基于故障可诊断性定量评价的测试优化选择

目前,对于测试优化选择问题的研究大多局限于故障是否可以被诊断的定性研究,没有进一步考虑故障诊断的难度。针对以上问题,提出了一种基于故障可诊断性定量评价的测试优化选择方法。首先,基于推土机距离(EMD)对故障可诊断性进行定量评价;然后,以评价结果为依据,综合考虑测试的数量、可靠性和成本等因素,构建多目标测试优化选择问题,并提出了二进制金枪鱼群优化算法来求解满足测试性指标和故障可诊断性水平的最优测试集合;最后,以某装备的开关电源为实验案例,验证了所提方法的有效性。仿真结果表明:所提方法能够实现以提高系统故障可诊断性为目标的测试优化选择,从根本上提高系统的故障诊断能力。

基于矩阵的运载火箭测试优化方法

为提高测试效率,综合考虑测试周期、测试成本,采用有向图来表示测试与故障之间的相关性,将有向图转化为依赖矩阵,使用矩阵分析方法,并运用列消元法、最小路径覆盖算法、割点算法等分析测试性,使用AO*算法对依赖矩阵进行优化,得到更好的测试序列。该方法可以优选测试序列,从而提高测试效率,使得测试更为全面、具有代表性。

基于贪婪算法的测试优化选择

针对传统测试优化选择算法存在的通用性较差等问题,提出了基于贪婪算法的测试优化选择方法,分别应用于面向故障检测和故障隔离的测试优化选择。其基本思想是以测试数量最少为目标,先选择必需的测试,即某一故障只能被单个测试检测或隔离,然后采用贪婪式搜索逐步选择最优测试。通过二值和多值测试优化选择案例验证了该算法的有效性,并从理论上分析了算法的时间复杂度。理论和案例分析结果表明,该算法能有效挖掘测试的故障检测和隔离能力,且适用于隔离到更换单元和具体故障模式的二值和多值测试优化选择,时间复杂度较传统算法明显降低。

基于TSV绑定的三维芯片测试优化策略

本文提出一种三维片上系统(3D So C)的测试策略,针对硅通孔(TSV,Through Silicon Vias)互连技术的3D So C绑定中和绑定后的测试进行优化,由于测试时间和用于测试的TSV数目都会对最终的测试成本产生很大的影响,本文的优化策略在有效降低测试时间的同时,还可以控制测试用的TSV数目,从而降低了测试成本.实验结果表明,本文的测试优化策略与同类仅考虑降低测试时间的策略相比,可以进一步降低约20%的测试成本.

基于云量子进化算法的NoC资源内核测试优化研究

针对片上网络中资源内核数量不断增多,提出了一种基于云量子进化算法优化选取测试端口对资源内核进行并行测试的方法,以降低资源内核测试时间.首先用云模型对量子进化算法进行改进;然后在片上网络测试功耗限制下确定测试端口对数,利用云量子进化算法优化选取最优端口位置,实现对资源内核的并行测试;此方法可以有效地减少测试时间,且网络规模越大效果越好;同时,与量子进化算法相比,云量子进化算法有更好的稳定性.

面向测试优化的片上网络映射算法

针对复杂片上系统(So C)芯片的片上网络(No C)映射方案未考虑测试需求的问题,提出了一种面向测试优化的No C映射算法,兼顾了可测性的提升和映射开销的最小化。该映射方案首先依据特定的测试结构,使用划分算法进行片上系统所有IP核的测试分组,其优化目标为测试时间最短;之后,再基于分组内IP核之间的通信量,应用遗传算法实现No C映射,其优化目标是在测试优化的基础上实现映射开销最小。通过多个ITC’02测试基准电路进行的实验结果表明:应用该方案后,测试时间平均减少12.67%;与随机任务映射相比,映射代价平均减少24.5%。

基于粒子群算法的3D NoC测试优化方法

三维片上网络(3D NoC)中资源内核的测试问题日益突出,本文采用带分复用策略并结合改进离散粒子群算法对IP核测试数据分配及调度方案进行快速寻优.算法通过群体多样性的监控实现对粒子前行速度的动态调节,增强全局探索能力,并自适应调整惯性权重,以加强粒子的局部开发能力,进而改善粒子搜索的停滞现象.以ITC'02测试标准电路作为实验对象,仿真结果表明,本文方法能有效地完成3D NoC资源内核的最大化并行测试,减少了测试时间,提高了资源利用率.

证券交易系统持续集成测试优化技术的研究

在持续集成的背景下,持续测试是必不可缺的环节。随着证券交易系统持续的迭代,新测试用例的不断添加,导致测试用例集规模持续增长。同时,各功能模块间互相依赖,这就致使测试用例集间存在冗余和缺失,测试用例集的执行和维护开销也在持续增长。测试用例集的规模越来越庞大,在进行测试时,不可能对所有测试用例进行测试,需要以用户核心价值为导向,结合需求、业务属性、资源、时间等因素选择性执行测试用例。因此,本文从测试用例简约、排序、选择对测试用例集优化进行研究。

基于猴群算法的3D NoC IP核测试优化方法

如何对三维片上网络(three Dimensional Network-on-Chip,3DNoC)资源内核的测试进行优化以缩短测试时间,提高资源利用率是当前3DNoC测试面临的主要问题之一.本文针对3DNoC IP核测试优化问题,开展TSV位置与IP核测试数据分配方案协同优化研究.在带宽、功耗和TSV数量约束下,将TSV位置方案和IP核测试数据分配方案作为寻优变量,采用猴群算法进行寻优.算法通过爬和望跳过程进行局部搜索并结合翻过程在不同领域进行搜索从而找到最优解,加入精英保留策略以确保算法收敛性,使算法搜索结果更为准确.以ITC’02电路为实验对象,实验结果表明,该算法能够有效地优化3DNoC资源分配,缩短测试时间,提高资源利用率.

一种基于模拟退火-改进二进制粒子群算法的测试优化选择方法

武器系统装备性能的不断提高,复杂度的不断增加对测试性设计提出更高要求。为了解决测试性设计中测试优化选择这一非确定性多项式难题(NP-hard),文中提出一种模拟退火-改进二进制粒子群算法(SA-IBPSO)用于求解最优完备测试集。该算法以二进制粒子群算法(BPSO)为基础框架,采用异步变化的学习因子,产生时变的压缩因子,以增强BPSO算法的全局搜索能力,确保其收敛性,并取消了对速度的边界限制;然后,与具有概率突跳能力的模拟退火算法(SA)相结合,以避免BPSO算法在求解过程中陷入局部最优。最后,通过案例验证,并与其他算法的运行结果进行比较,证明该算法可以更有效地解决测试优化选择问题。

PHM需求下的系统级装备测试优化选择方法研究

PHM对于提高复杂装备任务成功性和战备完好性具有重要意义,测试与信息感知是实现PHM的基础。针对目前测试选择与布局主要面向故障诊断需求的问题,分析并定量描述了装备PHM需求下的故障可观性要求,建立了以故障可检测、可隔离和可预测为约束条件,以总测试费用为目标函数的测试优化选择模型,给出了基于布尔逻辑推理的测试优化选择方法。仿真案例验证了所提模型和方法的有效性。

基于蚁群算法的系统级序贯测试优化研究

针对系统故障诊断中的序贯测试优化问题,文章采用蚁群算法,把系统级测试序列优化问题转换为蚁群建立最小完备测试序列的问题;通过构建蚁群的状态转移规则和信息素反馈机制,实现对系统级测试序列的优化;实例证明此算法具有良好的性能和可行性,有效地解决了系统级的序贯测试优化问题。

测试不可靠条件下基于量子进化算法的测试优化选择

测试优化选择是复杂电子系统测试性设计中的一个重要问题.首先从测试容差的角度分析了测试发生漏检和虚警的原因,在此基础上建立了测试不可靠条件下一种新的测试选择模型,模型以测试代价、漏检代价和虚警代价之和最小为优化目标,以故障检测率和故障隔离率为约束条件;然后提出一种改进的量子进化算法对模型求解,该算法通过改进一种已有可靠测试选择算法而成,包括种群初始化、适应度计算和种群的进化策略.最后通过两个仿真实例验证了求解算法及模型的有效性和优越性.

不可靠测试条件下基于NSGA-Ⅱ的多目标测试优化选择

针对测试不可靠因素严重影响测试优化选择结果以及现有方法不能很好解决多目标测试优化选择等问题,提出基于第二代非支配排序遗传算法(NSGA-Ⅱ)的多目标测试优化选择的方法。首先,描述了测试不可靠条件下多目标优化选择问题的数学模型;其次,在该数学模型下,将系统给出的故障检测率和隔离率作为约束条件,将测试代价、漏检率和虚警率作为优化目标,建立了多目标优化问题;然后,提出带有精英保留策略的NSGA-Ⅱ对多目标问题进行优化选择,利用NSGA-Ⅱ能够得到一组Pareto最优解,可根据实际需求选择最优的测试组合;最后,针对某装备进行实例分析,得到3组最优解,可以满足不同需求下的最优选择,验证了所提数学模型与多目标优化算法的可行性与有效性。

基于E占优NSGA-2的测试优化选择方法

为解决测试不可靠条件下的测试选择问题,对测试不可靠条件下的测试优化选择问题进行研究。将该问题还原为多目标问题来分析,以虚警率、测试数量、测试成本为目标,以故障检测率、隔离率为约束条件建立了问题的数学模型。以贝叶斯网络测试性模型为基础,利用提出的E占优NSGA-2算法求解该问题。利用该方法对某装备开展测试优化选择设计,并与NSGA-2算法、HBPSOGA算法进行对比,验证了该方法的有效性与实用性。

火力发电厂DCS系统运行现状及相关测试优化措施分析

DCS系统在可靠性发展阶段具有更好的未来发展前景。鉴于此,本文结合实例分析,针对当前DCS系统在火力发电厂中的运行状况及优化测试方面进行了相应的分析,以供参考。

单向单交叉并行链优先约束的可靠性系统测试优化

针对具有单向单交叉并行链优先约束的可靠性系统的最优测试序列问题,提出了一种最优测试原则,该测试原则的约束条件更接近复杂的实际情况。通过证明三个相关的定理,分别解决了单向单交叉并行链优先约束的问题转化形式,相交单元在最优测试序列中测试的先后顺序,以及反“Y”形优先约束问题的最优测试序列。利用这一测试原则,可使此类系统获得总期望测试成本最小。通过一系列证明,给出了该原则的求证过程及具体步骤。

基于NSGA-3与改进贝叶斯网络模型的测试优化选择方法

现有测试选择问题的解决方案大多基于单目标优化算法与多信号模型,存在指标计算粗糙、解集局限性大等问题。针对这些问题,提出了基于NSGA-3算法与贝叶斯网络模型的测试优化选择方法。描述了改进贝叶斯网络模型,阐述了模型建立方法,介绍了模型的学习能力与对不确定信息的处理能力;根据设计需求所确立的约束条件与目标函数,在改进贝叶斯网络模型基础上,利用基于参考点的非支配排序遗传算法(NSGA-3)来计算测试优化选择方案。以导弹机载雷达某组件为对象,选择故障检测率、隔离率为约束条件,虚警率、误诊率、测试成本、测试数量为优化目标,应用所提方法进行测试优化选择。经验证,所提方法可以有效解决有约束、多目标的测试选择问题,对测试性设计具有指导意义。

基于MOPSO-NSGA2算法的测试优化选择方法

测试优化选择是测试性设计至关重要的一个步骤,主要针对测试不可靠条件下的测试优化选择问题进行了研究。首先将该问题还原为多目标问题来分析,在此基础上以测试数量、测试成本、虚警率为目标,故障检测率、隔离率为约束条件建立了问题的数学模型;然后以贝叶斯网络测试性模型为基础,利用提出的MOPSO-NSGA2算法求解该问题;最后利用所提算法对某导弹机载无线电高度表开展测试优化选择设计,并与MOPSO算法、NSGA-2算法进行对比,验证了方法的有效性与实用性。

不可靠测试条件下基于多目标粒子群的测试优化选择方法

针对测试条件下多目标优化的问题,提出一种在不可靠测试条件下的测试优化选择方法。通过对测试优化选择过程进行分析,建立多目标优化的数学模型,利用最大似然估计法得到故障测试样本参数信息,采用E占优多目标粒子群算法选取最优解,并通过某导弹雷达组件实例验证了算法的有效性与可用性。结果表明:该方案可在兼顾所有因素的同时,着重关注漏检率因素。