基于自适应学习算法的多状态系统可靠性分析方法及系统的制作方法
【技术领域】
[0001] 本发明涉及软件系统技术领域，尤其涉及一种基于自适应学习算法的多状态系统 可靠性分析方法及系统。
【背景技术】
[0002] 在一个复杂的软件系统中，一个部件可能承担多项任务，部件对一个任务失效的 同时，对其他任务可能完成的很好。所W同一个部件在同一时期的不同系统分支中，可W承 担不同的任务角色，从而表现出一种多状态系统现象。在多状态系统可靠性估计中，一般需 要知道部件的可靠性，从而根据系统的结构估计出系统的可靠性。但是，由于高可靠性产品 失效为小概率事件或者可靠性试验时的环境和使用环境不完全相同等因素，使得获得部件 可靠性具有一定的模糊性。在该些情况下，更适合通过模糊数的模糊运算对系统的可靠性 进行估计。系统模糊可靠性理论是模糊数学与系统可靠性相结合产生的产物，研究的是系 统可靠性分析中的模糊现象，对常规可靠性设计的一个有益的补充，也是目前占主流的处 理模糊不确定性问题的方法。因此从多状态理论和模糊状态理论出发去处理大型复杂系统 必将成为系统可靠性研究的重点之一，它已经成为众多学者致力研究的方向。
[0003] 在多状态系统可靠性方面，近年来，人们进行了大量的研究和试验，提出了多种可 靠性分析方法，并将其他领域的技术引入到可靠性分析上，该些方法对于多状态系统的可 靠性分析具有一定的适用性。但总的来说，多状态可靠性分析方法还有待进一步研究和完 善，面对日益复杂的多状态系统与越来越精确的可靠性分析方法，多状态系统参数值的精 确度成为影响多状态系统可靠性的主要因素，多状态系统动态变化状态的参数值最优化仍 然是多状态系统可靠性分析的关键难点问题。
[0004] 基于参数评估的多状态系统可靠性分析方法是近年来提出的较新的基于参数最 优值的多状态系统可靠性分析方法，它主要通过计算智能算法评估多状态系统的模糊参数 值，然后通过一定的技术手段来进行多状态系统可靠性分析，但目前基于模糊参数值的多 状态系统可靠性分析仍然不够成熟，主要面临如下问题：
[0005] (1)由于多状态系统动态变化状态的存在，当多状态系统状态发生变化时，原有 的模型的各种参数如阔值等不再适用，必须对系统参数重新在模型上标注，因此多状态系 统模型的适应性有待提高，需要系统化的模型进行支撑。
[0006] (2)多状态系统可靠性模型本身的参数值一般是依靠人工经验确定，该样就易将 人工经验的不确定性添加在算法中，影响算法的准确性。
[0007] (3)总的来说，多状态系统理论框架虽初见端倪，但是对于现实的各种多状态系统 的可靠性分析还缺乏通用的模型。目前仅能采用一些特殊的技术方法解决一些类别的多状 态系统。模糊可靠性理论无论在理论研究方面还是工程应用方面都还处于初始发展阶段， 一般系统的模糊可靠性模型尚没有明确的物理定义。针对多状态系统的模糊可靠性更为复 杂，还没有通用合理的计算分析模型。
【发明内容】
[0008] 基于上述问题，本发明提供一种基于自适应学习算法的多状态系统可靠性分析方 法及系统，通过建立多状态系统petri网模型，并对模型的参数进行自适应地学习，从而达 到准确评估多状态系统可靠性的目的。
[0009] 根据上述目的，本发明的一个方面提供一种基于自适应学习算法的多状态系统可 靠性分析方法，其特征在于，所述方法包括：
[0010] S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度 的初始值；
[0011] S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差 值；
[0012] S3、判断所述系统可靠度误差值是否小于阔值，是则结束，否则执行下一步；
[0013] S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要 度；
[0014] S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。
[0015] 其中，所述多状态petri网模型建立为：
[001 引 S脈pN=〈P, D, T, I, 0, a , T h, T〉，
[0017] 其中，P = IP。P2. . . . P。}为库所结点的有限集合；T =咕，t2. . . . U为变迁结点 的有限集合；D表示节点命题的有限集合；I为输入矩阵，0为输出矩阵，a表示库所对应命 题的重要度，Th表示状态变化过程时节点之间的依赖度；X表示变迁的平均实施速率。
[0018] 其中，所述粒子群算法的公式为：
[0019] V。二 w*V n-i+cl*rand* (pBest-Pre)+c2*rand* (gBest-Pre)
[0020] Pre = Pre+V,
[0021]
[0022] 其中，w表示调整权重，V表示调整速度；cl, c2表示学习因子，rand是[0, 1]之间 的随机数，用W调节调整速度的快慢；pBest表示当前依赖度；浊est表示当前重要度；Pre 表示当前调整位置。
[0023] 其中，所述步骤S4具体包括：
[0024] S41、根据上述粒子群算法调节当前节点k的依赖度，并根据调节后的依赖度计算 当前系统可靠度，并计算对应的当前系统可靠性误差值fk;
[00巧]S42、判断fk<fk-i，是则返回步骤S41，否则执行下一步；
[0026] S43、令k = k+1，并判断是否k<n，是则返回步骤S41，否则执行下一步，其中，n为 输入库所和中间库所的总个数赋值；
[0027] S44、判断fk是否小于等于阔值，是则结束，得到最优依赖度，否则执行下一步；
[0028] S45、判断当前调节依赖度次数是否超过设定次数，是，则执行下一步，否则返回步 骤 S41 ;
[0029] S46、将当前依赖度的值代入所述粒子群算法中，调节所述重要度，并根据调节后 的重要度计算当前系统可靠度，并计算对应的当前系统可靠度误差值fj.;
[0030] S47、判断是则返回步骤S46,否则执行下一步；
[0031] S48、令j = j+1，并判断是否j<n，是则返回步骤S46,否则执行下一步；
[0032] S49、判断fj.是否小于等于阔值，是则结束，得到最优依赖度，否则执行下一步；
[0033] S410、判断当前调节重要度次数是否超过设定次数，是，则执行下一步，否则返回 步骤S46 ;
[0034] S411、调节所述粒子群算法中的调整速度规则，执行步骤S4。
[0035] 其中，所述系统可靠度误差值的计算公式为：
[0036]
【主权项】
1. 一种基于自适应学习算法的多状态系统可靠性分析方法，其特征在于，所述方法包 括： 51、 建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初 始值； 52、 根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值； 53、 判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步； 54、 根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度； 55、 根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。
2. 根据权利要求1所述的方法，其特征在于，所述多状态petri网模型建立为： Smspn= <P，D，T，I，0, a，Th, τ >， 其中，P = (P1, P2. . . . PJ为库所结点的有限集合；T = It1, t2. . . . tm}为变迁结点的有 限集合；D表示节点命题的有限集合；I为输入矩阵，0为输出矩阵，α表示库所对应命题的 重要度，Th表示状态变化过程时节点之间的依赖度；τ表示变迁的平均实施速率。
3. 根据权利要求1所述的方法，其特征在于，所述粒子群算法的公式为： Vn= w*V ^!+cl^rand* (pBest-Pre)+c2*rand* (gBest-Pre) Pre = Pre+V， 其中，W表示调整权重，V表示调整速度；cl, c2表示学习因子，rand是[0, 1]之间的随 机数，用以调节调整速度的快慢；pBest表示当前依赖度；gBest表示当前重要度；Pre表示 当前调整位置。
4. 根据权利要求3所述的方法，其特征在于，所述步骤S4具体包括： 541、 根据上述粒子群算法调节当前节点k的依赖度，并根据调节后的依赖度计算当前 系统可靠度，并计算对应的当前系统可靠性误差值f k; 542、 判断，是则返回步骤S41，否则执行下一步； 543、 令k = k+Ι，并判断是否k〈n，是则返回步骤S41，否则执行下一步，其中，η为输入 库所和中间库所的总个数赋值； 544、 判断fk是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步； 545、 判断当前调节依赖度次数是否超过设定次数，是，则执行下一步，否则返回步骤 S41 ； 546、 将当前依赖度的值代入所述粒子群算法中，调节所述重要度，并根据调节后的重 要度计算当前系统可靠度，并计算对应的当前系统可靠度误差值f j; 547、 判断，是则返回步骤S46,否则执行下一步； 548、 令j = j+Ι，并判断是否j〈n，是则返回步骤S46,否则执行下一步； 549、 判断&是否小于等于阈值，是则结束，得到最优依赖度，否则执行下一步； 5410、 判断当前调节重要度次数是否超过设定次数，是，则执行下一步，否则返回步骤 S46 ； 5411、 调节所述粒子群算法中的调整速度规则，执行步骤S4。
5. 根据权利要求3所述的方法，其特征在于，所述系统可靠度误差值的计算公式为：
其中，匕表示节点X的系统可靠度，R sk为系统可靠度的样本值。
6. 根据权利要求4所述的方法，其特征在于，所述调节所述粒子群算法中的调整速度 规则包括调整所述粒子群算法中的rand的值。
7. -种基于自适应虚席算法的多状态系统可靠性分析系统，其特征在于，所述系统包 括： Petri网模型建立单元，用于建立多状态petri网模型，并分别设定所述petri网模型 中的依赖度和重要度的初始值； 误差值计算单元，根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠 度误差值； 误差值判断单元，判断所述初始误差值是否小于阈值，是则结束，否则执行下一步； 优化单元，根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重 要度； 可靠性估计单元，根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态 概率表。
【专利摘要】本发明涉及一种基于自适应学习算法的多状态系统可靠性分析方法及系统，所述方法包括：S1、建立多状态petri网模型，并分别设定所述petri网模型中的依赖度和重要度的初始值；S2、根据所述依赖度和重要度的值计算系统可靠度，然后计算系统可靠度误差值；S3、判断所述系统可靠度误差值是否小于阈值，是则结束，否则执行下一步；S4、根据粒子群算法依次调节所述依赖度和重要度，得到最优依赖度和最优重要度；S5、根据所述最优依赖度和重要度建立多状态系统的可靠性估计的状态概率表。本发明通过建立多状态系统petri网模型，并对模型的参数进行自适应地学习，从而达到准确评估多状态系统可靠性的目的。
【IPC分类】G06F19-00
【公开号】CN104537224
【申请号】CN201410799576
【发明人】姚淑珍, 张新菊
【申请人】北京航空航天大学
【公开日】2015年4月22日
【申请日】2014年12月19日