[发明专利]一种基于遗传算法的体系结构自动优化方法

摘要

本发明提供了一种基于遗传算法的体系结构自动优化方法，属于体系结构设计领域。本发明提出的方法首先利用复杂网络模型对系统体系结构的初步设计方案进行建模，接着利用复杂网络度量指标对系统体系结构的非功能特性进行度量，然后确定体系结构优化的综合评估函数、优化约束条件和终止条件，最后使用遗传算法对系统体系结构设计方案进行优化，从而得到设计方案的优化结果。本发明涉及的系统体系结构优化方法可以自动地对系统的高效性、抗毁性等非功能特性进行优化，能有效缓解复杂系统“范围广、要素多、关系杂”给体系结构设计和优化带来的难题。

主权项

一种基于遗传算法的体系结构自动优化方法，其特征在于，包括如下步骤：步骤1，构建网络模型；步骤2，进行非功能特性度量；步骤3，确定综合评估函数、优化约束条件和终止条件；步骤4，进行基于遗传算法的自动优化；步骤1包括如下步骤：步骤1‑1，体系结构视图选择：将需要优化的非功能特性记为P，从体系结构设计方案中选取涉及到P的视图作为优化对象；步骤1‑2，视图建模：将视图中的要素抽象为节点，将要素之间的关系抽象为节点之间的边，从而将视图转换为网络模型；步骤1‑2中将视图中的要素抽象成的节点的集合记为V＝{v1,v2,...,vn1}，vn1为第n1个节点，将节点之间的关系抽象成的边的集合记为E＝{e1,e2,...,en2}，en2为第n2个边，将视图转换的网络模型记为G＝<V,E>；步骤2包括：步骤2‑1，选择与步骤1‑1中指定的非功能特性P相关的网络模型度量指标，对步骤1‑2中得到的网络模型进行度量；步骤2‑1中将选择的相关网络模型度量指标分别进行归一化，记为：I(G)＝{i1(G),i2(G),...,in3(G)}，其中，I(G)为指标集合，指标集合中的i1(G),i2(G),...,in3(G)为归一化后的各项度量指标，in3(G)为第n3个指标；步骤3包括如下步骤：步骤3‑1，将步骤2‑1中选择的各相关指标的度量进行综合，形成综合评估函数，对非功能特性P进行综合度量；步骤3‑2，确定优化的约束条件；步骤3‑3，确定优化的终止条件；步骤3‑1中所述综合评估函数是对步骤2‑1中选择的相关网络模型度量指标的综合，记为F(G)＝f[I(G)]，其中f为如下幂平均合成函数：f=(1ΣjwjΣjijkwj)1/k,]]>式中，ij为步骤2‑1中定义的第j项归一化的度量指标；wj为第j项指标的权重；k为幂平均阶数，取值范围为任意实数；步骤3‑2中的各项约束条件记为：s.t.Gspace={G1,G2...}hj(G)>α,hk(G)>β,......,]]>其中Gspace代表所有的候选优化方案组成的集合，α和β为系统应当满足的技术指标，hj(G)>α表示候选优化方案G的指标hj必须大于α，hk(G)>β表示候选优化方案G的指标hk必须大于β；步骤4包括如下步骤：步骤4‑1，将优化过程中的候选优化方案编码为遗传算法可处理的候选解，并根据步骤3‑2中确定优化的约束条件确定候选解的可行解空间；步骤4‑2，确定遗传算法交叉、变异、选择的策略，产生候选解集；步骤4‑3，采用步骤3‑1中的综合评估函数对步骤4‑2中产生的候选解集中的解进行评估，并结合步骤3‑3中确定优化的终止条件，判断当前解集中最优解是否已经达到优化的目标需求，如果已经满足终止条件，则输出当前最优解对应的设计方案作为最终的体系结构优化设计方案，否则返回步骤4‑2继续产生候选解集；步骤4‑1中，将候选优化方案G编码为数组形式的候选解，记为encode(G)＝x，数组的每一种取值唯一对应了一种设计方案，数组的取值范围即为解空间，它与候选优化方案的可行域相对应，记为：encode(Gspace)＝{encode(G1),encode(G2),...,encode(Gq)}＝{x1,x2,...,xq}＝Xspace，上式中xq为候选优化方案Gq编码后的对应的解，Gspace为候选优化方案的可行域，Xspace为解空间。