[发明专利]基于动态权重的测试向量生成与优化方法

权利要求书

1.一种基于动态权重的测试向量生成与优化方法，其特征是，步骤如下：

(1)低反转率的电路节点查找与处理

寻找低翻转率的电路节点：随机生成大量的测试向量，将其输入到电路中，得到所有电路节点的翻转情况，依据设定的翻转率阈值，从所有的电路节点中筛选出低翻转节点；

测试向量的粗筛：以激活低翻转节点为目标，利用遗传算法进行测试向量的初步优化，根据节点翻转率的提升倍数，筛选出难以激活的节点；

测试向量的细筛：在粗筛的基础上，根据不同节点翻转次数的不同，在遗传算法的每一代动态调整适应度函数，给难以激活的节点更大的权重，使得测试向量更多地触发难以激活的节点，提高测试向量的质量；

粗筛和细筛阶段，将低翻转节点的翻转次数作为目标函数，与测试向量个体的适应度建立映射关系，即可在测试向量群体的进化过程中实现对最优测试向量集的寻求；

(2)低观测节点的的查找与处理

低观测节点的查找：利用SCOAP工具对电路网表进行可测试性分析，得到所有电路节点的可控制性和可观测性值，利用k均值算法对所有电路节点进行连续两次分类，第一次分类得到低测试性节点，第二次分类得到低观测节点；

基于低观测节点的测试向量筛选：根据故障检测模型，给低观测节点注入故障“0”和故障“1”，构建故障网表，将待筛选的测试向量输入故障网表，观察电路输出与原始输出是否一致，如发生变化认为该测试向量能够将错误结果传递到电路输出端。

2.如权利要求1所述的基于动态权重的测试向量生成与优化方法，其特征是，遗传算法的一次进化过程是，首先根据适应度排序法从当前代个体中挑选出中间群体1，接下来从中间群体1随机挑选父母个体进行交叉变换，这里必须保证每个中间个体都被选中至少一次，最后对交叉得到的中间群体2中的每一个个体进行随机的变异操作，得到新的子代群体。

3.如权利要求1所述的基于动态权重的测试向量生成与优化方法，其特征是，在利用遗传算法对测试向量进行前期筛选时，以测试向量引起低翻转节点的翻转次数作为主要评价指标，选用适应度排序法，个体被选择的几率只与序号有关，首先得到节点翻转次数的评估函数如下：

其中Value(V)表示在测试向量V作用下节点翻转率的评估函数，V代表遗传算法中的一个测试向量个体，λ_V表示被向量V激活的低活性节点的集合，RareNode_i表示被向量V触发的低活性节点i发生状态转换的次数；

按照评估函数值由大到小对向量进行排序，依次编号为1,2,…,size,再计算适应度值：

Fitness(V)＝a(1-a)^index-1

其中Fitness(V)表示测试向量V的适应度值，V代表遗传算法中的一个测试向量个体，index是向量的排序序号，size表示一个群体中测试向量个体的总数，a表示选择的概率参数，取值范围是(0,1)；

依据适应度值选择测试向量个体作为父母个体，对其进行多基因位的交叉变换，再随机选取变异点进行变异操作，即得到新一代的测试向量群体，对其进行评价，选择是保留当前代还是退回上一代，如此循环往复，直到满足停止迭代的条件。