[发明专利]基于多目标遗传规划算法的序贯测试优化方法

摘要

本发明公开了一种基于多目标遗传规划算法的序贯测试优化方法，首先初始化得到故障诊断树种群，采用多目标遗传规划的方法对故障诊断树进行选择、交叉和变异，在每代迭代时，对故障诊断树个体进行分组，每个个体的适应度由分组适应度和拥挤距离计算得到，经过多次迭代后从最终代种群中选择非支配的个体作为本系统序贯测试的非支配故障诊断树。本发明可以得到存在多个测试指标作为优化目标的序贯测试的故障诊断树的Pareto最优解，供系统测试人员选择，从而为系统测试人员提供指导。

主权项

一种基于多目标遗传规划算法的序贯测试优化方法，其特征在于，包括以下步骤：S1：根据系统的测试依赖矩阵随机生成H个故障诊断树，H的大小根据需要确定；S2：令迭代次数w＝1；S3：分别计算种群中每个个体的测试指标值Fhr，h＝1,2,…,H，r＝1,2,…,R，R表示测试指标的数量；根据测试指标值Fhr对种群中的个体进行分组，分组的具体步骤包括：S3.1：初始化集合A等于当前种群，令分组序号v＝1；S3.2：从集合A中搜索每个测试指标值Fhr极值对应的个体，如果测试指标的优化目标是尽可能大，则选择最大值对应的个体，如果测试指标的优化目标是尽可能小，则选择最小值对应的个体；S3.3：从集合A中筛选出未被测试指标值Fhr极值支配的个体；S3.4：将本轮筛选中步骤S3.2和步骤S3.3得到的个体构成第v个分组，并将该分组中的个体从集合A中删除；S3.5：判断是否集合A为空，如果是，分组结束，否则进入步骤S3.6；S3.6：令v＝v+1，返回步骤S3.2；S4：计算当前种群中每个个体的适应度值λh＝αh‑0.5βh，其中αh＝0.5(V‑vh+1)，vh表示个体h所属的分组序号，Gh表示个体h所属分组中除该个体以外其他个体构成的集合，γhh′表示拥挤距离，其计算公式如下：其中，δshare表示预设距离阈值，h′∈Gh；S5：根据步骤S4计算的各个个体的适应度，选择得到父个体集合；S6：将父个体集合中的个体随机分为H/2组，然后以组为单位，比较每组中的两个个体是否存在故障集相同的结点，如果某组中的两个个体不存在故障集相同的结点，则该组不进行交叉操作，如果某组中的两个个体存在故障集相同的结点，首先删除大小等于M‑1或等于1的相同故障集，M表示系统故障集S中故障数量，在剩余的相同故障集中任意选择一个故障集，交换该故障集结点及其子树；S7：对交叉后得到的个体进行变异操作，其变异方法为：对于种群中的每个个体，随机选择一个节点，若该节点只包含一个故障，则重新选择，若该节点包含若干个故障且有能分割对应故障集的可用测点，则从该节点的可用测点中随机选择一个与之前使用过的测点都不相同的测点，将以该节点为根节点的子树从故障诊断树中删除，用新选出的测点重新生成相应的子树；S8：判断是否w＜W，W表示最大迭代次数，如果是，进入步骤S9，否则进入步骤S10；S9：令w＝w+1，返回步骤S3；S10：从最终代种群中搜索每个测试指标值Fhr极值对应的个体，再筛选出未被测试指标值Fhr极值支配的个体，作为本系统序贯测试的非支配故障诊断树。