下公式（7)和公式（8)进行更新：
[0058] 其中，ω表示历史系数，由系统随机产生；Cl表示认知系数，一般取值2. 0，c2表示 社会系数一般取值2. 0 和^7?^表示随机扰动参数，由系统随机产生，1表示进化 迭代的次数；
[0059] S304 :约束条件验证：
[0060] 对步骤S303进化得到的粒子进行约束条件验证，满足约束条件的粒子不作任何 操作，否则将粒子恢复成未更新前的位置。
[0061] S305 :计算每个粒子的函数适应值：
[0062] 计算步骤S304得到的每个粒子的函数适应值，即计算每个粒子对应的系统整体 测试代价Ηγ,)。
[0063]S306:更新每个粒子历史最优位置：
[0064] 对于每个粒子，如果当前的函数适应值比其历史最优位置更好，则以当前位置作 为历史最优位置pBestq，否则pBestq保持不变。
[0065] S307 :更新全局最优粒子：
[0066] 遍历每个粒子，如果该粒子的历史最优位置对应的函数适应值比全局最优要好， 则以该粒子的历史最优位置作为全局最优粒子gBest。
[0067] S308 :判断是否达到结束条件，结束条件通常有两种：进化次数达到预设阈值，或 相邻两个全局最优粒子的差距小于预设阈值。如果达到结束条件，进化结束，以当前全局最 优粒子作为测试性指标分配结果，否则进入步骤S309。
[0068]S309:令迭代进化次数τ=τ+1，返回步骤S303。
[0069] 实施例
[0070] 为了说明本发明的技术效果，采用一个具体的系统进行实验验证。在测试性指标 中，需要进行分配的指标主要是故障隔离率（FIR)、故障检测率（FDR)，其他可测试指标一 般不用分配，如系统级的虚警率要求的范围大多数在1%~3%，分配给各组成部分的分配 值也相差不多，所以可用系统级要求作为各组成部分的要求。故障检测与隔离时间是与使 用和准备状态密切相关的，不需要进行分配。故障隔离时间是故障平均修复时间的组成部 分，维修性分配中已考虑了，不需要再另行分配。因此本实施例采用故障检测率为例进行说 明。
[0071] 表2是本实施例系统的任务剖面模块与多信号模块的关联矩阵。
[0072]
[0073] 表 2
[0074] 该系统的相关数据如下：
[0075] (1)根据表2可知，任务数N= 6,模块数Μ= 20。
[0076] 本实施例中以故障检测率（FDR)为例进行说明，6个任务的FDR最低要求分别为： FDRlnin= 90%、FDR2_= 95%、FDR3nin= 92%、FDR4nin= 98%、FDR5nin= 93%、FDR6nin = 88%。为了简化计算，设置各模块的FDR最低要求均为0。
[0077] (2)每个模块的平均无故障时间（单位：小时）分别为：α1= 1900、α2= 1940、 α3= 1800、α4= 1800、α5= 1900、α6= 1920、α7= 1840、α8= 1940、α9= 1800、α10 =1800、αη= 1900、α12= 1920、α13= 1900、α14= 1940、α15= 1800、α16= 1800、 α17= 1900、α18= 1920、α19= 1900、α2。= 1940。
[0078] (3)本实施例中采用五种测试性代价因子，包括BIT(Built-intest，机内测试） 体积因子cj、bit重量因子、bit设计成本?1、BIT使用维护费用、BIT故障系数 。表3是本实施例中各模块的测试性代价因子。
[0079]
[0080] 表 3
[0081] 五种测试性代价因子的权重分别为％= 0. 125、W2= 0. 125、W3= 0. 1875、W4= 0· 25、W5= 0· 3125〇
[0082] 根据以上信息，可计算得到各个模块的综合测试代价。以模块1为例，其综合测试 代价λ:
[0108] 采用粒子群算法对上式进行优化求解，其中f(y,)作为粒子群算法的优化目标， 即粒子群算法中的适应度函数，不等式则作为约束条件。
[0109] 将5000个粒子经过5000次迭代进化后得到测试性指标分配结果：γ1、γ2 = 1、Υ3= 1、Υ4=1、Υ5=1、Υ6=1、Υ7=〇· 3853、γs= 1、γ9=1、γ10= 1、γη = 1、γ12= 0· 8124、γ13= 0、γ14= 1、γ15= 0· 999、γ16= 1、γ17= 1、γ18= 1、γ19= 1、 γ20= 1。其测试成本f(T」）=42.0246。
[0110] 为了验证结果的正确性，采用matlab仿真得到测试性指标分配结果：γ1= 1、γ2 =1、γ3= 1、γ4= 1、γ5= 1、γ6= 1、γ7= 〇· 3863、γs= 1、γ9= 〇· 7989、γ10 = 0· 9990、γη= 1、γ12= 1、γ13= 0、γ14= 1、γ15= 1、γ16= 1、γ17= 1、γ18= 1、γ19 =1、γ2〇= 1。其测试成本f(γΡ= 41. 9907。
[0111] 对比本发明和matlab仿真结果可知，通过粒子群算法计算所得的结果与通过 matlab仿真计算所得结果误差在0.01以内，即证明的本算法的正确性。虽然粒子群算法有 一定的随机性，但给予足够大的粒子数目和足够多的进化次数可以保证结果的准确性，而 且粒子群算法通用性较强，计算机的运行速度足以满足粒子群算法的效率。
[0112] 尽管上面对本发明说明性的【具体实施方式】进行了描述，以便于本技术领域的技术 人员理解本发明，但应该清楚，本发明不限于【具体实施方式】的范围，对本技术领域的普通技 术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些 变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
【主权项】
1. 一种多任务测试性指标分配方法，其特征在于，包括W下步骤： 51 :根据任务模型树和产品结构树得到任务数量N和模块数量M，通过多任务模型得到 任务与模块的关联标识ki,，当ki,= 1时表示模块j属于任务i，当k。= 0时表示模块j不 属于任务i，i表示任务序号，取值范围为i= 1，2，···，Ν，j表示模块序号，取值范围为j= 1,2, -,Μ； 得到各任务和模块对测试性指标的最低要求，包括每个任务i的指标最低要求Fimi。和 每个模块j的指标最低要求F，mm;统计得到每个模块的平均无故障时间α获得各模块的 测试性代价因子〇；%其中(1表示测试性代价因子的种类序号，其取值范围为(1 = 1，2,…，D， D表示测试性代价因子的种类数量；设置各种测试性代价因子的权重Wd; 52 :计算每个模块的综合测试代价λ53 :采用粒子群算法对W下模型进行求解，得到各模块的测试性指标分配结果：其中，丫，表示模块j分配的测试性指标。2. 根据权利要求1所述的多任务测试性指标分配方法，其特征在于，所述测试性代价 因子包括BIT体积因子、B口重量因子、B口设计成本、B口使用维护费用、B口故障系数。3. 根据权利要求1所述的多任务模型测试性指标分配方法，其特征在于，所述步骤S3 中粒子群算法对模型求解的具体步骤包括： S3. 1:将模块的测试性指标分配结果丫 1，丫 2，···，丫Μ作为粒子，按照模块指标约 束条件Τ1随机初始化Q个粒子的速度向量戸g=户>92，...，<]和位置 Xg= 皆]，q= 1，2,…，Q，并将每个粒子的历史最优位置地estq设为当前位置， Q个粒子中最优个体作为全局最优粒子浊est; S3. 2 :初始化迭代进化数次τ= 1 ; S3. 3 :对每个粒子的第j维的速度和位置分别按照W下公式进行更新：其中，ω表示历史系数，C康示认知系数，C康示社会系数，和/'。加/表示随机 扰动参数，τ表示进化迭代的次数； S3. 4 :对步骤S3. 3进化得到的粒子进行约束条件验证，满足约束条件的粒子不作任何 操作，否则将粒子恢复到未更新前的位置； S3. 5 :计算步骤S3. 4得到的每个粒子的函数适应值，即计算每个粒子对应的系统整体 测试代价f(丫，）； S3. 6 :对于每个粒子，如果当前的函数适应值比其历史最优位置更好，则W当前位置作 为历史最优位置地estq，否则地estq保持不变； S3. 7 :遍历每个粒子，如果该粒子的历史最优位置对应的函数适应值比全局最优要好， 则W该粒子的历史最优位置作为全局最优粒子浊est; S3. 8 :判断是否达到结束条件，如果达到结束条件，进化结束，W当前全局最优粒子作 为测试性指标分配结果，否则进入步骤S3. 9 ; 83.9:令迭代进化次数1 = 1+1，返回步骤53.3。
【专利摘要】本发明公开了一种多任务测试性指标分配方法，首先获取相关数据，包括任务数量、模块数量、任务与模块的关联标识，各任务和模块对测试性指标的最低要求，各个模块的平均无故障时间、测试性代价因子，以及各种测试性代价因子的权重，根据以上数据计算得到每个模块的综合测试代价，然后建立测试性指标分配的数学模型，采用粒子群算法对模块进行求解，从而得到各模块的测试性指标分配结果。本发明针对多任务模型中任务与模块存在多对多映射的情况，建立相应的测试性指标分配数据模型，使得分配后的测试性指标不仅满足各模块的要求，也可以满足各任务对测试性指标的要求，并使测试代价最小，从而降低系统的研制成本和维护成本。
【IPC分类】G06F11/36
【公开号】CN105243021
【申请号】CN201510738658
【发明人】杨成林, 成鹏, 林干 , 龙兵
【申请人】电子科技大学
【公开日】2016年1月13日
【申请日】2015年11月3日