CN116069646B - 一种多目标测试性优化的测试集确定方法及*** - Google Patents
一种多目标测试性优化的测试集确定方法及*** Download PDFInfo
- Publication number
- CN116069646B CN116069646B CN202310096454.2A CN202310096454A CN116069646B CN 116069646 B CN116069646 B CN 116069646B CN 202310096454 A CN202310096454 A CN 202310096454A CN 116069646 B CN116069646 B CN 116069646B
- Authority
- CN
- China
- Prior art keywords
- test
- matrix
- determining
- fault
- row
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明的目的是提供一种多目标测试性优化的测试集确定方法及***,特定应用的数字计算或数据处理的设备或方法技术领域,根据测试集和故障‑测试相关矩阵,确定优化测试集,进而确定测试资源种类和测试属性种类;根据优化测试集中的测试、测试资源种类和测试属性种类构建三维矩阵;分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;构建决定矩阵;根据三维矩阵求解矩阵优化函数组,确定最优决定矩阵;根据最优决定矩阵进行测试性优化。通过将多种测试属性作为优化目标确定测试集,提高了测试性优化的合理性。将多种测试属性作为优化目标确定最优决定矩阵用于测试性优化,提高了测试性优化的合理性。
Description
技术领域
本发明涉及专门适用于特定应用的数字计算或数据处理的设备或方法技术领域,特别是涉及一种多目标测试性优化的测试集确定方法及***。
背景技术
测试性设计(Design for Testability,DFT)是指在产品设计过程中综合考虑所有的测试资源,在不同的测试对策(如机内测试(BIT,包括软件BIT和硬件BIT)、自动测试设备(ATE)和人工测试(MTE)等)下,通过周密的计划用最小的代价使产品获得充分的测试,并且确保测试结果具有较高置信度的一种设计方法。而测试性设计的重要工作之一就是测试集的确定问题。
目前,测试集的确定问题在不同测试策略下是分别考虑的,通常是机内测试设计完成后,产品的定型阶段才开始开展ATE和MTE设计。甚至机内测试与外部测试设备为两个部门分开设计,各自相互独立,缺乏综合,难以形成科学合理的分级测试,严重制约了产品的测试性设计水平。此外,在进行测试性优化设计时往往考虑了费用,并未全面考虑其他影响测试集选取的关键属性(比如可靠性、体积等),优化方法不能适用于不同测试策略下的测试集选取,不能使产品测试效果达到最优。
发明内容
本发明的目的是提供一种多目标测试性优化的测试集确定方法及***,将多种测试属性作为优化目标确定测试集,提高了测试性优化的合理性。
为实现上述目的,本发明提供了如下方案:
一种多目标测试性优化的测试集确定方法,包括:
获取设备的测试集和故障-测试相关矩阵;所述故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性;
根据所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集;
根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;
以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵;
分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;
构建决定矩阵;所述决定矩阵用于描述测试与测试资源的对应关系;
根据三维矩阵求解所述矩阵优化函数组,确定最优决定矩阵;
根据所述最优决定矩阵进行测试性优化。
可选的,所述测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;所述测试属性种类包括费用、可靠性和体积。
可选的,所述根据所述测试集和所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集,具体包括:
分别确定所述故障-测试相关矩阵的行向量阵列和列向量阵列;
确定所述列向量阵列的任一真子集为待定优化列向量组;
确定所述待定优化列向量组的标识向量;所述标识向量为0-1矩阵;所述标识向量中的第j个元素为1时表示所述列向量组内包括所述列向量阵列中的第j个列向量;所述标识向量中的第j个元素为0时表示所述列向量组内不包括所述列向量阵列中的第j个列向量;
根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障检测率;
根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障隔离率;
构建第一测试优化函数和第二测试优化函数;
根据故障检测率、故障隔离率和约束条件求解第一测试优化函数和第二测试优化函数,确定最优待定优化列向量组;
根据所述最优待定优化列向量组确定优化测试集。
可选的,所述根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障检测率,包括:
确定所述行向量阵列中符合待定优化列向量组检测条件的行向量为优化行向量;所述待定优化列向量组检测条件为所述行向量与标识向量对应元素的乘积之和大于1;
获取所述行向量阵列中所有行向量对应故障的故障率;
确定所有优化行向量对应故障的故障率之和为第一相关量;
确定所述行向量阵列中所有行向量对应故障的故障率之和为第二相关量;
确定所述第一相关量与所述第二相关量的比值为故障检测率。
可选的,所述根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障隔离率,包括:
确定所述行向量阵列中的任一行向量为当前行向量;
将所述当前行向量与所述标识向量的对应元素相乘,得到当前行标识矩阵;
遍历所述行向量阵列中的所有行向量,得到多个行标识矩阵;
确定任一行标识矩阵为当前第一行标识矩阵;
确定除所述当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵;
确定所述当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值;
更新所述当前第二行标识矩阵并返回步骤“确定所述当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值”直至遍历除所述当前第一行标识矩阵之外的所有行标识矩阵,得到与所述当前第一行标识矩阵对应的多个范数值为当前范数组;
对所述当前范数组中的元素进行连乘积运算,得到第一行标识矩阵对应故障的隔离参数;
更新当前第一行标识矩阵,并返回步骤“确定除所述当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵”,直至遍历所有行标识矩阵,得到每个行标识矩阵对应故障的隔离参数;
确定隔离参数大于1的行标识矩阵对应故障为隔离故障;
确定所有隔离故障的故障率之和为第三相关量;
确定所述第三相关量与所述第二相关量的比值为故障隔离率。
可选的,
所述第一测试优化函数为:
所述第二测试优化函数为:
所述约束条件为:
其中,h(tj)为启发函数,P(tj)为测试集中第j个测试的覆盖度;P(tj)=min{<fi>,fi∈F};<fi>为能被检测到的第i个故障fi的测试数;|tj|为第j个测试能检测到的故障数;xj为第j个测试对应的标识,1表示被选择,0表示未被选择;γFD和γFI分别为故障检测率和故障隔离率;/>和/>分别为故障检测率下限和故障隔离率下限。
可选的,所述根据所述最优待定优化列向量组确定优化测试集,包括:
将所述最优待定优化列向量转化为矩阵形式,得到最优故障-测试相关待定矩阵;
删除所述最优故障-测试相关待定矩阵中元素和为0的行向量和列向量,得到最优故障-测试相关矩阵;
确定所述最优故障-测试相关矩阵中每个列向量对应的测试,得到最优测试集;
确定所述最优故障-测试相关矩阵中每个行向量对应的故障,得到最优故障集;所述优化测试集包括最优测试集和最优故障集。
可选的,所述矩阵优化函数组为:
其中,H为决定矩阵;决定矩阵H=[hij]n×q;当hij=1时表示第i个测试采用第j种测试资源进行测试;当hij=0时表示第i个测试未采用第j种测试资源进行测试;B..i表示z坐标取i时三维矩阵的二维平面向量;i=1、2、3。
一种多目标测试性优化的测试集确定***,包括:
数据获取模块,用于获取设备的测试集和故障-测试相关矩阵;所述故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性;
优化测试集确定模块,用于根据所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集;
种类确定模块,用于根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;
三维矩阵构建模块,用于以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵;
矩阵优化函数组确定模块,用于分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;
决定矩阵构建模块,用于构建决定矩阵;所述决定矩阵用于描述测试与测试资源的对应关系;
最优决定矩阵确定模块,用于根据三维矩阵求解所述矩阵优化函数组,确定最优决定矩阵;
测试性优化模块,用于根据所述最优决定矩阵进行测试性优化。
可选的,所述测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;所述测试属性种类包括费用、可靠性和体积。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明的目的是提供一种多目标测试性优化的测试集确定方法及***,根据测试集和故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集;根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵;分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;构建决定矩阵;根据三维矩阵求解矩阵优化函数组,确定最优决定矩阵;根据最优决定矩阵进行测试性优化。通过将多种测试属性作为优化目标确定测试集,提高了测试性优化的合理性。将多种测试属性作为优化目标确定测试集(决定矩阵),提高了测试性优化的合理性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施一中多目标测试性优化的测试集确定方法流程图;
图2为本发明实施二中多目标测试性优化的测试集确定方法流程图;
图3为本发明实施人中三维矩阵示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多目标测试性优化的测试集确定方法及***,将多种测试属性作为优化目标确定测试集,提高了测试性优化的合理性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1,本实施例提供了一种多目标测试性优化的测试集确定方法,包括:
步骤101:获取设备的测试集和故障-测试相关矩阵;故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性。
步骤102:根据故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集。
步骤103:根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;测试属性种类包括费用、可靠性和体积。
步骤104:以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵。
步骤105:分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组。
步骤106:构建决定矩阵;决定矩阵用于描述测试与测试资源的对应关系。
步骤107:根据三维矩阵求解矩阵优化函数组,确定最优决定矩阵。
步骤108:根据最优决定矩阵进行测试性优化。
步骤102,具体包括:
分别确定故障-测试相关矩阵的行向量阵列和列向量阵列。
确定列向量阵列的任一真子集为待定优化列向量组。
确定待定优化列向量组的标识向量;标识向量为0-1矩阵;标识向量中的第j个元素为1时表示列向量组内包括列向量阵列中的第j个列向量;标识向量中的第j个元素为0时表示列向量组内不包括列向量阵列中的第j个列向量。
根据行向量阵列和标识向量,确定待定优化列向量组的故障检测率。
根据行向量阵列和标识向量,确定待定优化列向量组的故障隔离率。
构建第一测试优化函数和第二测试优化函数。
根据故障检测率、故障隔离率和约束条件求解第一测试优化函数和第二测试优化函数,确定最优待定优化列向量组。
根据最优待定优化列向量组确定优化测试集。
具体的,根据行向量阵列和标识向量,确定待定优化列向量组的故障检测率,包括:
确定行向量阵列中符合待定优化列向量组检测条件的行向量为优化行向量;待定优化列向量组检测条件为行向量与标识向量对应元素的乘积之和大于1。
获取行向量阵列中所有行向量对应故障的故障率。
确定所有优化行向量对应故障的故障率之和为第一相关量。
确定行向量阵列中所有行向量对应故障的故障率之和为第二相关量。
确定第一相关量与第二相关量的比值为故障检测率。
其中,根据行向量阵列和标识向量,确定待定优化列向量组的故障隔离率,包括:
确定行向量阵列中的任一行向量为当前行向量。
将当前行向量与标识向量的对应元素相乘,得到当前行标识矩阵。
遍历行向量阵列中的所有行向量,得到多个行标识矩阵。
确定任一行标识矩阵为当前第一行标识矩阵。
确定除当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵。
确定当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值。
更新当前第二行标识矩阵并返回步骤“确定当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值”直至遍历除当前第一行标识矩阵之外的所有行标识矩阵,得到与当前第一行标识矩阵对应的多个范数值为当前范数组。
对当前范数组中的元素进行连乘积运算,得到第一行标识矩阵对应故障的隔离参数。
更新当前第一行标识矩阵,并返回步骤“确定除当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵”,直至遍历所有行标识矩阵,得到每个行标识矩阵对应故障的隔离参数。
确定隔离参数大于1的行标识矩阵对应故障为隔离故障。
确定所有隔离故障的故障率之和为第三相关量。
确定第三相关量与第二相关量的比值为故障隔离率。
其中,
所述第一测试点优化函数为:
所述第二测试优化函数为:
所述约束条件为:
其中,h(tj)为启发函数,P(tj)为测试集中第j个测试的覆盖度;P(tj)=min{<fi>,fi∈F};<fi>为能被检测到的第i个故障fi的测试数;|tj|为第j个测试能检测到的故障数;xj为第j个测试为对应的标识,1表示被选择,0表示未被选择;γFD和γFI分别为故障检测率和故障隔离率;/>和/>分别为故障检测率下限和故障隔离率下限。
具体的,根据最优待定优化列向量组确定优化测试集,包括:
将最优待定优化列向量转化为矩阵形式,得到最优故障-测试相关待定矩阵。
删除最优故障-测试相关待定矩阵中元素和为0的行向量和列向量,得到最优故障-测试相关矩阵。
确定最优故障-测试相关矩阵中每个列向量对应的测试,得到最优测试集。
确定最优故障-测试相关矩阵中每个行向量对应的故障,得到最优故障集;优化测试集包括最优测试集和最优故障集。
此外,矩阵优化函数组为:
其中,H为决定矩阵;决定矩阵H=[hij]n×q;当hij=1时表示第i个测试采用第j种测试资源进行测试;当hij=0时表示第i个测试未采用第j种测试资源进行测试;B..i表示z坐标取i时三维矩阵的二维平面向量;i=1、2、3。
实施例二
如图2,步骤1:通过***结构图建立多信号流图模型。
多信号流图模型的组成是将模块与模块、模块与测试点之间用有向边(DirectedAre)连接起来,将组成单元的各种故障模式设置到相应的模块中,用信号流向表示故障的传播,而模块之间的故障传播关系、故障与测试资源的逻辑关***一在有向图中进行表示。在实际中,一个组成单元通常存在不仅一种故障模式,由于每种故障模式都影响着不同的功能信号,所以称之为多信号流图模型。多信号流图模型中组成元素一般用下列元素进行表示:
(1)有限的模块集M={m1,m2,…ml},这里模块可以为子***(Sub System)、航线可更换单元(Line Replaceable Unit,LRU)、车间可更换单元Shop Replaceable Unit,SRU)、元件或者故障模式等;
(2)有限的测试集T={t1,t2,…tn},指***所有可用的测试集合。
(3)有限的测试点集P={p1,p2,…px},其中,一个测试点内应至少含有一个测试。
(4)可以描述功能的有限的信号集S={s1,s2,…sr}。
(5)每个测试点pi包含的一组测试集t(pj),t(pj)∈T。
(6)每个测试tj检测的一组信号集st(tj),st(tj)∈S。
(7)每个模块mk影响的一组信号集sm(mk),sm(mk)∈S。
(8)有向图集合DG={M,P,E},其中E为连接***模块有向边集合,表示组成单元的物理连接关系和功能相关关系。
该步骤可以得到所有故障模式与所有测试的信号流图模型。一般来说,为了方便后续计算简便,本步骤化简得到的多信号流图模型主要包含两个方面的内容:
1、有限的模块集,为简化计算本发明中模块均为故障模式,因此模块集即故障模式集:F={F1,F2,…,Fm}。
2、有限的测试集T={T1,T2,…Tn},指***所有可用的测试集合。
步骤2:对多信号流图进行测试性分析,生成D矩阵。
1、方法:在理想条件下,不考虑故障传播存在不确定性和测试存在虚警、漏检等因素,则故障模式和可用测试之间具有一定的相关关系。如果故障fm与测试tn相关联,那么:故障模式fm的发生会导致测试tn检测结果为不通过;若测试tn检测结果为通过,那么可以确定故障模式fm没有发生。测试的检测结果是否通过与此测试能够检测到的故障模式是否发生二者之间的关系是可以确定的,可以相互进行推导,故障与测试之间的这种关系被称作相关性。通过对图示模型进行数学描述,用布尔矩阵的形式表示图示模型中所有的故障模式F={f1,f2,…fm}与可用测试T={t1,t2,…tn}之间的相关性。多信号流图的数学模型一般用故障-测试相关性矩阵(Dependency Matrix)描述,又称为D矩阵,记为:
其中:D矩阵第i行:
fi=[di1 di2 … din]。
表示第i个故障模式由各测试所能反应的检测信息D矩阵第j列:
tj=[d1j d2j … dmj]T。
表示第j个测试可测得的各个故障模式的信息。
理想条件下,***的故障-测试相关性矩阵是一个二值矩阵,即矩阵内元素dij仅有0或1两种取值,具体含义如下式所示:
2、输出结果:根据步骤1所示的多信号流图,可以得到所有故障模式与所有测试的D矩阵。
步骤3:测试性预计。
假设待测***D矩阵为D=(dij)p×q,既该***共有p种故障,q种测试,故障集为F={f1,f2,…,fp},各故障的故障率为λ={λ1,…,λp},测试集合为T={t1,t2,…tq}。x=[x1,x2,…xq]为待求测试集,若测试tj被选中,xj=1,否则xj=0。
1、故障检测率预计模型
在该假设的前提下,故障fi被测试集x检测的条件为:
设FD为x可检测的故障构成的集合,即:
因此故障检测率可以表示为;
当考虑故障率数据时,可进一步改写为:
式中,λi是第i个故障的故障率。
2、故障隔离率预计模型
假设Fix=Fi.*x=(dijxj)1×q,其中Fi.为D矩阵的第i行,*表示两同维矩阵对应元素相乘,结果仍为同维矩阵。则故障fi和故障fj可以在测试x中被隔离的条件为:
其中,符号表示异或运算,||·||1表示向量1范数。
设FI为x可隔离的故障构成的集合,即:
则故障隔离率可以表示为:
考虑到故障率时,可进一步改写成:
步骤4:测试可诊断性评估。
测试检测度为测试tj所能检测到的故障数,记为|tj|。
故障可测度为在故障集中的任意故障fi,能被检测到的测试数,记为<fi>。
测试覆盖度tj是测试集T中的一个测试,令P(tj)=min{<fi>,fi∈F},称P(tj)为tj的覆盖度。
根据上述定义,测试tj的优劣程度可用一个启发函数h(tj)进行描述:
步骤5:测试优化模型建立。
测试优化是在满足故障检测率和故障隔离律的前提下。选择能使装备整体可诊断性能最高的测试集合,同时尽量减少测试的数目。其优化数学模型为:
其中,和/>为***要求达到的故障检测率下限和故障隔离率下限,一般根据实际需要给出。
步骤6:测试资源选择优化模型。
通过步骤5,可以得到优化后的测试集合T={t1,t2,…,tn},测试对策集合E={e1,e2,…,eq},在本步骤中,测试对策即测试的形式包含四种,即E={软件BIT,硬件BIT,ATE,MTE}。定义集合T和集合S的笛卡尔乘积:S=T×E={sij}={<ti,ej>|ti∈T,ej∈E},用来表示每一个测试的消耗的具体测试资源,而针对每一个占用具体测试资源的具体测试,定义其属性集合λ={λ1,λ2,…,λw},在本步骤中,w取3,测试的属性集合为λ={费用,可靠性,体积}。进一步定义为测试sij的第k个属性值,k=1,2,……,w;则Yk为所有测试在第k个属性下面的取值。
通过上述表达,即可建立一个由测试,测试策略以及测试属性组成的三维矩阵,记为B,该矩阵的具体含义如图3所示。定义三维矩阵由I×J×K个实数aijk构成I个横行,J个竖列,K个纵序的立方体形数据排列,称为I×J×K阶三维矩阵,记为AI×J×K=[aijk]I×J×K。
三维矩阵中的平面向量:当AI×J×K=[aijk]I×J×K的三个变量i,j,k中的任何一个取为常数,而其余的两个变量从最小值变到最大值时,构成了一个平面数据形数据表,称为平面向量(亦称二维矩阵)。
设F、G是一个m×n矩阵,则F、G可以在该定义的乘法法则下相乘,且乘积是一个m×n矩阵,记成/>其中hij=fij×gij。/>表示矩阵乘法运算。
设决定矩阵H=[hij]n×q为一二值矩阵,矩阵元素由0、1组成,当hij=1时,表示第i个测试采用第j种测试资源进行测试,否则的话则不选择该种测试方式。
测试资源优化的最终目的,是使得装备整体的造价最低,同时使得装备的可靠性最高,由此建立的优化模型为:
式中,Hi.为矩阵D的第i行,B..i表示三维矩阵B中第i个二维平面向量。
步骤7:众目标粒子群优化算法。
根据步骤5和步骤6的模型,属于多目标优化问题,本步骤采用多目标粒子群优化方法对这两个模型进行解算。
Pareto支配关系;在最小化多目标优化问题中,对于n个目标分量fi(x),i=1,2,…,n,任意给定两个决策变量Xa,Xb,如果下列两个条件成立,则称Xa支配Xb。
1)对于都有fi(Xa)≤fi(Xb)成立。
2)使得fi(Xa)<fi(Xb)成立。
如果对于一个决策变量,不存在其他决策变量能够支配他,那么就称该决策变量为非支配解。
多目标粒子群优化方法的具体流程如下:
Step1:初始化
确定粒子群中粒子的个数M以及迭代次数。初始化惯性权重ω,学习因子c1,c2。
据前所述,待求测试集x=[x1,x2,…xq]为一个1×q的矩阵,待求决定矩阵H=[hij]n×q为一个n×q的矩阵。粒子群中每一个粒子都有一个速度矩阵vi,i=1,2,…,M和一个位置矩阵li,i=1,2,…,M,矩阵的维度与所求问题x或者H一致。其中位置矩阵与原问题中的所求相对应,定义变量ans,来保存最优的答案。
Step2:计算适应度
将每个粒子的位置矩阵li依次带入待优化问题的优化目标中,将求得的结果作为该粒子的适应度向量,根据Pareto支配关系来衡量粒子位置的优劣程度:对于任意两个粒子A和B,若A粒子的适应度向量支配B粒子的适应度向量,则A的位置优于B的位置,若A粒子的适应度向量和B粒子的适应度向量不互相支配,则A的位置和B的位置无法判断孰优孰劣。
ans用来记录粒子群中所有粒子的最优位置和无法判断优劣的位置,同时设置一个全局最优位置G,从ans中随机抽取一组最优位置保存在G中,为每一个粒子设置一个粒子最优位置Pi,记录每个粒子的最优位置。ans保存粒子群中所有不被支配的粒子的位置的情况。
Step3:更新粒子的速度
针对每一个粒子的速度向量vi进行更新,粒子速度更新公式为:
式中表示第t次迭代中,第i个粒子的第d维速度分量,/>表示含义与之类似,ω为惯性权重,c1,c2为学习因子,rand()为随机数。
Step4:更新粒子位置
根据粒子的新速度向量对粒子的位置向量进行更新,更新公式为:
式中,表示第t次迭代中,第i个粒子的第d维位置分量。
Step5:更新ans、G、Pi
将更新后的新粒子的位置矩阵li依次带入待优化问题的优化目标中,获得新的适应度向量。
1、根据Pareto支配关系判断粒子位置的优劣程度,将粒子最优位置的或者无法判断优劣的位置添加到an8中,此时ans中不仅包含就旧粒子的位置,同时还包含新粒子的位置,对ans进行重复项剔除,同时根据定义6,将其中被支配的解进行获得新的ans。
2、从本次新适应度中随机抽取一个非支配适应度向量所对应的位置向量,来更新G。
3、将每一个粒子的新适应度和旧适应度进行比较,若新适应度支配就适应度,则Pi为新适应度所对应的位置矩阵,若新适应度被旧适应度支配,则Pi不变,若二者不互相支配,则随机决定Pi是否改变。
Step6:重复迭代
重复Step3到Step5,直到达到规定迭代次数。
Step7:得出结论
重复迭代完成后,ans即为所求的最优解。
实施例三
本实施例提供了一种多目标测试性优化的测试集确定***,包括:
数据获取模块,用于获取设备的测试集和故障-测试相关矩阵;故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性。
优化测试集确定模块,用于根据测试集和故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集。
种类确定模块,用于根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类。
三维矩阵构建模块,用于以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵。
矩阵优化函数组确定模块,用于分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组。
决定矩阵构建模块,用于构建决定矩阵;决定矩阵用于描述测试与测试资源的对应关系。
最优决定矩阵确定模块,用于根据三维矩阵求解矩阵优化函数组,确定最优决定矩阵。
测试性优化模块,用于根据最优决定矩阵进行测试性优化。
其中,测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;测试属性种类包括费用、可靠性和体积。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本说明书中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种多目标测试性优化的测试集确定方法,其特征在于,包括:
获取设备的测试集和故障-测试相关矩阵;所述故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性;
根据所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集;
根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;
以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵;
分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;
构建决定矩阵;所述决定矩阵用于描述测试与测试资源的对应关系;
根据三维矩阵求解所述矩阵优化函数组,确定最优决定矩阵;
根据所述最优决定矩阵进行测试性优化;
根据所述测试集和所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集,具体包括:
分别确定所述故障-测试相关矩阵的行向量阵列和列向量阵列;
确定所述列向量阵列的任一真子集为待定优化列向量组;
确定所述待定优化列向量组的标识向量;所述标识向量为0-1矩阵;所述标识向量中的第j个元素为1时表示所述列向量组内包括所述列向量阵列中的第j个列向量;所述标识向量中的第j个元素为0时表示所述列向量组内不包括所述列向量阵列中的第j个列向量;
根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障检测率;
根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障隔离率;
构建第一测试优化函数和第二测试优化函数;
根据故障检测率、故障隔离率和约束条件求解第一测试优化函数和第二测试优化函数,确定最优待定优化列向量组;
根据所述最优待定优化列向量组确定优化测试集;
所述矩阵优化函数组为:
其中,H为决定矩阵;决定矩阵H=[hij]n×q;当hij=1时表示第i个测试采用第j种测试资源进行测试;当hij=0时表示第i个测试未采用第j种测试资源进行测试;B..i表示z坐标取i时三维矩阵的二维平面向量;i=1、2、3。
2.根据权利要求1所述的多目标测试性优化的测试集确定方法,其特征在于,所述测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;所述测试属性种类包括费用、可靠性和体积。
3.根据权利要求1所述的多目标测试性优化的测试集确定方法,其特征在于,根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障检测率,包括:
确定所述行向量阵列中符合待定优化列向量组检测条件的行向量为优化行向量;所述待定优化列向量组检测条件为所述行向量与标识向量对应元素的乘积之和大于1;
获取所述行向量阵列中所有行向量对应故障的故障率;
确定所有优化行向量对应故障的故障率之和为第一相关量;
确定所述行向量阵列中所有行向量对应故障的故障率之和为第二相关量;
确定所述第一相关量与所述第二相关量的比值为故障检测率。
4.根据权利要求3所述的多目标测试性优化的测试集确定方法,其特征在于,根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障隔离率,包括:
确定所述行向量阵列中的任一行向量为当前行向量;
将所述当前行向量与所述标识向量的对应元素相乘,得到当前行标识矩阵;
遍历所述行向量阵列中的所有行向量,得到多个行标识矩阵;
确定任一行标识矩阵为当前第一行标识矩阵;
确定除所述当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵;
确定所述当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值;
更新所述当前第二行标识矩阵并返回步骤“确定所述当前第一行标识矩阵与当前第二行标识矩阵进行异或运算后的范数值”,直至遍历所有行标识矩阵中除所述当前第一行标识矩阵之外的行标识矩阵,得到与所述当前第一行标识矩阵对应的多个范数值为当前范数组;
对所述当前范数组中的元素进行连乘积运算,得到第一行标识矩阵对应故障的隔离参数;
更新当前第一行标识矩阵,并返回步骤“确定除所述当前第一行标识矩阵之外的任一行标识矩阵为当前第二行标识矩阵”,直至遍历所有行标识矩阵,得到每个行标识矩阵对应故障的隔离参数;
确定隔离参数大于1的行标识矩阵对应故障为隔离故障;
确定所有隔离故障的故障率之和为第三相关量;
确定所述第三相关量与所述第二相关量的比值为故障隔离率。
5.根据权利要求1所述的多目标测试性优化的测试集确定方法,其特征在于,
所述第一测试优化函数为:
所述第二测试优化函数为:
所述约束条件为:
其中,h(tj)为启发函数,P(tj)为测试集中第j个测试的覆盖度;P(tj)=min{<fi>,fi∈F};<fi>为能被检测到的第i个故障fi的测试数;|tj|为第j个测试能检测到的故障数;xj为第j个测试对应的标识,1表示被选择,0表示未被选择;γFD和γFI分别为故障检测率和故障隔离率;/>和/>分别为故障检测率下限和故障隔离率下限。
6.根据权利要求1所述的多目标测试性优化的测试集确定方法,其特征在于,根据所述最优待定优化列向量组确定优化测试集,包括:
将所述最优待定优化列向量转化为矩阵形式,得到最优故障-测试相关待定矩阵;
删除所述最优故障-测试相关待定矩阵中元素和为0的行向量和列向量,得到最优故障-测试相关矩阵;
确定所述最优故障-测试相关矩阵中每个列向量对应的测试,得到最优测试集;
确定所述最优故障-测试相关矩阵中每个行向量对应的故障,得到最优故障集;所述优化测试集包括最优测试集和最优故障集。
7.一种多目标测试性优化的测试集确定***,其特征在于,包括:
数据获取模块,用于获取设备的测试集和故障-测试相关矩阵;所述故障-测试相关矩阵用于描述设备的故障模式与测试之间的相关性;
优化测试集确定模块,用于根据所述故障-测试相关矩阵,对测试集进行优化处理,确定优化测试集;
种类确定模块,用于根据故障-测试相关矩阵中的测试,确定测试资源种类和测试属性种类;
三维矩阵构建模块,用于以优化测试集中的测试为x坐标,以测试资源种类为y坐标,以测试属性种类为z坐标,构建三维矩阵;
矩阵优化函数组确定模块,用于分别构建每种测试属性对应的矩阵优化函数,得到矩阵优化函数组;
决定矩阵构建模块,用于构建决定矩阵;所述决定矩阵用于描述测试与测试资源的对应关系;
最优决定矩阵确定模块,用于根据三维矩阵求解所述矩阵优化函数组,确定最优决定矩阵;
测试性优化模块,用于根据所述最优决定矩阵进行测试性优化;
优化测试集确定模块还用于分别确定所述故障-测试相关矩阵的行向量阵列和列向量阵列;确定所述列向量阵列的任一真子集为待定优化列向量组;确定所述待定优化列向量组的标识向量;所述标识向量为0-1矩阵;所述标识向量中的第j个元素为1时表示所述列向量组内包括所述列向量阵列中的第j个列向量;所述标识向量中的第j个元素为0时表示所述列向量组内不包括所述列向量阵列中的第j个列向量;根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障检测率;根据所述行向量阵列和所述标识向量,确定待定优化列向量组的故障隔离率;构建第一测试优化函数和第二测试优化函数;根据故障检测率、故障隔离率和约束条件求解第一测试优化函数和第二测试优化函数,确定最优待定优化列向量组;根据所述最优待定优化列向量组确定优化测试集;
所述矩阵优化函数组为:
其中,H为决定矩阵;决定矩阵H=[hij]n×q;当hij=1时表示第i个测试采用第j种测试资源进行测试;当hij=0时表示第i个测试未采用第j种测试资源进行测试;B..i表示z坐标取i时三维矩阵的二维平面向量;i=1、2、3。
8.根据权利要求7所述的多目标测试性优化的测试集确定***,其特征在于,所述测试资源种类包括软件机内测试、硬件机内测试、自动测试和人工测试;所述测试属性种类包括费用、可靠性和体积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096454.2A CN116069646B (zh) | 2023-02-10 | 2023-02-10 | 一种多目标测试性优化的测试集确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096454.2A CN116069646B (zh) | 2023-02-10 | 2023-02-10 | 一种多目标测试性优化的测试集确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116069646A CN116069646A (zh) | 2023-05-05 |
CN116069646B true CN116069646B (zh) | 2023-08-11 |
Family
ID=86176589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096454.2A Active CN116069646B (zh) | 2023-02-10 | 2023-02-10 | 一种多目标测试性优化的测试集确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069646B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2022091228A1 (zh) * | 2020-10-27 | 2022-05-05 | ||
WO2022142009A1 (zh) * | 2020-12-30 | 2022-07-07 | 平安科技(深圳)有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
CN115165332A (zh) * | 2022-06-29 | 2022-10-11 | 中国人民解放军海军航空大学 | 一种装备机内测试与综合测试一体化设计方法及*** |
CN115184055A (zh) * | 2022-06-28 | 2022-10-14 | 中国人民解放军海军航空大学 | 一种分级测试性优化的测试集确定方法及*** |
-
2023
- 2023-02-10 CN CN202310096454.2A patent/CN116069646B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2022091228A1 (zh) * | 2020-10-27 | 2022-05-05 | ||
WO2022142009A1 (zh) * | 2020-12-30 | 2022-07-07 | 平安科技(深圳)有限公司 | 一种模糊图像修正的方法、装置、计算机设备及存储介质 |
CN115184055A (zh) * | 2022-06-28 | 2022-10-14 | 中国人民解放军海军航空大学 | 一种分级测试性优化的测试集确定方法及*** |
CN115165332A (zh) * | 2022-06-29 | 2022-10-11 | 中国人民解放军海军航空大学 | 一种装备机内测试与综合测试一体化设计方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116069646A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111130839B (zh) | 一种流量需求矩阵预测方法及其*** | |
Bode | Neural networks for cost estimation: simulations and pilot application | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
Shahamiri et al. | Artificial neural networks as multi-networks automated test oracle | |
CN107972070A (zh) | 机器人性能的测试方法、测试***及计算机可读存储介质 | |
CN106201871A (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN113646714A (zh) | 生产设备的加工参数设置方法、装置和计算机可读介质 | |
Trujillo et al. | Does neuron coverage matter for deep reinforcement learning? a preliminary study | |
CN110007617B (zh) | 一种飞行器半实物仿真***的不确定度传递分析方法 | |
CN115184055B (zh) | 一种分级测试性优化的测试集确定方法及*** | |
CN116069646B (zh) | 一种多目标测试性优化的测试集确定方法及*** | |
CN115165332B (zh) | 一种装备机内测试与综合测试一体化设计方法及*** | |
KR102110316B1 (ko) | 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치 | |
CN116432839A (zh) | 基于bp神经网络的回填料成本预测方法、装置及设备 | |
CN116186507A (zh) | 一种特征子集的选取方法、装置及存储介质 | |
CN113484919B (zh) | 基于卷积神经网络的磁异常反演方法、***、终端及介质 | |
CN113779116B (zh) | 对象排序方法、相关设备及介质 | |
KR20130086083A (ko) | 리스크-프로파일 생성 장치 | |
Halfon | Is there a best model structure? III. Testing the goodness of fit | |
Yao et al. | Optimal selection of tests for fault diagnosis in multi-path system with time-delay | |
CN114611059A (zh) | 数字孪生可信评估方法的验证方法、***及可存储介质 | |
CN116992602B (zh) | 一种基于失效状态表征的可靠性模糊评价方法、电子设备和存储介质 | |
CN114398291B (zh) | 一种软件回归测试影响域分析方法及*** | |
EP4095734A1 (en) | Method and system for designing a complex system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |