(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110249020.2 (22)申请日 2021.03.08 (65)同一申请的已公布的文献号 申请公布号 CN 112883651 A (43)申请公布日 2021.06.01 (73)专利权人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 杨成林　高亮亮　鲜航　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 温利平 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/12(2006.01) (56)对比文件 CN 109597 758 A,2019.04.09 CN 110908897 A,2020.0 3.24 CN 109858093 A,2019.0 6.07 US 2005038762 A1,20 05.02.17王丽萍等.动态惩罚分解策略下的高维目标 进化算法. 《小型微型计算机系统》 .2018,(第10 期),28-35页. Yi Xiang等.A vector angle-based evolutuionary algorithm for un ocnstrai ned many-objective optimizati on. 《IEEE transacti ons on evolutionary computati on》 .2017,第21卷(第1期), 王俊年等.改进的约束 优化多目标遗传算法 及工程应用. 《计算机 工程与应用》 .20 06,(第03 期),247-25 3页. Qisheng z hang等.A modified PBI approach for multi-objective optimizati on with complex pareto fro nts. 《Swarm and Evolutioary Computati on》 .2018,第40卷 俞国燕等.一种用于多目标约束 优化的改进 进化算法. 《计算机集成制造系统》 .20 09,(第06 期),1173-1178页. (续) 审查员 周涯波 (54)发明名称 基于改进PBI方法的系统级测试性设计多目 标优化方法 (57)摘要 本发明公开了一种基于改进PBI方法的系统 级测试性设计多目标优化方法， 首先初始化一组 均匀分布的参考向量， 并为每个参考向量计算其 惩罚因子， 然后基于遗传算法迭代搜索最优影 响 因素向量， 在搜索过程中对惩罚因子进行递增， 联合目标函数值和改进PBI函数值来优选得到新 种群， 并对新种群进行个体补选操作， 在终代种 群中删除被支 配解， 即得到影 响因素向量的帕累 托最优解集。 采用本发明可以在保证得到最优解 的同时， 提高收敛效果以及影 响因素向量的帕累 托最优解的均匀性， 从而合理配置影响因素， 达 到测试性优化设计的目的。 [转续页] 权利要求书2页 说明书13页 附图5页 CN 112883651 B 2022.07.26 CN 112883651 B (56)对比文件 王丽萍等.基 于角度惩罚距离精英 选择策略 的偏好高维目标优化 算法. 《计算机学报》 .2018, (第01期),238-25 5页. yang chenglin等.PBI functi on based evolutionary algorithm w ith precise penalty parameter for unco nstrained many- objective optimizati on. 《Swarm and Evolutioary Computati on》 .2019,第5 0卷 邹宇.基于PBI函数的多目标进化 算法研究. 《中国优秀硕士学位 论文全文数据库 信息科技 辑》 .2020,(第7期),I140 -145.2/2 页 2[接上页] CN 112883651 B1.一种基于改进PBI方法的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： 根据反坦克导弹发射系统的实际情况确定影响因素， 包括测试相关性系数、 测试漏 检概率、 测试虚警概率、 故障先验概率、 错诊代价、 漏诊代 价、 测试费用， 记影响因素向量X＝ [x1,…,xD]， 其中xd表示第d个影响因素的归一化值， d＝1,2, …,D， D表示影响因素的数量； 优化目标包括最大化 故障检测率FDR， 最小化虚警率FAR以及测试成本C， 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fm(X)， m＝1,2, …,M， 目标函数值越小， 影响因素的 组合越优； S2： 设置N个参考向量 其中 表示参考向量Wi的第m个元素值， i ＝1,2,…,N； S3： 对于每个参考向量Wi， 计算其与M维搜索空间中每个坐标轴的夹角的正切值θi,m， 然 后取M个夹角正切值θi,m中的最大值， 作为 参考向量Wi对应的惩罚因子初始值θi； S4： 将影响因素向量X＝[x1,…,xN]作为遗传算法中的个体， 在影响因素向量的取值空 间Ω中随机生成N个 影响因素向量构成遗传算法的初始种群P； S5： 判断是否达到遗传算法的迭代结束条件， 如果是， 则迭代结束， 进入步骤S15， 否则 进入步骤S6； S6： 对当前种群P中的个 体进行交叉、 变异操作， 生成子种群Q； S7： 将种群P和种群Q 合并放入集 合S； S8： 分别计算集合S中每个个体对应的每个优化目标的目标函数值fj(Xk)， k＝1,2, …, 2N； S9： 对集合S中的个体进行非支配排序， 将不被其他个体所支配的非支配个体构成集合 Snd， 其余被其他个体所支配的支配 个体构成集 合Sd； S10： 对于每个目标函数fj(X)， 从非支配个体集合Snd中每个个体对于该目标函数的值 中筛选最大值 和最小值 然后根据以下公式对每个个体的目标函数值fj(Xk)进行归 一化， 得到归一 化后的目标函数值 S11： 基于改进PBI方法优选得到新种群， 具体方法如下： S11.1： 分别在各个权向量下计算集合S中每个个体的PBI函数值g(Xk|Wi,Z*)， 计算公式 如下： g(Xk|Wi,Z*)＝d1(k,i)+θid2(k,i) 其中， 权　利　要　求　书 1/2 页 2 CN 112883651 B 3