[发明专利]基于效用函数的系统级测试性设计多目标优化方法

说明书

本发明公开了一种基于效用函数的系统级测试性设计多目标优化方法，首先确定影响因素和优化目标函数，然后设置权重向量，使用权重向量对一个多目标优化问题分解为N个子问题，使用子问题的G个邻居，通过交叉、变异产生新的子代个体，利用适应度差值选择改善效果最好的种群中的个体进行更新，在终代种群中删除被支配解，即得到影响因素向量的帕累托最优解集。采用本发明，可以在保证得到影响因素向量的帕累托最优解集的同时，提高收敛效果和以及影响因素向量的帕累托最优解的均匀性。

技术领域

本发明属于电子系统测试性设计优化技术领域，更为具体地讲，涉及一种基于效用函数的系统级测试性设计多目标优化方法。

背景技术

为了减轻设备日后的维护难度，系统在设计的初始阶段就应该考虑可测试性设计。可测试性指的是系统的状态能够被准确地检测的程度。在针对大型电子设备系统的故障诊断问题中，如何选择测试方案，使故障检测率(FDR,fault diagnose rate)、虚警率(FAR,fault alarm rate)以及测试各项开销(时间、经济等)指标同时满足约束条件甚至趋向更好，是学术和工程领域不断探索的问题。

在测试优选问题中，所关注的测试指标有故障检测率(FDR,fault diagnoserate)、隔离率、虚警率(FAR,fault alarm rate)、测试时间开销(TC，time cost)以及测试经济开销(PC，price cost)等等。增加系统测试性，意味着额外的测试硬件，因此影响着系统重量，体积，研发难度，功能影响以及系统可靠性。

假设影响因素共计D个，用x_d表示，d＝1,2,…,D。且将影响因素值归一化为0～1之间的变量，则影响因素向量X＝[x₁,…,x_D]。假设需要优化的目标数量为M，每个优化目标的目标函数为f_m(X)，m＝1,2,…,M。

测试优选目标是合理选择和设置X(即合理开展测试性设计，合理分配资源等)，使得M个目标函数最小。现实中，M个目标函数一般不可能同时达到最优，因此这是一个典型的多目标优化问题。

当多目标优化为最小化优化问题，可以用下式表达，即需要找到合适的X使得所有M个目标函数f(X)最小：

minimize F(X)＝(f₁(X),f₂(X),…,f_M(X))

与单目标优化问题的本质区别在于，多目标优化问题的解并非唯一，而是存在一组由众多Pareto(帕累托)最优解组成的最优解集合，集合中的各个元素称为Pareto最优解或非劣最优解。对于由上述公式确定的向量F(X_i)和F(X_j)，如果两个向量不相等且F(X_i)里的所有元素都不大于F(X_j)里的对应位置元素，则称F(X_i)支配F(X_j)，X_j称为支配解，X_i称为非支配解。由所有非支配解构成的集合称为帕累托最优集。

而目前能解决该类问题的算法有NSGA-III型算法、粒子群算法等等。NSGA-III型算法较为典型，可以找到比较全面的非支配解集，然而由于支配关系计算的时间复杂度较高，收敛效果差等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于效用函数的的系统级测试性设计多目标优化方法，在保证得到影响因素向量的帕累托最优解集的同时，提高收敛效果和以及影响因素向量的帕累托最优解的均匀性。

为实现上述发明目的，本发明基于效用函数的系统级测试性设计多目标优化方法包括以下步骤：