包括如下步骤：
步骤S102，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合。
通常在进行天基装备在轨验证试验前，天基装备的研制方和使用方需达成简单的指标约束共识，提供试验所需的简单初始要求，即研制方试验的第一成功率指标要求为p 0，使用方试验的第二成功率指标要求为p 1；该天基装备可以是预警卫星、侦查卫星、中继卫星等；上述初始种群数量可以根据实际需求进行设置，比如，设置为50等；上述插入点可以以p 2表示，在实际实现时，第一成功率指标和第二成功率指标通常不同，该插入点通常是属于第一成功率指标和第二成功率指标之间的范围内的插入点；随机生成该插入点对应的截尾样本量，将每个插入点与对应的截尾样本量进行组合，得到多组个体组合，可以基于拉格朗日遗传算法求解最优截尾试验方案。
步骤S104，如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数。
上述遗传代数可以理解为当前已执行的循环次数；最大遗传代数可以理解为预先设置的循环次数的上限值；上述当前适应度函数的函数值的平均相对变化量可以理解为当次循环中的当前适应度函数的函数值与前一次循环中的前一次适应度函数的函数值之间的差值；上述函数容差通常设置为预先设置的一个相对较小的值，比如10-6等，具体可以根据实际需求进行设置；为方便说明，将第一边界线参数以s 1、
Figure P_221207105037473_473223001
表示，第二边界线参数以s 2、h 2表示为例，当遗传代数≤最大遗传代数，且当前适应度函数的函数值的平均相对变化量≥函数容差时，可以进一步计算各个个体组合对应的第一边界线参数和第二边界线参数。
步骤S106，基于第一边界线参数和第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数。
可以根据上述第一边界参数和第二边界参数，修正适应度函数中的相关系数，如：拉格朗日乘子估计值、位移和惩罚系数，得到修正更新后的适应度函数。
步骤S108，将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量。
继续判断遗传代数是否小于或等于最大遗传代数，且当前适应度函数的函数值的平均相对变化量是否大于或等于函数容差，如果是，则重复执行上述过程，直至这两个判断条件中的任意一个不成立，循环结束，根据最终得到截尾样本量可以确定目标截尾样本量。
步骤S110，基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。
上述面向成败型在轨测试的最优截尾试验方案求解方法，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；基于第一边界线参数和第二边界线参数，更新当前适应度函数的系数，得到更新后的适应度函数；将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。该方式通过随机生成插入点与对应的截尾样本量的多组个体组合，结合拉格朗日遗传算法，可以实现天基装备的最优截尾试验方案的快速搜索，提高了求解最优截尾试验方案的效率。
本发明实施例还提供了另一种面向成败型在轨测试的最优截尾试验方案求解方法，该方法在上述实施例方法的基础上实现，该方法包括如下步骤：
步骤一，获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标。
通过对插入点与截尾点进行联合优化，能够得到成败型在轨测试验证试验所需的样本量上限。具体展示如图2所示的一种截尾Bayes-SMT方案对比示例图。图2中，（n t ，f t ）为插入点p 2所对应的最优截尾点；
Figure P_221207105037504_504493001
为插入点p'2所对应的最优截尾点。
可以看出，插入点p' 2所对应的试验次数要大于插入点p 2。但由于插入点的改变使直线l' 1、l 2变为了L' 1、L 2，从而得到了满足指标约束的更优截尾点
Figure P_221207105037520_520120001
，使试验所需的最大样本量由n t 下降为n't。由此可知，在搜索最优截尾点时，对插入点p 2与截尾点（n t ，f t ）进行统筹考虑能得到更优的结果。
步骤二，在第一成功率指标和第二成功率指标的范围内，按初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
比如，初始种群数量为50，则可以在第一成功率指标和第二成功率指标的范围内，随机生成50个插入点p 2，每个插入点都有其对应的一个试验次数n 0，对于每个插入点p 2，在该插入点对应的[1，n 0]范围内随机生成该插入点对应的截尾样本量n t，将50个插入点与其对应的截尾样本量的个体组合（p 2，n t ）作为初始种群。
步骤三，如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数。
计算各个个体组合对应的第一边界线参数和第二边界线参数的过程具体可以通过以下方式计算得到：获取历史参考数据，基于历史参考数据、第一成功率指标和第二成功率指标，计算各个个体组合对应的第一边界线参数和第二边界线参数；其中，历史参考数据包括：同轨同类型历史装备的历史总试验次数、历史累积失败次数和继承因子；其中，继承因子用于：将同轨同类型历史装备的历史总试验次数和历史累积失败次数转换为天基装备的先验总试验次数和先验累积失败次数。
下面首先对插入点p 2与先验概率
Figure P_221207105037551_551354001
、/>
Figure P_221207105037582_582845002
、/>
Figure P_221207105037599_599726003
、/>
Figure P_221207105037615_615335004
、风险参数/>
Figure P_221207105037646_646571005
、/>
Figure F_221207105025319_319437001
、边界参数s 1、h'1、s 2、h 2之间的关系进行说明。
图3给出了Bayes-SMT方法的序贯判决过程示意图，图中，p 2为插入点，n 0为插入点所对应的试验次数；p 0为研制方对应的第一成功率指标；f t1、f t2分别表示截尾点与l 2、l' 1的交点所对应的试验累计失败次数；n t 、f t 分别为截尾点所对应的试验次数以及试验累计失败次数。
在建立优化求解模型前，本实施例首先需要给出Bayes-SMT方法中必要参数的计算方法。
为方便说明，以第一边界线参数以s 1、h'1表示，第二边界线参数以s 2、h 2 表示为例，考虑到研究对象为成败型试验，因此可选定验证试验的先验分布为Beta分布。在先验试验数据处理上则采用Hamada的数据折合方法，则先验概率
Figure F_221207105025447_447379002
、/>
Figure F_221207105025596_596739003
、/>
Figure F_221207105025753_753506004
、/>
Figure F_221207105025880_880955005
的计算方法如下：/>
Figure P_221207105037677_677830001
(1)
式中，
Figure F_221207105026009_009364006
表示Beta分布；p 0研制方对于天基装备的第一成功率指标；P 1为使用方对于天基装备的第二成功率指标；P 2表示插入点；/>
Figure F_221207105026134_134369007
表示继承因子；/>
Figure F_221207105026230_230558008
表示以往同轨同类型的天基装备在轨测试试验中的总试验次数；/>
Figure F_221207105026308_308689009
表示以往同轨同类型的天基装备在轨测试试验中的累积失败次数；/>
Figure P_221207105037709_709075005
表示基于假设检验问题确定的第一先验概率；/>
Figure P_221207105037740_740324006
表示基于假设检验问题确定的第二先验概率；/>
Figure P_221207105037755_755945007
表示基于假设检验问题确定的第三先验概率。/>
Figure P_221207105037788_788629008
表示基于假设检验问题确定的第四先验概率；其中，假设检验问题基于插入点对参数空间的重新划分转化后得到，具体转化方式可以参考相关技术，在此不再赘述。
采用平均风险相当原则以及继续试验区宽度不变原则，则转化后两对假设检验问题的承制方和使用方风险
Figure P_221207105037820_820407001
与/>
Figure P_221207105037836_836029002
计算方式如下：
Figure P_221207105037867_867285001
(2)
式中，
Figure F_221207105026387_387748010
、/>
Figure F_221207105026450_450778011
分别为研制方和使用方所能承受的风险上限。
综合上述，得到Bayes-SMT方法的临界线计算公式：
Figure P_221207105037929_929782001
(3)
式中，
Figure F_221207105026528_528909012
为图3中的下临界线，/>
Figure F_221207105026610_610441013
为图3中的上临界线。
步骤四，基于第一边界线参数和第二边界线参数，计算该个体组合对应的适应度值。
对于每组个体组合来说，在确定对应的第一边界线参数s 1、h'1和第二边界线参数s 2、h 2后，可以基于获取到的这些参数，计算每组个体组合对应的适应度值。该步骤四具体可以通过以下步骤40至步骤44得到：
步骤40，获取对于所述天基装备的第一可承受风险目标上限值和第二可承受风险目标上限值。
通常在进行天基装备在轨验证试验前，天基装备的研制方和使用方需达成的简单的指标约束共识中，还需要包括研制方所能承受的第一可承受风险目标上限值为
Figure P_221207105037993_993705001
，使用方所能承受的第二可承受风险目标上限值/>
Figure P_221207105038025_025481002
。
步骤41，针对每组个体组合，根据该个体组合对应的第一边界线参数确定该个体组合对应的第一曲线；根据该个体组合对应的第二边界线参数确定该个体组合对应的第二曲线。
根据第一边界线参数s 1和h'1可以确定第一曲线l' 1：
Figure P_221207105038041_041083001
，根据第二边界参数s 2和h 2可以确定第二曲线l 2：/>
Figure P_221207105038072_072359002
。每个插入点有各自对应的第一曲线和第二曲线。
步骤42，根据第一曲线和第二曲线，计算该个体组合对应的第一实际风险和第二实际风险的组合的集合。
上述第一实际风险通常指的是研制方实际风险；第二实际风险指的是使用方实际风险；在轨试验未通过验证的所有拒绝点的发生概率决定了试验的去真概率
Figure P_221207105038087_087995001
（承制方实际风险），所有接受点的发生概率决定了试验的采伪概率 />
Figure P_221207105038119_119238002
（使用方实际风险）。则考虑先验信息，截尾Bayes-SMT方法中承制方及使用方的实际风险计算方法为：/>
Figure P_221207105038134_134853001
(4)
式中，
Figure F_221207105026803_803308014
、/>
Figure F_221207105026928_928311015
表示基于假设检验问题确定的第一先验概率和第二先验概率，该假设检验问题基于插入点对参数空间的重新划分转化后得到，具体转化方式可以参考相关技术，在此不再赘述；N re 、N ac 分别表示试验中的拒绝点、接受点数量；/>
Figure P_221207105038182_182671003
表示到达第i个拒绝点的所有试验路径数；/>
Figure P_221207105038198_198828004
表示到达第j个接受点的所有试验路径数；n （i）表示第i个拒绝点对应的试验次数；f （i）表示第i个拒绝点对应的试验累积失败次数； n （j）表示第j个接受点对应的试验次数； f （j）表示第j个接受点对应的试验累积失败次数。
由式（4）可知，由于试验路径数的存在使得试验的实际风险计算极为复杂，这也是搜索最优截尾试验方案的难点之一。对于SPRT、SMT方法中的实际风险计算除迭代计算方式外，通常都由国标直接给出，或通过Monte Carlo方式得到。其中，迭代计算极为复杂，国标所给方案甚为有限，Monte Carlo计算具有一定的随机性且计算量巨大。因此，本发明采用了基于马氏链模型的截尾Bayes-SMT风险计算方法。马氏链模型的优势在于其能以状态转移方式去计算各接受点、拒绝点的发生概率，从而实现两类实际风险的直接计算。由此，则能够直观便捷地计算试验中的实际风险，从而为最优截尾试验方案的搜索奠定基础。
设
Figure F_221207105026993_993712016
为向下取整函数，/>
Figure F_221207105027072_072376017
为向上取整函数，则成败型在轨测试验证试验的接受域为/>
Figure F_221207105027134_134846018
、拒绝域为/>
Figure F_221207105027216_216886019
、/>
Figure F_221207105027295_295004020
的可能样本空间为/>
Figure F_221207105027357_357516021
、继续试验区域为/>
Figure P_221207105038230_230078007
。
鉴于试验开始前f 0=0，将迭代初始值改写为向量形式
Figure P_221207105038261_261311001
。则由马尔科夫计算过程将两类实际风险的计算公式转化为：
Figure P_221207105038276_276961001
(5)
设f n,max、f n,min分别为
Figure P_221207105038323_323821001
时，试验累积失败次数的最大、最小值；/>
Figure P_221207105038339_339431002
为第n次试验中继续试验区内的试验数据点数，该试验数据点数可以理解为，在第n次试验时，与第一曲线对应的纵坐标和第二曲线对应的纵坐标之间的整数纵坐标的数量；/>
Figure P_221207105038370_370701003
为迭代向量；W (n)为第/>
Figure F_221207105027546_546981022
次试验的状态转移矩阵。在试验中：
①以
Figure P_221207105038410_410739001
记录第n次试验/>
Figure P_221207105038441_441994002
中各状态的概率；其中，每个试验数据点对应一个状态，指的是到达每个数据点的概率。比如，到达第一个数据点的概率是50%，到达第二个数据点的概率是30%等。/>
②通过W (n)计算f n+1位于各状态的概率，则
Figure F_221207105027627_627540023
、/>
Figure F_221207105027705_705657024
的概率/>
Figure F_221207105027785_785208025
、
Figure F_221207105027848_848235026
分别为n+1次试验接受点、拒绝点的发生概率；
③将
Figure P_221207105038473_473239001
中各状态的概率赋予 />
Figure P_221207105038504_504491002
继续迭代；
④通过将所有得到的
Figure P_221207105038734_734954001
、 />
Figure P_221207105038766_766238002
分别加和，从而根据式（5）得到两类风险的实际值。
其中，各主要参数的计算公式如式（6）所示。详细的基于马氏链模型的在轨测试验证试验实际风险计算方法如算法1所示：
Figure P_221207105038783_783260001
(6)
算法1：
1. 给定双方试验成功率要求p 0、p 1、截尾点（n t ，f t ）、边界参数s 1、
Figure F_221207105027926_926369027
、s 2、h 1。
2. 设
Figure P_221207105038830_830660001
， />
Figure P_221207105038861_861916002
。
3. For
Figure F_221207105028006_006975028
do
令
Figure F_221207105028085_085560029
，计算/>
Figure F_221207105028148_148050030
。
If
Figure F_221207105028228_228125031
If
Figure F_221207105028290_290611032
令
Figure F_221207105028368_368745033
等于向量/>
Figure F_221207105028434_434167034
中的第/>
Figure F_221207105028496_496671035
个元素，/>
Figure F_221207105028559_559170036
else 令
Figure F_221207105028640_640221037
，/>
Figure F_221207105028702_702720038
End If
If
Figure F_221207105028782_782287039
令
Figure F_221207105028845_845315040
等于向量/>
Figure F_221207105028923_923431041
中的第一个元素，/>
Figure F_221207105028988_988830042
else
Figure F_221207105029051_051819043
，/>
Figure F_221207105029129_129989044
End If
向量
Figure F_221207105029193_193407045
由该向量中第down个元素至第up个元素重新组成
else
If
Figure F_221207105029272_272075046
令
Figure F_221207105029334_334586047
等于向量/>
Figure F_221207105029414_414153048
中的第/>
Figure F_221207105029492_492273049
个元素，/>
Figure F_221207105029554_554761050
等于向量/>
Figure F_221207105029652_652436051
中第1个元素至第
Figure F_221207105029761_761807052
个元素的加和
else 令
Figure F_221207105029827_827226053
，/>
Figure F_221207105029905_905364054
等于向量/>
Figure F_221207105029967_967854055
中第1个元素至第/>
Figure F_221207105030050_050871056
个元素的加和/>
End If
End If
令
Figure F_221207105030129_129001057
，/>
Figure F_221207105030318_318950058
End For
4. 输出承制方的实际风险为
Figure F_221207105030477_477140059
，使用方实际风险/>
Figure F_221207105030555_555260060
。
根据算法1迭代计算遗传种群个体所对应
Figure P_221207105038924_924408001
时的全部两类风险集合/>
Figure P_221207105038955_955668002
。
步骤43，获取第一实际风险不大于第一可承受风险目标上限值，且第二实际风险不大于第二可承受风险目标上限值的组合的第一数量。
记录两类风险集合中满足约束
Figure F_221207105030634_634856061
、/>
Figure F_221207105030697_697345062
的全部/>
Figure F_221207105030775_775494063
数量N ri ，即上述第一数量。
步骤44，基于第一数量和当前适应度函数计算该个体组合对应的适应度值。
本实施例通过最优化方法给出成败型在轨测试验证试验的最优截尾方案搜索方法。
首先确定成败型在轨测试验证试验方案的初始参数为指标约束参数
Figure F_221207105030871_871678064
和先验试验参数/>
Figure F_221207105030949_949802065
，优化参数为/>
Figure F_221207105031031_031332066
。则根据图3建立优化搜索模型为：
Figure F_221207105031109_109476067
(7)
式中，
Figure F_221207105031171_171991068
、/>
Figure F_221207105031253_253009069
分别表示截尾点与临界线l 2、l'1的交点所对应的试验累计失败次数。
此优化的难点在于对约束的处理。由于该搜索模型中包含了整数约束与离散约束，因此在求解模型时需要采用能够较好处理此类混合约束的智能优化算法。对此，本发明采用增广拉格朗日遗传算法（ALGA）对模型进行求解。ALGA以遗传算法（GA）为基础，通过构造如式（8）所示的新适应度函数来处理非线性约束。这样通过将搜索模型中的目标函数与非线性约束进行整合，从而解决优化过程中的约束限制问题。
Figure P_221207105038991_991272001
(8)
式中，
Figure F_221207105031331_331156070
为变量集合；/>
Figure P_221207105039023_023023002
为第ia个拉格朗日乘子估计值；/>
Figure P_221207105039054_054286003
为第ia个位移；/>
Figure F_221207105031441_441989071
为惩罚系数；/>
Figure F_221207105031567_567023072
表示目标函数；/>
Figure F_221207105031648_648050073
表示第i a 个不等式约束；/>
Figure P_221207105039085_085542007
为第i b 个拉格朗日乘子估计值；/>
Figure F_221207105031741_741779074
表示第i b 个等式约束；i a 表示第i a 个不等式约束；m a 表示共有m a 个不等式约束；i b 表示第i b 个等式约束；m b 表示共有m b 个等式约束。/>
鉴于f t 的取值范围（f t1，f t2）可由n t 确定，因此将搜索模型的优化变量设为
Figure F_221207105031852_852617075
。而为了求解模型中最难处理的约束，即存在f t 属于（f t1，f t2）使两类实际风险满足约束/>
Figure F_221207105031930_930745076
、/>
Figure F_221207105032010_010833077
，本发明将该模型约束具现转化为：
（1）迭代计算得到遗传种群个体所对应
Figure F_221207105032073_073364078
时的全部两类风险集合/>
Figure F_221207105032151_151461079
。其中，
Figure F_221207105032247_247635080
为向量长度计算函数；
（2）记录两类风险集合中满足约束
Figure F_221207105032310_310147081
、/>
Figure F_221207105032389_389710082
的全部/>
Figure F_221207105032468_468361083
数量N ri 。
由此，本发明求解最优截尾试验方案的优化搜索模型为：
Figure F_221207105032546_546486084
(9)
此处需要说明的是，由于式（9）中约束具有较强的离散性，因此在利用ALGA算法对其进行求解时需要适当增大惩罚系数
Figure F_221207105032627_627048085
，从而增强搜索过程中模型约束的限制强度，避免搜索过程陷入局部最优。
在得到最优截尾样本量n t 后，为使两类风险最小，还需确定最优f t ，即求解多目标优化模型式（10）。而鉴于n t 所对应风险集合
Figure P_221207105039116_116786001
中的风险对/>
Figure P_221207105039148_148047002
数量有限，因此无需再采用多目标优化算法进行求解。需要说明的是：在大多数情况下，可能只存在唯一满足约束解，则该解即为最优解。而当存在多个满足约束的解时，本发明采用图解法确定出最终的最优截尾点（n t ，f t ）。即通过在图中构筑出满足约束的风险对集合，从而直接得到式（10）的Pareto解集。那么Pareto解集中的解均为较优解，直接在其中选择更满足实际需求的解即可。完整的算法流程如算法2所示：
Figure F_221207105032705_705160086
(10)
步骤五，按预设处理方式处理每组个体组合，得到处理后的每组个体组合。
上述预设处理方式可以是遗传算法中的选择、交叉、变异；其中，选择是指依据适应度量值优胜劣汰的过程；交叉是指两个父代个体的结构按照一定的交叉概率相互交换产生新个体的过程；变异是以一个很小的变异概率随机将个体的基因值从“0”变成“1”或从“1”变成“0”的过程，具体可以参考相关技术中的处理操作，在此不再赘述，得到处理后的个体组合。
步骤六，基于处理后的每组个体组合，更新适应度函数的系数，得到更新后的适应度函数。
可以根据处理后的每组个体组合，修正适应度函数中的相关系数，如：拉格朗日乘子估计值、位移和惩罚系数，得到修正更新后的适应度函数。具体的，对每组（p 2，n t ）编码进行选择、交叉、变异操作；重组编码并根据得到的新（p 2，n t ）更新参数
Figure F_221207105032801_801401087
、/>
Figure F_221207105032863_863845088
、/>
Figure F_221207105032941_941975089
以修正适应度函数。
步骤七，将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；
步骤八，基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。
综上，基于ALGA的成败型在轨测试验证试验的最优截尾方案求解方法可以参考以下算法2实现：
算法2：
1. 给定初始种群数量、交叉变异概率、最大遗传代数、双方试验成功率要求p 0、p 1、双方风险承受上限
Figure F_221207105033006_006426090
、/>
Figure F_221207105033068_068966091
、函数容差等初始参数。
2. 在
Figure F_221207105033131_131467092
范围内随机插入点p 2、在/>
Figure F_221207105033275_275963093
范围内随机生成截尾样本量n t 作为初始种群。
3. While (遗传代数<=最大遗传代数) && (适应度函数值的平均相对变化>=函数容差)
1）根据式（1）、（2）、（3）计算得到种群中各个个体的边界参数s 1、
Figure F_221207105033354_354105094
、s 2、h 2；
2）根据算法1迭代计算遗传种群个体所对应
Figure F_221207105033434_434657095
时的全部两类风险集合
Figure F_221207105033512_512787096
；
3）记录两类风险集合中满足约束
Figure F_221207105033592_592355097
、/>
Figure F_221207105033686_686609098
的全部/>
Figure F_221207105033959_959560099
数量N ri ；
4）根据新适应度函数（将式（9）代入式（8））计算种群中各组个体组合的适应度值；
5）对每组（p 2，n t ）编码进行选择、交叉、变异操作；
6）重组编码并根据得到的新（p 2，n t ）更新参数
Figure F_221207105034055_055746100
、/>
Figure F_221207105034149_149495101
、/>
Figure F_221207105034245_245195102
以修正适应度函数。
End
4. 根据最优截尾样本量n t 计算满足约束要求的累积试验失败次数f t 。
5. 在二维图中构筑出上述截尾点所对应的风险对集合。若集合只包含单个解，则该解即为最优解；若集合包含多个解，则选择满足实际需求的解作为最终的最优截尾点（n t ，f t ）。
6. 输出最优截尾点（n t ，f t ）即为成败型在轨测试验证试验的最优截尾方案。
上述面向成败型在轨测试的最优截尾试验方案求解方式，通过在Bayes-SMT方法框架下求解一组插入点p 2与截尾点（n t ，f t ）的最优组合，从而使满足指标约束要求的最大试验样本量“最小”，即可以求解成败型在轨测试验证试验所需的样本量上限。
虽然通过迭代计算方法可以求得满足要求的最优截尾试验方案，但该计算方式相对更为费时。而相比于分步迭代计算求解最优截尾试验方案，优化解法可以更加快速、便捷地直接搜索出全局最优方案。对此，本发明期望建立问题的优化模型，并采用优化方法求取插入点与截尾点的最优组合，从而得到成败型在轨测试验证试验所需的样本量上限。
而实现该目的存在着以下两大难题，一是试验的实际风险计算极为复杂，需要给出简单易行的风险计算方法为试验方案的优化设计提供支撑；二是截尾试验方案的优化求解较为复杂，需要给出能够较好处理混合约束的相应优化算法。
对于风险计算方法来说，一般包括迭代计算法、国标查询法、Monte Carlo计算法等。其中，迭代计算极为复杂，国标所给方案甚为有限，Monte Carlo计算具有一定的随机性且计算量巨大。因此上述方法并不适合用于最优截尾试验方案的搜索。而考虑到马氏链模型能以状态转移的方式去计算各接受点、拒绝点的发生概率，因此本发明采用了基于马氏链模型的风险计算方法，从而实现对试验中两类实际风险的直观便捷计算。
而对于优化求解方法来说，一般包括全局优化算法跟局部优化算法。其中，以内点法、信赖域法等为代表的局部优化算法不仅需要提供搜索初值而且对具有较强阶跃特性的目标函数处理效果欠佳，因此并不适合用于最优截尾试验方案的搜索。而以灰狼算法、鲸鱼算法、果蝇算法等为代表的全局优化算法虽不需要初值，但却很难处理相关的非线性约束。考虑到截尾试验方案具有较强的离散阶跃特性，因此本发明采用了全局优化算法中的遗传算法作为搜索算法的基础。同时为了能够对搜索模型中的整数约束与离散约束进行有效处理，本发明将增广拉格朗日方法与遗传算法相结合，从而实现对最优截尾方案的直接搜索。
综上，本发明的目的在于以Bayes-SMT方法为基础，通过将最优化理论引入到截尾序贯试验方案的设计中，实现以最优化方式直接求解插入点与截尾点的最优组合。通过采用马氏链模型以状态转移方式去计算各接受点、拒绝点的发生概率，解决优化搜索过程中实际风险难以计算的问题。将增广拉格朗日方法与遗传算法相结合，实现对搜索模型中的整数约束与离散约束的处理，完成对具有较强离散阶跃特性的成败型在轨测试最优截尾方案的快速搜索。
为进一步理解上述实施例，下面提供一种具体的试验过程，设成败型在轨测试验证试验中承制方与使用方的试验成功率要求以及双方所能承受的风险上限分别为
Figure F_221207105034338_338965103
。考虑以往在轨测试试验中，总计85次探测试验中共失败5次。设定继承因子为0.7，则先验Beta分布的超参数为/>
Figure F_221207105034419_419066104
，由此可得式（2）中的先验分布为：
Figure F_221207105034481_481543105
(11)
电脑型号为戴尔G15，配置为i5-12500H处理器、16GB内存、RTX3050显卡、512GBSSD硬盘，统一在Matlab R2021b平台进行对比试验。
首先取迭代步长为0.0001，选定插入点
Figure F_221207105034559_559655106
，并迭代计算每个插入点所对应满足式（9）的最小截尾样本量，结果如图4所示的不同插入点p 2所对应的最小截尾样本量的示意图。其中，对于插入点/>
Figure F_221207105034637_637792107
，不存在满足式（9）约束的截尾试验方案，因此该部分/>
Figure F_221207105034715_715904108
在图中没有点对应。
从图4中可以看出，对于插入点
Figure F_221207105034796_796965109
，满足式（9）约束的最小截尾样本量为132。此时，所对应的插入点范围为/>
Figure F_221207105034875_875130110
。在该范围内，对于/>
Figure F_221207105034953_953225111
，只存在唯一满足风险要求的最优截尾试验方案（n t ，f t ）=(132,11）。迭代计算的整体用时为1414.721792s。
接下来，采用本发明的优化方法。设置联合优化变量为
Figure F_221207105035020_020565112
。根据算法2利用ALGA搜索满足式（9）的最优截尾试验方案。设定初始种群数量为80、交叉概率为0.80、变异概率为0.20、最大遗传代数为30、初始惩罚为50、惩罚因子为1000、函数容差为/>
Figure F_221207105035099_099220113
。优化过程如图5所示的ALGA优化过程中的最优适应度与平均适应度变化示意图和图6所示的ALGA优化过程中的最大约束违反量变化示意图。
从图5和图6中可以看出，ALGA经3次迭代后收敛，此时的最大约束违反量为0。在
Figure F_221207105035194_194373114
范围内搜索得到的最优插入点为p 2=0.94253、所对应的n 0为295.3282、各边界参数为/>
Figure F_221207105035274_274009115
、最优截尾方案为
Figure F_221207105035352_352152116
，两类实际风险分别为/>
Figure F_221207105035431_431719117
。本发明计算的整体用时为133.266651s。本发明方法所得到的成败型在轨测试验证试验方案结果如图7所示。
接着，详细检验搜索结果。对于插入点p 2=0.94253，在
Figure F_221207105035494_494220118
区间内迭代搜索
Figure F_221207105035572_572344119
的全部截尾方案，得到如图8所示的一种全部截尾方案示意图，并进一步给出/>
Figure F_221207105035668_668060120
时不同截尾方案所对应的全部两类实际风险，结果如图9所示的另一种全部截尾方案示意图。
从图8和图9中可以看出，对于插入点p 2=0.94253，满足约束
Figure F_221207105035730_730563121
、/>
Figure F_221207105035812_812101122
的所有截尾试验方案数N ri 为2。其中n t 最小为132，此时只存在唯一满足风险要求的截尾点（n t ，f t ）=（132,11），该截尾方案所对应的实际两类风险分别为/>
Figure F_221207105035890_890231123
，由此进一步证明了本发明方法的正确性。
综上可知，本发明方法通过优化方式对插入点p 2与截尾点（n t ，f t ）进行统筹搜索，能够得到与迭代计算方法同样的最优截尾试验方案。且相比于迭代方法，本发明方法能够使成败型在轨测试最优截尾试验方案的搜索计算时间降低1281s，同比降幅约90.55%。
本发明实施例提供了一种面向成败型在轨测试的最优截尾试验方案求解装置，如图10所示，装置包括：
生成模块101，用于基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；
计算模块102，用于如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；
更新模块103，用于基于所述第一边界线参数和所述第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数；
重复执行模块104，用于将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；
确定模块105，用于基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。
上述面向成败型在轨测试的最优截尾试验方案求解装置，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数；基于第一边界线参数和第二边界线参数，更新当前适应度函数的系数，得到更新后的适应度函数；将更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个个体组合对应的第一边界线参数和第二边界线参数的步骤，直至遗传代数大于最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于函数容差，得到目标截尾样本量；基于目标截尾样本量确定目标累积试验失败次数，将目标截尾样本量和目标累积试验失败次数的组合确定为目标截尾试验方案。该装置通过随机生成插入点与对应的截尾样本量的多组个体组合，结合拉格朗日遗传算法，可以实现天基装备的最优截尾试验方案的快速搜索，提高了求解最优截尾试验方案的效率。
进一步的，生成模块还用于：获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标；在第一成功率指标和第二成功率指标的范围内，按初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
进一步的，更新模块还用于：基于第一边界线参数和第二边界线参数，计算该个体组合对应的适应度值；按预设处理方式处理每组个体组合，得到处理后的每组个体组合；基于处理后的每组个体组合，更新当前适应度函数的系数，得到更新后的适应度函数。
进一步的，更新模块还用于：获取对于所述天基装备的第一可承受风险目标上限值和第二可承受风险目标上限值；针对每组个体组合，根据该个体组合对应的第一边界线参数确定该个体组合对应的第一曲线；根据该个体组合对应的第二边界线参数确定该个体组合对应的第二曲线；根据第一曲线和第二曲线，计算该个体组合对应的研制方实际风险和使用方实际风险的组合的集合；获取研制方实际风险不大于第一可承受风险目标上限值，且使用方实际风险不大于第二可承受风险目标上限值的组合的第一数量；基于第一数量和当前适应度函数计算该个体组合对应的适应度值。
进一步的，计算模块还用于：获取历史参考数据，基于历史参考数据、第一成功率指标和第二成功率指标，计算各个个体组合对应的第一边界线参数和第二边界线参数；其中，历史参考数据包括：同轨同类型历史装备的历史总试验次数、历史累积失败次数和继承因子；其中，继承因子用于：将同轨同类型历史装备的历史总试验次数和历史累积失败次数转换为天基装备的先验总试验次数和先验累积失败次数。
本发明实施例所提供的面向成败型在轨测试的最优截尾试验方案求解装置，其实现原理及产生的技术效果和前述面向成败型在轨测试的最优截尾试验方案求解方法实施例相同，为简要描述，面向成败型在轨测试的最优截尾试验方案求解装置实施例部分未提及之处，可参考前述面向成败型在轨测试的最优截尾试验方案求解方法实施例中相应内容。
本发明实施例还提供了一种电子设备，参见图11所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述面向成败型在轨测试的最优截尾试验方案求解方法。
进一步地，图11所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口133（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述面向成败型在轨测试的最优截尾试验方案求解方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的面向成败型在轨测试的最优截尾试验方案求解方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以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）执行本发明各个实施例所述方法的全部或部分步骤。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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (7)

1.一种面向成败型在轨测试的最优截尾试验方案求解方法，其特征在于，所述方法包括：
基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；
如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个所述个体组合对应的第一边界线参数和第二边界线参数；
基于所述第一边界线参数和所述第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数；
将所述更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个所述个体组合对应的第一边界线参数和第二边界线参数的步骤，直至所述遗传代数大于所述最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于所述函数容差，得到目标截尾样本量；
基于所述目标截尾样本量确定目标累积试验失败次数，将所述目标截尾样本量和所述目标累积试验失败次数的组合确定为目标截尾试验方案；
基于所述第一边界线参数和所述第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数的步骤包括：
基于所述第一边界线参数和所述第二边界线参数，计算该个体组合对应的适应度值；
按预设处理方式处理每组个体组合，得到处理后的每组个体组合；其中，所述预设处理方式包括以下至少一种：遗传算法中的选择处理方式、交叉处理方式和变异处理方式；
基于处理后的每组个体组合，更新所述当前适应度函数的系数，得到更新后的适应度函数；
基于所述第一边界线参数和所述第二边界线参数，计算该个体组合对应的适应度值的步骤包括：
获取对于天基装备的第一可承受风险目标上限值和第二可承受风险目标上限值；
针对每组个体组合，根据该个体组合对应的第一边界线参数确定该个体组合对应的第一曲线；根据该个体组合对应的第二边界线参数确定该个体组合对应的第二曲线；
根据所述第一曲线和所述第二曲线，计算该个体组合对应的第一实际风险和第二实际风险的组合的集合；
获取所述第一实际风险不大于所述第一可承受风险目标上限值，且所述第二实际风险不大于所述第二可承受风险目标上限值的组合的第一数量；
基于所述第一数量和所述当前适应度函数计算该个体组合对应的适应度值。
2.根据权利要求1所述的方法，其特征在于，基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合的步骤包括：
获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标；
在所述第一成功率指标和所述第二成功率指标的范围内，按所述初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
3.根据权利要求2所述的方法，其特征在于，计算各个所述个体组合对应的第一边界线参数和第二边界线参数的步骤包括：
获取历史参考数据，基于所述历史参考数据、所述第一成功率指标和所述第二成功率指标，计算各个所述个体组合对应的第一边界线参数和第二边界线参数；其中，所述历史参考数据包括：同轨同类型历史装备的历史总试验次数、历史累积失败次数和继承因子；其中，所述继承因子用于：将所述同轨同类型历史装备的历史总试验次数和所述历史累积失败次数转换为所述天基装备的先验总试验次数和先验累积失败次数。
4.一种面向成败型在轨测试的最优截尾试验方案求解装置，其特征在于，所述装置包括：
生成模块，用于基于预先获取的初始种群数量、第一成功率指标和第二成功率指标，随机生成插入点与对应的截尾样本量的多组个体组合；
计算模块，用于如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个所述个体组合对应的第一边界线参数和第二边界线参数；
更新模块，用于基于所述第一边界线参数和所述第二边界线参数，更新所述当前适应度函数的系数，得到更新后的适应度函数；
重复执行模块，用于将所述更新后的适应度函数作为新的当前适应度函数，重复执行如果遗传代数不大于预设的最大遗传代数，且当前适应度函数的函数值的平均相对变化量不小于预设的函数容差，计算各个所述个体组合对应的第一边界线参数和第二边界线参数的步骤，直至所述遗传代数大于所述最大遗传代数，或者当前适应度函数的函数值的平均相对变化量小于所述函数容差，得到目标截尾样本量；
确定模块，用于基于所述目标截尾样本量确定目标累积试验失败次数，将所述目标截尾样本量和所述目标累积试验失败次数的组合确定为目标截尾试验方案；
所述更新模块还用于：
基于所述第一边界线参数和所述第二边界线参数，计算该个体组合对应的适应度值；
按预设处理方式处理每组个体组合，得到处理后的每组个体组合；其中，所述预设处理方式包括以下至少一种：遗传算法中的选择处理方式、交叉处理方式和变异处理方式；
基于处理后的每组个体组合，更新所述当前适应度函数的系数，得到更新后的适应度函数；
所述更新模块还用于：
获取对于天基装备的第一可承受风险目标上限值和第二可承受风险目标上限值；
针对每组个体组合，根据该个体组合对应的第一边界线参数确定该个体组合对应的第一曲线；根据该个体组合对应的第二边界线参数确定该个体组合对应的第二曲线；
根据所述第一曲线和所述第二曲线，计算该个体组合对应的第一实际风险和第二实际风险的组合的集合；
获取所述第一实际风险不大于所述第一可承受风险目标上限值，且所述第二实际风险不大于所述第二可承受风险目标上限值的组合的第一数量；
基于所述第一数量和所述当前适应度函数计算该个体组合对应的适应度值。
5.根据权利要求4所述的装置，其特征在于，所述生成模块还用于：
获取初始种群数量，以及对于天基装备的第一成功率指标和第二成功率指标；
在所述第一成功率指标和所述第二成功率指标的范围内，按所述初始种群数量随机生成多个插入点，在每个插入点对应的试验次数内随机生成该插入点对应的截尾样本量，得到每个插入点与对应的截尾样本量的个体组合。
6.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-3任一项所述的面向成败型在轨测试的最优截尾试验方案求解方法。
7.一种机器可读存储介质，其特征在于，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现权利要求1-3任一项所述的面向成败型在轨测试的最优截尾试验方案求解方法。
CN202211592590.2A 2022-12-13 2022-12-13 一种面向成败型在轨测试的最优截尾试验方案求解方法 Active CN115659850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211592590.2A CN115659850B (zh) 2022-12-13 2022-12-13 一种面向成败型在轨测试的最优截尾试验方案求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211592590.2A CN115659850B (zh) 2022-12-13 2022-12-13 一种面向成败型在轨测试的最优截尾试验方案求解方法

Publications (2)

Publication Number Publication Date
CN115659850A CN115659850A (zh) 2023-01-31
CN115659850B true CN115659850B (zh) 2023-05-30

Family

ID=85019266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211592590.2A Active CN115659850B (zh) 2022-12-13 2022-12-13 一种面向成败型在轨测试的最优截尾试验方案求解方法

Country Status (1)

Country Link
CN (1) CN115659850B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117742361B (zh) * 2023-12-07 2024-07-12 哈尔滨工业大学 基于smt的航天器多种轨道威胁自主规避机载任务规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8042406B2 (en) * 2009-06-16 2011-10-25 Hamilton Sundstrand Corporation Method of determining overspeed reliability
CN102509023B (zh) * 2011-11-24 2014-07-16 北京航空航天大学 航天驱动组件综合应力加速寿命试验损伤累积模型的建模方法
CN102445338B (zh) * 2011-11-24 2013-08-14 北京航空航天大学 一种航天驱动组件综合应力加速寿命试验方法
CN114970046A (zh) * 2022-06-22 2022-08-30 武汉理工大学 一种谐波减速器产品可靠性试验方案确定方法和装置

Also Published As

Publication number Publication date
CN115659850A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Dimitrovski et al. Boundary load flow solutions
Liers et al. Computing exact ground states of hard Ising spin glass problems by branch‐and‐cut
CN115659850B (zh) 一种面向成败型在轨测试的最优截尾试验方案求解方法
Djidjev et al. Efficient combinatorial optimization using quantum annealing
CN111816936B (zh) 电池梯次利用配组方法、系统、终端设备及存储介质
CN107767019B (zh) 一种产品可靠性鉴定的方法
Parsa et al. Pabo: Pseudo agent-based multi-objective bayesian hyperparameter optimization for efficient neural accelerator design
WO2023124342A1 (zh) 一种针对图像分类的神经网络结构低成本自动搜索方法
CN111025041A (zh) 电动汽车充电桩监测方法及其系统、计算机设备、介质
Colbert et al. Using trajectory measurements to estimate the region of attraction of nonlinear systems
Gao et al. Integral aggregations of continuous probabilistic hesitant fuzzy sets
EP3674959A1 (en) Optimization calculation method and information processing apparatus
Tang et al. A possibility-based solution framework for interval uncertainty-based design optimization
Pardella et al. Exact ground states of large two-dimensional planar Ising spin glasses
Liu et al. Symbolic models for infinite networks of control systems: A compositional approach
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
Li et al. Integrating the simplified interpolation into the genetic algorithm for constrained optimization problems
CN113360988A (zh) 工程结构可靠性优化建模求解方法
Thiam et al. Optimal transmission expansion via intrinsic properties of power flow conditioning
CN110889643A (zh) 一种论文质量评价方法及系统
Han et al. A bi-level differential evolutionary algorithm for constrained optimization
Miao et al. An innovative Bayesian sequential censored sampling inspection method and application to test design
Lumbreras et al. Linear bandits with polylogarithmic minimax regret
Colbert et al. Estimating the region of attraction using stable trajectory measurements
CN112800669B (zh) 专用加速器中基于概率图模型的多种近似技术误差评估方法

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