CN110704259B - 一种高效的数字微流控生物芯片测试路径优化方法 - Google Patents

Abstract

本发明涉及一种高效的数字微流控生物芯片测试路径优化方法，解决的是随机搜索方向上的盲目性高的技术问题，通过采用步骤一，定义测试芯片的阵列单元为顶点，相邻顶点用边连接，将测试芯片变换为无向连通图，完成测试模型构建；对无向连通图中的每一条边分配一个不同的小数，用于表征边的优先级等级；步骤二，定义优先级策略作为路径选择策略，利用所述优先级策略生成一条遍历边的路径为测试路径，测试路径为遍历边所依次走过的顶点集合；步骤三，对步骤二的测试路径，利用遗传算法优化测试路径；优先级策略包括离线测试优先级策略以及在线测试优先级策略的技术方案，较好的解决了该问题，可用于数字微流控生物芯片测试中。

Description

一种高效的数字微流控生物芯片测试路径优化方法

技术领域

本发明涉及数字微流控生物芯片离线和在线测试领域，具体涉及一种高效的数字微流控生物芯片测试路径优化方法。

背景技术

数字微流控生物芯片一般由两层板构成，顶层为连续的接地电极，底层为可以独立驱动的控制电极，通过对控制电极施加不同的高低电平对板极之间的液滴进行移动、混合等操作。当芯片出现短路等灾难性故障时，液滴在经过有故障的阵列单元时，将会停滞不前，使生化实验无法正常进行。由于生化实验对数字微流控芯片的可靠性要求很高，所以需要对芯片进行充分测试，不仅需要在芯片生产后及实验开展前进行离线测试，而且需要在实验开展过程中对芯片进行在线测试，以便及时发现芯片故障，确保实验结果的可靠性。

针对数字微流控生物芯片出现的灾难性故障的测试问题，现有利用测试液滴遍历芯片所有阵列单元的方法进行解决，并通过电容检测电路判断测试液滴是否成功到达检测区的方法，判断芯片是否存在故障。但该方法无法检测所有短路故障，当液滴前进方向与短路阵列单元的连线方向不一致时，无法检测该短路故障。因此，研究者提出不仅要遍历所有阵列单元，还要遍历阵列单元之间的边界，也即将基于顶点的检测转换为基于边的检测，并提出采用欧拉回路的方法进行实现。首先将芯片变换成无向图模型，然后通过添加边的方式使无向图中的边可以构成欧拉回路，并利用测试液滴根据Fleury算法对欧拉回路中的所有边进行遍历。但该方法在线测试时需要较多的等待时间，检测效率不高。另有研究人员提出采用多液滴对芯片进行并行扫描式的方法进行故障检测，也有研究者在并行扫描式方法的基础上提出了内建自测试方法，进一步提高了离线检测效率。但以上方法均不适用于在线测试，有研究者提出用蚁群算法对芯片进行测试路径优化，虽然在线测试效率获得了一定提高，但由于只利用蚁群算法进行测试路径搜索与优化，在没有充分利用启发式信息的情况下，使得搜索随机性较大，导致收敛速度比较慢，无法收敛到最优值。

为了进一步降低测试时间，优化测试路径，本发明将启发式信息与随机搜索算法进行结合，减少测试路径搜索的盲目性，采用优先级策略(PS)与遗传算法(GA)相结合的混合方法(PS-GA)对测试路径进行搜索与优化，在遍历芯片阵列单元及阵列单元之间的边界的基础上，也即遍历无向图中的所有边的基础上，寻求最短的测试路径。

发明内容

本发明所要解决的技术问题是现有技术中存在的随机搜索方向上的盲目性高的技术问题。提供一种新的高效的数字微流控生物芯片测试路径优化方法，该高效的数字微流控生物芯片测试路径优化方法具有优化效率高的特点。

为解决上述技术问题，采用的技术方案如下：

一种高效的数字微流控生物芯片测试路径优化方法，所述数字微流控生物芯片测试路径优化方法包括：

步骤一，定义测试芯片的阵列单元为顶点，相邻顶点用边连接，将测试芯片变换为无向连通图，完成测试模型构建；对无向连通图中的每一条边分配一个不同的小数，用于表征边的优先级等级；

步骤二，定义优先级策略作为路径选择策略，利用所述优先级策略生成一条遍历边的路径为测试路径，测试路径为遍历边所依次走过的顶点集合；

步骤三，对步骤二的测试路径，利用遗传算法优化测试路径。

优先级策略包括离线测试优先级策略以及在线测试优先级策略。

上述方案中，为实现测试路径优化，进一步地，离线测试优先级策略为：

步骤A，若测试液滴所在顶点存在未遍历的相邻边，则选择优先级等级最高的边所对应的顶点作为下一个搜索顶点；

步骤B，若相邻边均已遍历，则根据Floyd算法确定测试液滴至测试模型中未测试边的最短路径，引导测试液滴沿着所述最短路径移动，完成测试液滴选择到未遍历边距离最近的顶点作为下一个搜索点。

进一步地，所述在线测试优先级策略为：

步骤a，定义约束条件，当测试液滴的邻接顶点满足约束条件为存在有效邻接点，判断有效邻接点数量，若有效邻接点数量为0则执行步骤d；否则测试液滴不回退，执行步骤b；

步骤b，若有效邻接点数量为1，则选择该顶点为下一时刻要经过的顶点；若有效邻接点数量为2以上，则判断未遍历的邻接边的数量；

步骤c，若未遍历的邻接边数量为0，则根据Floyd算法选择距离未遍历边最近的有效邻接点作为下一时刻要经过的顶点；若未遍历的邻接边数量为1，则选择所述邻接边对应的顶点；若未遍历的邻接边数量大于1，则选择优先级等级最高的边所对应的顶点作为下一个要经过的顶点；

步骤d，若有效邻接点数量为0，则需使回退标记back_flag＝1，并执行步骤e；

步骤e，在当前顶点的前一个顶点的有效邻接点中，删除当前顶点，即删除不满足约束条件的邻接点；删除当前顶点对应边的标记，当前顶点所在边的标记edge_flag减1；将时间指针由t时刻回退至t-1时刻，指向了当前顶点的前一个顶点。

进一步地，约束条件为静态约束与动态约束；

静态约束为液滴不能直接相邻或对角相邻：

动态约束为液滴在当时所处位置与另一液滴在上一时刻及下一时刻所处位置均不能相邻。

进一步地，测试模型构建还包括增加额外的虚拟边，将度数为奇数的顶点转换成度数为偶数的顶点，将无向连通图转换为欧拉回路图。

进一步地，步骤二包括：

基于离线测试优先级策略生成离线测试路径：

步骤2.1，指定无向连通图中的一个顶点作为搜索起始点；

步骤2.2，根据离线测试优先级策略，判断该顶点的所有相邻边是否已遍历，确定下一个要经过的邻接顶点；

步骤2.3，不断重复步骤2.2，直到所有边均已遍历，记录依次经过的顶点作为无向连通图遍历边的一个可行解，获得离线测试的一条测试路径；

基于在线测试优先级策略生成在线测试路径：

步骤2.4，指定一个满足约束条件的顶点作为搜索起始点，并将满足下一时刻约束条件的邻接顶点标记为有效邻接点；

步骤2.5，根据在线测试优先级策略，判断当前顶点的邻接顶点是否满足下一时刻的约束条件，选择下一时刻要经过的顶点或执行回退操作；

步骤2.6，不断重复第2.5个步骤，直到遍历所有边，记录依次经过的顶点作为在线测试的一条测试路径。

进一步地，步骤三包括：

步骤3.1，对遗传算法进行初始化设置，设置遗传算法迭代总次数N_IT，群体大小N_PS，染色体长度L_C，交叉概率p_c以及变异概率p_m；

步骤3.2，根据所述群体大小和染色体长度，生成初始群体；

步骤3.3，根据所述优先级策略求解测试路径，计算出各路径长度

并求出局部最优解；

步骤3.4，计算出适应度函数值

步骤3.5，计算出选择概率

步骤3.6，根据轮盘赌方式与精英保留策略对群体进行选择；

步骤3.7，根据交叉概率对群体进行交叉操作；

步骤3.8，根据变异概率进行变异操作；

步骤3.9，重复步骤3.3至步骤3.8，直到迭代次数完成为止。

本发明通过将测试芯片变换为无向连通图，也即测试模型，并给图中的每一条边分配一个不同的小数，作为该边的优先级等级，小数值越大，则优先级越高。根据芯片的测试特点设计一种优先级策略作为路径选择策略，并利用设计的优先级策略生成一条遍历边的路径，该路径为遍历边所依次走过的顶点集合。

其中，设计的离线测试优先级策略为：(1)若测试液滴所在顶点存在未遍历的相邻边，则选择优先级等级最高的边所对应的顶点作为下一个搜索顶点。

(2)若相邻边均已遍历，则根据图论中的Floyd算法确定测试液滴至测试模型中未测试边的最短路径，引导测试液滴沿着该最短路径移动，也即，测试液滴将选择到未遍历边距离最近的顶点作为下一个搜索点。

设计的在线测试优先级策略为：(1)若测试液滴的邻接顶点满足约束条件，即存在有效邻接点，则测试液滴不需回退，使回退标记back_flag＝0。若只有1个有效邻接点，则选择该顶点为下一时刻要经过的顶点。若存在2个以上有效邻接点，则：a.若邻接边均已遍历，则根据Floyd算法选择距离未遍历边最近的有效邻接点作为下一时刻要经过的顶点。b.若存在未遍历的邻接边，当只有1条未遍历邻接边时，则选择该边对应的顶点，若多于1条未遍历邻接边，则根据优先级等级高低，也即优先级系数大小选择下一个对应顶点。

(2)若测试液滴的邻接顶点不满足约束条件，则需使回退标记back_flag＝1，并执行如下回退操作。首先，在前一个顶点的有效邻接点中，删除该当前顶点，即删除不满足约束条件的邻接点。然后，删除对应边的标记，即将当前所在边的标记edge_flag减1(边的标记edge_flag在边被经过后将自动加1，所以回退后应减1，标记该边未经过)。最后，时间指针由t时刻回退至t-1时刻，指向了前一个顶点。至此，回退操作结束。也即对于路径生成过程中产生的“死锁”问题，通过液滴的回退操作进行了解决。

通过遗传算法对选择的测试路径中边的优先级等级进行交叉和变异操作，生成新的优先级等级，并通过迭代的方式，逐渐获得更短的测试路径，从而实现测试路径的优化。

本发明的有益效果：本发明通过启发式信息与随机搜索算法相结合的方式，即通过优先级策略与遗传算法相结合的方法，可以降低仅依赖智能算法在随机搜索方面产生的不利影响，提高测试路径的优化效果，使测试路径逼近或等于最短路径。对于在线测试路径搜索过程中出现的测试液滴“死锁”现象，利用回退策略解决该问题。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1，数字微流控生物芯片的测试模型及其欧拉化模型示意图。

图2，离线测试时测试液滴路径选择示意图。

图3，为死锁现象示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

本实施例提供一种高效的数字微流控生物芯片测试路径优化方法，所述数字微流控生物芯片测试路径优化方法包括：

步骤一，定义测试芯片的阵列单元为顶点，相邻顶点用边连接，将测试芯片变换为无向连通图，完成测试模型构建；对无向连通图中的每一条边分配一个不同的小数，用于表征边的优先级等级；

步骤二，定义优先级策略作为路径选择策略，利用所述优先级策略生成一条遍历边的路径为测试路径，测试路径为遍历边所依次走过的顶点集合；

步骤三，对步骤二的测试路径，利用遗传算法优化测试路径。

图1为数字微流控生物芯片的测试模型及其欧拉化模型，该模型中包含了5行5列的阵列单元。图1中(a)为芯片的物理模型，每个阵列单元表示一个控制电极。根据图论，将芯片看成一个无向连通图G，阵列单元变换成无向连通图G中的顶点V，相邻顶点用边E进行连接，可得到如图1中(b)所示的图论模型，即为芯片的测试模型。

优选地，可将无向连通图G欧拉化后得到欧拉化图G1，如图1中(c)所示，通过增加额外的虚拟边，将度数为奇数的顶点转换成度数为偶数的顶点，从而将无向连通图G变成了具有欧拉回路的图。由于欧拉回路的起点和终点必须为同一顶点，而欧拉路径则不需要满足该条件，故欧拉路径可以比欧拉回路少1条边或2条边。

定义微流控芯片为m行n列的阵列，则边的总数为N_E＝m×(n-1)+(m-1)×n。根据无向图的欧拉回路理论，遍历图中所有边一次且仅有一次后，再回到起点所经历的边的总数为N_EC，如公式(1)所示，而欧拉路径中边的总数可以为N_EC-1或N_EC-2。

在线测试时，为了避免测试液滴与实验液滴发生冲突，需要进一步考虑液滴之间的流体约束。假设

为液滴l₁在时刻t所处的行与列(

为液滴l₁在时刻t+1所处的行与列)，同样，设

为液滴l₂在时刻t所处的行与列(

为液滴l₂在时刻t+1所处的行与列)，而流体约束可分为静态约束与动态约束，分别如下：

1)静态约束

或者

表明在同一时刻的两个静止的液滴，其所在的行或列至少要相差2个位置以上，也即液滴不能直接相邻或对角相邻，否则将会产生液滴融合。

2)动态约束

或者

或者

或者

说明两个液滴在相差一个时刻的情况下，也应满足不能相邻的约束条件，也即一个液滴在当时所处位置与另一液滴在上一时刻及下一时刻所处位置均不能相邻。

基于优先级策略与遗传算法实现测试路径优化具体包括：

1、基于优先级策略的测试路径的生成

(1)根据前述的优先级策略解决了测试液滴如何选择下一个顶点的问题，本实施例生成离线测试路径的设计步骤可简述如下：

步骤1：指定无向图中的一个顶点作为搜索起始点。

步骤2：根据离线测试优先级策略，判断该顶点的所有相邻边是否已遍历，确定下一个要经过的邻接顶点。

步骤3：不断重复步骤2，直到所有边均已遍历，记录依次经过的顶点作为无向图遍历边的一个可行解，也即获得了离线测试的一条测试路径。

图2为离线测试时测试液滴根据优先级策略选择下一个邻接顶点的示意图。其中，图2中(a)描述了相邻边未遍历的情况，测试液滴到达顶点13后，由于顶点13至顶点14所在边的优先级系数为0.60，大于另外2条边的优先级系数，也即该边的优先级等级最高，所以测试液滴将选择前往顶点14；

图2中(b)表示相邻边均已遍历的情况，测试液滴的路径为(13,14,19,20,25,24,19,18,23,24)，当液滴到达顶点24后，周围相邻边已遍历，所以不再按照优先级系数的大小选择下一个顶点，而是根据Floyd算法求出到未遍历边距离最近的顶点，此时得到的顶点是23，则测试液滴将从顶点24到达顶点23。

(2)按照定义的在线测试优先级策略生成在线测试路径的过程如下：

步骤1：指定一个满足约束条件的顶点作为搜索起始点，并将满足下一时刻约束条件的邻接顶点标记为有效邻接点。

步骤2：根据在线测试优先级策略，判断当前顶点的邻接顶点是否满足下一时刻的约束条件，选择下一时刻要经过的顶点或执行回退操作。

步骤3：不断重复第2个步骤，直到遍历所有边，记录依次经过的顶点作为在线测试的一条测试路径。

其中，在利用测试液滴进行路径生成的过程中，由于存在流体约束，导致测试液滴既不能停留在原地等待，也不能往前移动的情况称为“死锁”现象。在利用在线测试优先级策略进行测试路径生成时，也会出现该现象，可以通过回退操作来解决。

图3为死锁现象示意图，实验液滴1在t时刻位于第39个阵列单元处，将依次前往第38和第37个阵列单元；实验液滴2位于第12个阵列单元处，将再次前往第20和第28个阵列单元；而测试液滴位于第36个阵列单元处，此时测试液滴满足流体约束。但是在下一时刻，测试液滴将无法满足流体约束条件，不能停在原地，也不能前往4个邻接顶点，发生了“死锁”现象。一旦发生该现象，则测试液滴必须回退至前一时刻所处的位置，也即第35个阵列单元处，且标记第36个阵列单元为无效的邻接顶点，重新开始选择路径。

2、遗传算法实现对测试路径的优化

在利用遗传算法(GA)进行测试路径优化之前，首先根据测试芯片大小等特点，设置遗传算法迭代总次数N_IT，群体大小N_PS，染色体长度L_C，交叉概率p_c和变异概率p_m等参数。

1)初始群体生成

生成的初始群体包含N_PS个个体，个体长度为L_C，对应了无向图中边的数量。在上述优先级策略中，无向图中每条边的优先级系数是根据混沌算子生成的0～1的随机数，L_C个优先级数据构成了遗传算法中采用实数编码形成的个体，也即生成的初始群体实际上是由N_PS个长度为L_C的优先级系数组成。

2)适应度函数设计

在生成初始群体的基础上，根据优先级策略可以求解出一组遍历无向图中所有边的测试路径，对应了遗传算法解码的结果。该可行解也即获得的测试路径可表示为

其中t＝1,2,···,N_IT，表示迭代次数编号，j＝1,2,···,N_PS，表示个体编号。

计算适应度函数值的公式：

其中，

为适应度函数，

为测试路径的长度，L_EulerPath为芯片欧拉路径的长度，ε为一个取极小值的常数(0.000001)，防止计算溢出。

3)选择概率的改进

首先根据个体被选中的概率与适应度值成正比的原则，得到初步选择概率

如(5)式所示，其中

为适应度函数，N_PS为群体大小。

(5)式中的初步选择概率一般情况下也比较小，在进行群体选择时效率很低，不仅需要更多时间进行选择操作，而且选择时也无法体现个体适应度值的区别，类似于进行随机选择，所以按照(6)式对选择概率进行扩展。其中rand()随机函数产生0～1的随机数，使得群体中适应度值最大的个体对应的选择概率大约在0.6～0.93之间，

为初步选择概率

中的最大值，

为个体的选择概率。此时，个体的选择概率按照(6)式也得到相同比例的放大，从而可以提高选择操作的效率。

在确定了选择概率以后，根据精英保留策略，对局部最优值进行保留，然后根据轮盘赌方式,再选择N_PS-1个个体，共同构成了N_PS个解。

4)交叉与变异操作设计

首先对群体进行分组，每组2个个体，每个个体就是一组优先级数据，其长度为L_C。每组个体采用单点交叉方式，根据交叉概率与随机数的比较，判断是否需要对随机选取的交叉点后的5个数据进行交叉。因为每个个体长度L_C较大，为了进一步提高种群的多样性，所以对每组优先级数据进行

次交叉操作。

变异操作的处理方式与交叉操作类似，根据变异概率判断每个个体是否需要对选定位置后的5个数据进行变异。同样，对每组优先级数据进行

次变异操作。对优先级数据进行选择、交叉与变异操作后，产生了新的优先级数据，则又可以根据优先级策略获取新的可行解。

5)算法设计流程

通过前述对遗传算法的描述，遗传算法实现路径优化的设计步骤简述如下：

步骤1：首先对遗传算法进行初始化设置。

步骤2：根据给定的群体大小和染色体长度，生成初始群体。

步骤3：根据设计的优先级策略求解测试路径，计算出各路径长度

并求出局部最优解。

步骤4：求出适应度函数值

步骤5：求出选择概率

步骤6：根据轮盘赌方式与精英保留策略对群体进行选择。

步骤7：根据交叉概率对群体进行交叉操作。

步骤8：根据变异概率进行变异操作。

步骤9：重复步骤3至步骤8，直到迭代次数完成为止。

3、算法仿真结果

(1)离线测试仿真结果

对芯片进行离线测试时，设置遗传算法群体大小N_PS＝30，迭代次数N_IT＝300，交叉概率p_c＝0.6和变异概率p_m＝0.2。同时，针对数字微流控芯片行列相等即m＝n的方式进行测试，其中m分别取7、9、11、13、15。测得的最短测试路径长度如表1所示，其中IACA算法为改进的蚁群算法，PMF算法为欧拉回路方法，可以看出本文提出的算法能获得更短的测试路径长度，且在路径长度上已经达到了图论中遍历边的最短路径。

表1离线测试时最短测试路径长度

芯片规模	7×7	9×9	11×11	13×13	15×15
						IACA算法	100	165	254	350	470
PMF算法	96	160	240	336	448
						本文算法	94	158	238	334	446

(2)在线测试仿真结果

在线测试相对于离线测试而言，需要考虑实验液滴对测试液滴的流体约束，所以进一步加大了寻找优化路径的难度。利用本文算法进行测试仿真时，设置15×15芯片对应的遗传算法迭代次数N_IT＝500，其他测试参数均与离线测试相同。得到的最短测试路径长度如表2所示，从表中数据可以看出，最短测试路径长度已经接近或等于欧拉路径的极限值。

表2在线测试时最短测试路径长度

芯片规模	7×7	9×9	11×11	13×13	15×15
						IACA算法	105	171	260	361	471
PMF算法	110	178	269	380	486
						本文算法	95	158	239	335	446

本实施例通过启发式信息与随机搜索算法相结合的方式，即通过优先级策略与遗传算法相结合的方法，可以降低仅依赖智能算法在随机搜索方面产生的不利影响，提高测试路径的优化效果，使测试路径逼近或等于最短路径。对于在线测试路径搜索过程中出现的测试液滴“死锁”现象，利用回退策略解决该问题。

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能够理解本发明，但是本发明不仅限于具体实施方式的范围，对本技术领域的普通技术人员而言，只要各种变化只要在所附的权利要求限定和确定的本发明精神和范围内，一切利用本发明构思的发明创造均在保护之列。

Claims (5)

1.一种高效的数字微流控生物芯片测试路径优化方法，其特征在于：所述数字微流控生物芯片测试路径优化方法包括：

步骤一，定义测试芯片的阵列单元为顶点，相邻顶点用边连接，将测试芯片变换为无向连通图，完成测试模型构建；对无向连通图中的每一条边分配一个不同的小数，用于表征边的优先级等级；

步骤二，定义优先级策略作为路径选择策略，利用所述优先级策略生成一条遍历边的路径为测试路径，测试路径为遍历边所依次走过的顶点集合；

步骤三，对步骤二的测试路径，利用遗传算法优化测试路径；

优先级策略包括离线测试优先级策略以及在线测试优先级策略；

离线测试优先级策略为：

步骤A，若测试液滴所在顶点存在未遍历的相邻边，则选择优先级等级最高的边所对应的顶点作为下一个搜索顶点；

步骤B，若相邻边均已遍历，则根据Floyd算法确定测试液滴至测试模型中未测试边的最短路径，引导测试液滴沿着所述最短路径移动，完成测试液滴选择到未遍历边距离最近的顶点作为下一个搜索点；

所述在线测试优先级策略为：

步骤a，定义约束条件，当测试液滴的邻接顶点满足约束条件为存在有效邻接点，判断有效邻接点数量，若有效邻接点数量为0则执行步骤d；否则测试液滴不回退，执行步骤b；

步骤b，若有效邻接点数量为1，则选择该顶点为下一时刻要经过的顶点；若有效邻接点数量为2以上，则判断未遍历的邻接边的数量；

步骤c，若未遍历的邻接边数量为0，则根据Floyd算法选择距离未遍历边最近的有效邻接点作为下一时刻要经过的顶点；若未遍历的邻接边数量为1，则选择所述邻接边对应的顶点；若未遍历的邻接边数量大于1，则选择优先级等级最高的边所对应的顶点作为下一个要经过的顶点；

步骤d，若有效邻接点数量为0，则需使回退标记back_flag＝1，并执行步骤e；

步骤e，在当前顶点的前一个顶点的有效邻接点中，删除当前顶点，即删除不满足约束条件的邻接点；删除当前顶点对应边的标记，当前顶点所在边的标记edge_flag减1；将时间指针由t时刻回退至t-1时刻，指向了当前顶点的前一个顶点。

2.权利要求1所述的高效的数字微流控生物芯片测试路径优化方法，其特征在于：约束条件为静态约束与动态约束；

静态约束为液滴不能直接相邻或对角相邻：

动态约束为液滴在当时所处位置与另一液滴在上一时刻及下一时刻所处位置均不能相邻。

3.根据权利要求1所述的高效的数字微流控生物芯片测试路径优化方法，其特征在于：测试模型构建还包括增加额外的虚拟边，将度数为奇数的顶点转换成度数为偶数的顶点，将无向连通图转换为欧拉回路图。

4.根据权利要求1所述的高效的数字微流控生物芯片测试路径优化方法，其特征在于：步骤二包括：

基于离线测试优先级策略生成离线测试路径：

步骤2.1，指定无向连通图中的一个顶点作为搜索起始点；

步骤2.2，根据离线测试优先级策略，判断该顶点的所有相邻边是否已遍历，确定下一个要经过的邻接顶点；

步骤2.3，不断重复步骤2.2，直到所有边均已遍历，记录依次经过的顶点作为无向连通图遍历边的一个可行解，获得离线测试的一条测试路径；

基于在线测试优先级策略生成在线测试路径：

步骤2.4，指定一个满足约束条件的顶点作为搜索起始点，并将满足下一时刻约束条件的邻接顶点标记为有效邻接点；

步骤2.5，根据在线测试优先级策略，判断当前顶点的邻接顶点是否满足下一时刻的约束条件，选择下一时刻要经过的顶点或执行回退操作；

步骤2.6，不断重复第2.5个步骤，直到遍历所有边，记录依次经过的顶点作为在线测试的一条测试路径。

5.根据权利要求1所述的高效的数字微流控生物芯片测试路径优化方法，其特征在于：步骤三包括：

步骤3.1，对遗传算法进行初始化设置，设置遗传算法迭代总次数N_IT，群体大小N_PS，染色体长度L_C，交叉概率p_c以及变异概率p_m；

步骤3.2，根据所述群体大小和染色体长度，生成初始群体；

步骤3.3，根据所述优先级策略求解测试路径，计算出各路径长度

并求出局部最优解；

步骤3.4，计算出适应度函数值

步骤3.5，计算出选择概率

步骤3.6，根据轮盘赌方式与精英保留策略对群体进行选择；

步骤3.7，根据交叉概率对群体进行交叉操作；

步骤3.8，根据变异概率进行变异操作；

步骤3.9，重复步骤3.3至步骤3.8，直到迭代次数完成为止。

Images