[发明专利]基于多目标粒子群算法的测试优选方法

摘要

本发明公开了一种基于多目标粒子群算法的测试优选方法，根据需要确定电子系统测试优选的若干个优化目标和约束条件，在粒子群算法运行过程中，每当有一个新的种群，即搜索得到帕累托最优集，计算出帕累托最优集中每个粒子的分布密度值，采用轮盘赌选择算法选择得到一个粒子作为全局最优粒子，在粒子更新后，根据当前位置是否支配其最优位置来判断是否对粒子位置进行更新；将粒子群运行结束后帕累托最优集中的每个粒子的位置作为一个测试优选方案。本发明在现有粒子群算法的基础上改进得到多目标粒子群算法，从而获得满足多个目标的多种测试优选方案。

主权项

1.一种基于多目标粒子群算法的测试优选方法，其特征在于包括以下步骤：S1：根据需要确定电子系统测试优选的若干个优化目标和约束条件，记优化目标的数量为N，并设置测试方案的优化目标函数f_n(x)，n＝1,2,…,N，优化目标函数值越小，测试方案越优；S2：初始化迭代次数q＝1，并初始化种群中每个粒子的速度和位置Y表示种群中粒子数量；每个粒子的位置向量表示一种测试方案，当粒子位置向量中第m个元素为0时，表示粒子所对应测试方案中未选中第m个测试，当粒子位置向量中第m个元素为1时，表示粒子所对应测试方案中选中第m个测试，m＝1,2,…,M，M表示电子系统的测试数量；初始化种群时，初始种群中每个粒子的位置对应的测试方案需要满足测试优选的约束条件；令每个粒子的最优位置搜索当前种群中的非支配解，其集合即为帕累托最优集PS；S3：计算出帕累托最优集PS中每个粒子的分布密度值，采用轮盘赌选择算法选择得到一个粒子作为全局最优粒子Gbest，分布密度值越小，被选择概率越大，粒子分布密度值的计算方法如下：计算帕累托最优集PS中每个粒子对应的N个优化目标函数值f_n(x_k)，k＝1,2,…,K，K表示帕累托最优集PS中的粒子数量；每个粒子的N个优化目标函数值f_n(x_k)构成一个行向量，按照f₁(x_k)从小到大对K个行向量进行排列，得到优化目标函数矩阵F：其中，f₁(x₁)≤f₁(x₂)≤…≤f₁(x_K)；分别对优化目标函数矩阵F中的每一列的数据进行归一化：其中，表示f_n(x_k)对应的归一化值，分别表示优化目标函数矩阵F中第n个列向量中的最小值和最大值；令优化目标函数矩阵F中第1个行向量和第K个行向量对应粒子的密度值Dis(1)＝Dis(K)＝1，按照以下公式计算其余各个行向量对应粒子的密度值：Dis(k′)＝||Z(k′+1)‑Z(k′‑1)||其中，1＜k′＜K，Z(k′+1)、Z(k′‑1)分别表示优化目标函数矩阵Z中第k′+1、k′‑1个行向量，|| ||表示范数；将K个粒子的密度值Dis(k)采用以下方式归一化：其中，Dis*(k)表示Dis(k)的归一化值，分别表示K个粒子的密度值中的最小值和最大值；归一化后的密度值Dis*(k)即为帕累托最优集PS中第k个粒子的分布密度值；S4：对每个粒子采用以下公式分别对其速度和位置进行更新：其中，为粒子i中第m个元素在第q次、第q+1次迭代的速度，m＝1,2,…,M；V_{min_m}和V_{max_m}是对粒子速度的最低和最高限制；ω表示惯性因子；c₁、c₂为加速常数；r₁、r₂是0到1之间的随机数；为粒子i中第m个元素在第q次、第q+1次迭代的位置；rand()表示随机数；S5：计算当前种群中每个粒子对应的各个优化目标函数值；S6：如果更新后的第i个粒子所对应测试方案不满足测试优选的约束条件，则不作任何操作，如果满足约束条件，则判断其当前位置是否支配其最优位置Pbest_i，如果是，则更新最优位置Pbest_i为当前位置，否则不更新；S7：找出当前种群中的所有非支配解，加入帕累托最优集PS，如果当前帕累托最优集PS中粒子数量小于等于种群粒子数量Y，不作任何操作，否则需要删除多余粒子，其方法为：计算帕累托最优集PS中每个粒子的分布密度值，采用轮盘赌算法从当前帕累托最优集PS中选择Y个粒子，分布密度值越大，被选择概率越大；S8：判断是否达到预设的迭代结束条件，如果达到，则测试优选结束，帕累托最优集PS中的每个粒子的位置即为一个测试优选方案，否则进入步骤S9；S9：令q＝q+1，返回步骤S3。