[发明专利]一种基于多目标优化的复杂系统序贯测试序列生成方法

权利要求书

1.一种基于多目标优化的复杂系统序贯测试序列生成方法，其特征在于，包括以下步骤：

(1)、构建故障测试模型H；

H＝{S,T,D,P,TC,MC,VC,IC}

其中，S表示待测系统出现的各种故障集，S＝{s₁,s₂,…,s_i,…,s_m}，s_i表示第i种故障；T表示待测系统的所有可用测试集，T＝{t₁,t₂,…,t_j,…,t_n}，t_j表示第j个可用测试；P表示待测系统发生某个故障的先验概率集，P＝{p₁,p₂,…,p_i,…,p_m}，p_i表示出现故障s_i的先验概率；TC表示与T对应的测试的时间集合，TC＝{tc₁,tc₂,…,tc_j,…,tc_n}，tc_j表示开展测试t_j所需要的时间；MC表示与T对应的测试的成本集合，MC＝{mc₁,mc₂,…,mc_j,…,mc_n}，mc_j表示开展测试t_j的成本；VC表示与T对应的测试的体积集合，VC＝{vc₁,vc₂,…,vc_j,…,vc_n}，vc_j表示为了可以开展测试t_j，对电路体积产生的增量；IC为故障隔离率矩阵，具体表示为：

其中，ic_ij表示可用测试t_j对故障s_i的检测率，ic_ij∈[0,1]；D为故障依赖矩阵，具体表示为：

其中，d_ij表示故障s_i在可用测试t_j下的测试信息，d_ij＝0或d_ij＝1，当d_ij＝0时，表示待测系统中发生故障s_i时不能通过可用测试t_j检测出来；当d_ij＝1时，表示待测系统中发生故障s_i时能够通过可用测试t_j检测出来；

(2)、使用蒙特卡洛模拟法获取正态参数；

(2.1)、设定蒙特卡洛模拟的最大次数N，初始化当前模拟次数k＝1；将故障集S作为初始节点node；

(2.2)、以随机使用测试的方式对初始节点node进行拓展获得决策树Tree_k以及测试使用矩阵W^k，其中，W^k具体表示为：

其中，表示第k次模拟时故障s_i对可用测试t_j的使用信息，或当时，表示可用测试t_j被用于隔离故障s_i；当时，表示可用测试t_j未被用于隔离故障s_i；

(2.3)、根据W^k计算Tree_k的五个指标：具体定义为：

其中，“|”表示数字逻辑的或运算；

(2.4)、令k＝k+1，重复步骤(2.2)和(2.3)直至k＝N；

(2.5)、计算得五个指标的均值矩阵μ和协方差矩阵具体为：

μ＝|μ₁ μ₂ … μ_e … μ₅|

其中，μ_e表示第e个指标的均值，且满足1≤e≤5；

其中，表示第e个指标和第y个指标的协方差，满足1≤y≤5；

(2.6)、计算获得的逆矩阵

(3)、利用蚁群算法生成决策树；

(3.1)、设定蚂蚁序号为v，初始化v＝1；迭代次数为g，初始化g＝1；建立信息素矩阵τ，τ是三维数组，具体为：

其中，表示第g次迭代时在第i₀次拓展时使用t_j的信息素浓度，初始化1≤i₀≤m-1；

建立权重矩阵β，具体为：

β＝|β₁ β₂ … β_e … β₅|

其中，β_e表示第e个指标的权重，初始化β_e＝1；

(3.2)、建立记录数组R；

(3.3)、遍历第v个蚂蚁；

(3.3.1)、建立启发矩阵θ；

其中，表示在第i₀次拓展时使用t_j的启发值，初始化

建立节点集合Node，建立初始节点node₁＝S，初始节点状态为“未标记”，初始化Node＝{node₁}，建立决策树Tree₁，初始化Tree₁只包含node₁；

(3.3.2)、树的生成，循环i₀次，初始化i₀＝1

(3.3.2.1)、计算Node中每一个未被标记的节点所包含的故障的概率之和，选出其中包含故障概率最大的节点，记为node^*

(3.3.2.2)、先计算的测试使用矩阵再按照步骤(2.3)计算得的五个指标

(3.3.2.3)、各测试启发值计算，初始化j＝1

(3.3.2.3.1)、若t_j无法对node^*包含的故障分隔，则直接进入步骤(3.3.2.3.3)，否则进入(3.3.2.3.2)；

(3.3.2.3.2)、使用测试t_j对node^*进行节点拓展，获得第i₀次循环时第j个测试对应的决策树再按照步骤(2.3)计算得的五个指标然后计算；

(3.3.2.3.3)、j＝j+1，重复(3.3.2.3.1)和(3.3.2.3.2)直至j＝n；

(3.3.2.4)、对按照轮盘赌规则选择测试t_j，再利用测试t_j对node^*进行拓展，拓展后变为拓展新产生的左右子节点记为和将和计入Node数组，状态记为“未标记”，同时将node^*的状态改为“标记”；

(3.3.2.5)、令i₀＝i₀+1，重复(3.3.2.1)到(3.3.2.4)直至i₀＝m-1；

(3.3.3)、按照步骤(2.3)计算得Tree_m-1的五个指标然后将五个指标计入数组R的第v行，具体为：

(3.4)、重复(3.3)直至

(3.5)、根据R更新β，具体为：

先根据R计算各目标平均值表示第e个目标在第g次迭代时的平均值；

再根据和计算中间参量表示第e个目标在第g次迭代时的中间参量；

最后根据更新β：

(3.6)、根据R和τ^g计算τ^g+1：

先根据R计算学习增量矩阵Δτ^g，具体为：

其中，表示第_g次迭代时于第v个蚂蚁对信息素的i₀行j列产生的增量；

再根据Δτ^g计算Δ^g：

其中，表示第_g次迭代时全部蚂蚁对信息素的i₀行j列产生的增量，具体计算方式如下：

最后根据τ^g和Δ^g计算τ^g+1，具体计算方式如下：

(3.7)、令g＝g+1，重复(3.2)-(3.6)直至

(3.8)、代的只蚂蚁生成的|棵决策树，作为最终生成的序贯测试序列。