[发明专利]系统级测试性设计多目标优化方法

摘要

本发明公开了一种系统级测试性设计多目标优化方法，首先基于遗传算法搜索目标函数极值及其对应的影响因素向量，然后将获得到的目标函数的极值分别作为对应坐标轴的截距，得到最优解平面，从最优解平面中选取参考点，然后在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集。采用本发明，可以在保证得到最优解的同时，提高算法收敛速度。

主权项

一种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,…,xN]，其中xi表示第i个影响因素的归一化值，i＝1,2,…,N，N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fj(X)，j＝1,2,…,M，目标函数值越小，影响因素的组合越优；S2：令j＝1；S3：基于遗传算法搜索目标函数fj(X)极值及其对应的影响因素向量X，其具体步骤包括：S3.1：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent1；S3.2：对当前种群parent1中的个体进行交叉、变异操作，生成下一代种群child1；S3.3：将种群parent1和种群child1合并放入集合combine1，记集合combine1中个体数量为K，计算集合combine1中每个个体Xk的适应度值，k＝1,2,…,K，个体适应度值fitnessj(Xk)的计算公式如下：fitnessj(Xk)=min(f1(Xk)2+...+fj-1(Xk)2+fj+1(Xk)2+...+fM(Xk)2,fj(Xk)2×10-3)]]>S3.4：从集合combine1中优选出K个个体，构成新的种群parent1；S3.5：计算当前种群parent中所有个体适应度值的方差σ1，如果σ1小于预设阈值，进入步骤S3.6，否则返回步骤S3.2；S3.6：从当前种群中搜索出适应度值最小的个体，作为最优个体其对应的目标函数值即为目标函数fj(X)的极值fj*；S3：如果j＜M，进入步骤S5，否则进入步骤S6；S5：令j＝j+1，返回步骤S3；S6：在极值和参考点的引导下，进行帕累托最优解查找，获取帕累托最优解集，其具体步骤包括：S6.1：将获得的M个优化目标的极值fj*分别作为对应第j个坐标轴的截距，构造M维平面，选取平面上D个参考点，构成参考点集合P＝{p1,p2,…,pD}，其中每一个参考点pd都是一个M维向量，且满足平面方程，其中d＝1,2,…,D；将各个参考点到坐标原点的直线作为参考线，得到参考线集L＝{l1,l2,…,lD}，其中参考线ld表示参考点pd到原点的直线；S6.2：将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体，初始化遗传算法的种群，将初始种群记为集合parent2，其个体数量为D，其中M个个体为步骤S3得到的M个最优个体其余个体由M个最优个体通过正态分布产生；S6.3：对当前种群parent2中的个体进行交叉、变异操作，生成下一代种群child2；S6.4：将种群parent2和种群child2合并放入集合combine2，记集合combine2中个体数量为Q，计算集合combine2中每个个体Xq对于每条参考线的适应度值，q＝1,2,…,Q，个体对于每条参考线的适应度值fitd(Xq)的计算公式如下：fitd(Xq)＝||Fq||×10‑6+dis(Fq,ld)其中，Fq表示个体Xq对应的M个目标函数值fj(Xq)所构成的向量，||Fq||表示Fq的范数，dis(Fq,ld)表示Fq到参考线ld的欧式距离；S6.5：分别对参考线ld找出其对应的fitd(Xq)中最小值对应的个体，从而得到D个个体，构成新的种群parent2，将对应的fitd(Xq)作为个体的适应度值fit(Xq)；S6.6：计算当前种群parent2中所有个体适应度值fit(Xq)的方差σ2，如果σ小于预设阈值，进入步骤S6.7，否则返回步骤S6.3；S6.7：将当前种群parent作为帕累托最优解集。