基于子集一致性检测的诊断解极小性判定方法

基于模型诊断作为克服第1代诊断系统的缺陷而出现的智能诊断推理技术,现已成为十分活跃的人工智能研究分支,随着相关技术的不断发展,应用愈加广泛.其中,大多数研究集中于诊断求解过程,而诊断解的极小性检测方法保证了最终求得诊断解的极小性,也是问题求解过程中至关重要的一步.传统诊断解的极小性判定过程是将新求得的诊断解与已有诊断集合中的诊断解依次比较,检查是否有新得诊断解的超集或子集来判定极小性,这种方法随着求解过程中得到的诊断解数量增多,检测难度逐渐提高,耗时也随之增大.为解决此问题,提出了一种基于子集一致性检测的诊断解极小性判定的新方法:子集一致性(subset consistency detection, SCD)方法.通过对诊断解少数几个子集的一致性检测来给出该诊断解的极小性判定,避免了求解过程中诊断解集合增大对效率的影响.SCD方法可应用于许多高效的诊断方法,如GD(grouped diagnosis)和ACDIAG(abstract circuit diagnosis)方法,算法效率均有所提高.

基于双模型的MUS求解方法

求解不可满足问题的极小不可满足子集(minimal unsatisfiable subset,MUS)是人工智能领域的重要研究方向.MARCO-M方法是目前采用单一极大化模型求解MUS效率最高的方法,但此方法未对求解空间进行进一步有效剪枝.针对MARCO-M方法的不足,结合可满足问题求解复杂度低于不可满足问题的特征,提出基于双模型即极大中间化模型的MARCO-MAM方法求解MUS.此方法对中间模型求解若得到极大可满足子集(maximal satisfiable subset,MSS),则利用可满足问题对应求解空间对不可满足问题的求解空间进行剪枝,即利用MSS对应的空间来对MUS搜索空间进行剪枝,进而通过缩减未探索空间来提高MUS求解效率;如果中间模型进行求解得到MUS时,则减少了MARCO-M方法中MUS的不可满足迭代求解次数.此方法避免了MARCO-M方法单一极大化模型求解MUS时未有效利用其他优化技术对求解空间进行剪枝的问题.实验结果表明:与MARCO-M方法相比MARCO-MAM方法效率较高,尤其在大规模问题或较大搜索空间时效率提高更为明显.

结合格局检测与局部搜索的故障数据缩减方法

针对集成电路故障诊断中故障数据缩减方法 N-cover存在冗余故障数据的问题,提出了结合格局检测与局部搜索的故障数据缩减方法。通过分析故障数据与端口覆盖次数的逻辑关系,提出了故障频率和故障覆盖度的概念以指导局部搜索。同时,结合格局检测策略以避免重复搜索,进而通过减少冗余迭代来增加搜索广度。在标准测试用例上的实验结果表明,与现有方法相比,本文方法可有效缩减故障数据数目并提高求解效率。

一种结合结构特征求解诊断问题的PMS方法

部分最大可满足性问题(partial maximum satisfiability problem, PMS)是最大可满足性问题(maximum satisfiability problem, MaxSAT)的泛化问题,在很多领域中得到广泛应用.目前,在工业诊断实例方面PMS求解仍有待改进,在对基于随机搜索的PMS算法深入研究基础上,本文首次提出一种结合结构特征的随机搜索方法 (structure characteristics partial MaxSAT, SCPMS).首先,依据单元传播规则结合问题结构特征逐步将PMS问题中硬单元子句分成两部分,从而构造出因缺乏部分硬单元子句使得问题可满足的子问题;提出结合结构特征的随机搜索指导策略,对新的子问题再次利用单元传播找出原问题中的硬单元子句中硬阻塞变量,再结合子句特征翻转相应软阻塞变量,从而提高随机搜索的求解效率.实验结果表明,提出的SCPMS与最新的两个算法DeciDist和DistUp相比,在基于模型诊断问题(model-based diagnosis, MBD)的工业实例上, SCPMS求得的不满足软子句数有较大程度的减少.