[发明专利]基于改进自适应遗传算法的并行测试任务调度方法

说明书

本发明公开了一种基于改进自适应遗传算法的并行测试任务调度方法，获取电子系统待测任务的相关数据，采用实数编码的方式对测试任务进行编码，编码时受任务约束限制，将测试任务的编码序列作为遗传算法的个体执行遗传算法，在遗传算法迭代过程中，基于种群相异度的变化计算个体的交叉概率与变异概率，迭代完成后选取最优个体得到最终的并行测试任务调度方案。本发明通过种群相异度对遗传算法的交叉与变异概率进行自适应取值，解决了遗传算法容易陷入局部最优的问题，提高遗传算法收敛速度以及搜索最优解的成功率，使其在解决并行测试任务调度问题时可以快速、准确地求出最优并行测试任务调度方案。

技术领域

本发明属于电子系统测试技术领域，更为具体地讲，涉及一种基于改进自适应遗传算法的并行测试任务调度方法。

背景技术

随着工业设备、航天设备等高精尖设备的复杂度不断提高，对于复杂系统的自动测试性能提出了新的挑战。特别是在航空航天领域当中，需要测试的参数庞杂且对准确性与实时行有较高要求。并行测试通过调用相应资源同时对多个任务进行测试改善自动测试系统测试效率低、资源利用率低等问题。并行测试需要考虑资源竞争、系统死锁与饿死等问题，其任务调度方案的确定是一个复杂的、优化难度大的非确定性多项式(non-deterministic polynomial，NP)完全问题。

并行测试任务调度问题研究的目标是确定最优调度方案，如测试时间最短，执行价值最大、负载均衡等。目前，主要有两种研究方向：一是只使用智能算法，通过智能算法良好的全局优化性能求解调度方案，比如粒子群算法、遗传算法、蚁群算法、人工蜂群算法、模拟退火算法等；二是使用Petri网与智能算法相结合，首先利用Petri网模型强大的建模能力对调度过程进行建模，然后使用智能算法求解调度方案。

遗传算法具有优秀的全局搜索能力，强鲁棒性，设计简单等特点，其还具有并行性，天然适用于解决并行测试任务调度这类具有并行性的最优化问题。但是，传统遗传算法采用固定的交叉与变异概率，当交叉与变异概率较小时会导致种群的进化速度较低，增加迭代次数，降低算法的收敛速度，影响任务调度的实时性；当交叉与变异概率较大时会导致种群的进化速度过快，一些优势个体的基因会在种群中迅速扩散，种群多样性丧失，容易出现陷入局部最优解的情况，导致得到的调度方案不是最优调度方案，达不到优化的目的。

针对遗传算法的改进，Srinivas等首次提出了自适应遗传算法(adaptivegenetic algorithm，AGA)，该算法根据个体适应度值调节交叉与变异概率，在一定程度上解决了遗传算法陷入局部最优解的问题，但是该算法会使适应度值较大的优势个体的交叉与变异概率接近或者等于零，导致优势个体的特性不被遗传，陷入局部最优解。任子武等提出了一种改进的自适应遗传算法(improved adaptive genetic algorithm，IAGA)，保证所有个体都有一个最低的交叉与变异概率，但是在算法迭代后期个体的适应度值与平均适应度值相近且这些个体数量较大时，会导致大部分个体的交叉与变异概率较低，降低了种群的进化速度。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进自适应遗传算法的并行测试任务调度方法，通过种群相异度对遗传算法的交叉与变异概率进行自适应取值，解决了遗传算法容易陷入局部最优的问题，提高遗传算法收敛速度以及搜索最优解的成功率，使其在解决并行测试任务调度问题时可以快速、准确地求出最优并行测试任务调度方案。

为了实现上述发明目的，本发明基于改进自适应遗传算法的并行测试任务调度方法包括以下步骤：

S1：对于待进行并行测试的电子系统，根据实际情况针对其包含的子系统设计测试任务，获取其并行测试相关数据，包括：

测试任务集T＝{t₁,t₂,···,t_M}，其中t_m表示第m个测试任务，m＝1,2,…,M，M表示测试任务数量；