[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

摘要

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。

主权项

1.一种基于效用函数的系统级测试性设计多目标优化方法，其特征在于，包括以下步骤：S1：根据电子系统的实际情况确定影响因素，记影响因素向量X＝[x₁,x₂,…,x_D]，其中x_d表示第d个影响因素的归一化值，d＝1,2,…,D，D表示影响因素的数量；记需要优化的目标数量为M，确定每个优化目标的目标函数f_m(X)，m＝1,2,…,M，目标函数值越小，影响因素的组合越优；S2：根据需要设置N个权重向量其中，表示权重向量W_i的第m个元素值，i＝1,2,…,N；两两计算权重向量之间的欧式距离，对于第i个权重向量，获取与其欧式距离最小的前G个权重向量作为第i个权重向量的邻居权重向量，从而得到第i个权重向量的邻居集合B(i)＝{i₁,i₂,…,i_G}，i_g表示第i个权重向量第g个邻居权重向量的序号，g＝1,2,…,G；S3：初始化每个权重向量W_i对应的效用函数π_i＝1；S4：将影响因素向量X＝[x₁,…,x_D]作为种群个体，对种群进行初始化，记种群大小为N；令迭代次数S＝1；S5：计算初始种群中每个个体对应的M个目标函数f_m(X_i)的值，确定各个目标函数的理想参考值z_m＝min{f_m(X₁),f_m(X₂),…,f_m(X_N)}，得到初始理想参考点Z＝(z₁,z₂,…,z_M)^T，T表示转置；S6：根据效用函数π_i从小到大对当前种群中个体进行排序，选择前K个个体，记这K个个体的集合为φ，其中K的大小根据实际需要确定；S7：初始化个体序号i＝1；S8：判断是否X_i∈φ，如果是，进入步骤S9，否则进入步骤S11：S9：在[0,1]范围内生成一个随机数rand，如果rand＜δ，δ表示预设的选择池概率，则令个体选择池E＝B(i)，否则令E＝{1,2,…,N}；S10：采用以下方法基于个体X_i进行种群进化：S10.1：从个体选择池E随机选择一个序号r，将个体X_i和X_r作为父代个体进行交叉和变异操作，产生两个子代个体y₁和y₂，分别根据以下公式计算两个子代个体的适应度值g(y_v|W_i,Z)：其中，v＝1,2；如果g(y₁|W_i,Z)≤g(y₂|W_i,Z)，则令进化目标个体Y＝y₁，否则令进化目标个体Y＝y₂；S10.2：计算进化目标个体Y对应的M个目标函数f_m(Y)的值，构成目标函数向量F(Y)＝(f₁(Y),f₂(Y),…,f_M(Y))；S10.3：对于当前的理想参考点Z＝(z₁,z₂,…,z_M)^T中的每个理想参考值，如果z_m＞f_m(Y)，则令z_m＝f_m(Y)，否则不作任何操作；S10.4：根据以下公式计算进化目标个体Y和当前种群中各个个体X_j的适应度差值U_j：U_j＝g(X_j|W_j,Z)‑g(Y|W_j,Z)选择适应度差值U_i最大的个体X_i，采用进化目标个体Y对其进行更新；S11：判断是否i＜N，如果是，进入步骤S12，否则进入步骤S13；S12：令个体序号i＝i+1，返回步骤S8；S13：判断是否迭代次数S＜S_max，S_max表示预设最大迭代次数，如果是，则进入步骤S14，否则进入步骤S17；S14：令迭代次数S＝S+1；S15：判断是否迭代次数S％S_π＝0，％表示求余，S_π表示预设的效用函数值的更新周期，如果是，进入步骤S16，否则不作任何操作，返回步骤S6；S16：采用以下公式对每个效用函数π_i进行更新：其中，Δ_i表示当前种群中第i个个体X_i适应度值的相对降低数，采用以下公式进行计算：其中，g(X_i|W_i,Z)表示当前种群中第i个个体X_i的适应度值，表示前Q代种群中第i个个体的适应度值；返回步骤S6；S17：从当前种群中删除被支配个体，剩余的个体集合即作为影响因素向量的帕累托最优解集，每个个体对应一个影响因素向量。