本發(fā)明涉及數(shù)字微流控芯片測(cè)試技術(shù)，具體是一種基于遺傳蟻群融合算法的數(shù)字微流控芯片災(zāi)難性故障測(cè)試方法。

背景技術(shù)：

數(shù)字微流控芯片常用于臨床檢測(cè)、醫(yī)藥工程等對(duì)可靠性要求高的領(lǐng)域，因此需要對(duì)數(shù)字微流控芯片進(jìn)行全面且高效的測(cè)試，保證其可靠性。數(shù)字微流控芯片的故障可分為災(zāi)難性故障和參數(shù)性故障，災(zāi)難性故障又可細(xì)分為絕緣體擊穿、相鄰電極短路、電極板斷路等故障。災(zāi)難性故障對(duì)芯片的破壞性是致命的，會(huì)導(dǎo)致芯片上實(shí)驗(yàn)液滴的完全停滯，使芯片無(wú)法正常工作。因此，對(duì)災(zāi)難性故障的測(cè)試是數(shù)字微流控芯片測(cè)試工作中特別重要的一步。

數(shù)字微流控芯片的災(zāi)難性故障測(cè)試原理為：利用測(cè)試液滴遍歷數(shù)字微流控芯片的陣列單元，若無(wú)故障，則測(cè)試液滴在遍歷后能夠到達(dá)數(shù)字微流控芯片上的廢液池，若存在故障，則會(huì)導(dǎo)致測(cè)試液滴在數(shù)字微流控芯片上的停滯，測(cè)試液滴無(wú)法到達(dá)數(shù)字微流控芯片上的廢液池。廢液池處有檢測(cè)液滴是否到達(dá)的檢測(cè)電路，若檢測(cè)電路檢測(cè)到測(cè)試液滴的到達(dá)，則說(shuō)明數(shù)字微流控芯片無(wú)故障，否則，說(shuō)明存在故障。測(cè)試液滴遍歷數(shù)字微流控芯片的陣列單元的不同路由次序就形成了不同的測(cè)試路徑，測(cè)試路徑越短則測(cè)試花費(fèi)的時(shí)間就越少，測(cè)試效率越高。另外，測(cè)試算法本身的復(fù)雜度越低、收斂性越好，則測(cè)試算法的執(zhí)行效率越高，更有利于算法的在實(shí)際工作中的執(zhí)行。

目前，針對(duì)數(shù)字微流控芯片的災(zāi)難性故障，已有多種測(cè)試方法，如漢密爾頓回路測(cè)試法、歐拉回路測(cè)試法、并行掃描測(cè)試法、內(nèi)建自測(cè)試法、分區(qū)子陣列合并調(diào)度測(cè)試法、基于蟻群算法的搜索測(cè)試路徑的方法等。在這些方法中，漢密爾頓回路測(cè)試法、分區(qū)子陣列合并調(diào)度測(cè)試法無(wú)法檢測(cè)出相鄰電極短路故障；并行掃描測(cè)試法、內(nèi)建自測(cè)試法只適用于規(guī)則矩形陣列的數(shù)字微流控芯片的測(cè)試，且在線測(cè)試效率較低；歐拉回路測(cè)試法在應(yīng)用大規(guī)模芯片測(cè)試時(shí)算法復(fù)雜度較高且在線測(cè)試效率較低；基于蟻群算法的搜索測(cè)試路徑的方法，測(cè)試模型的建立步驟較繁瑣，且單一的蟻群算法收斂性較差，在應(yīng)用大規(guī)模芯片測(cè)試時(shí)效率較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的是針對(duì)技術(shù)中的不足，而提供一種基于遺傳蟻群融合算法的數(shù)字微流控芯片災(zāi)難性故障測(cè)試方法。這種測(cè)試方法不但能改善單一蟻群算法收斂性差的問(wèn)題，而且提高測(cè)試算法的執(zhí)行效率，并且能快速求得測(cè)試路徑，這種測(cè)試方法能夠檢測(cè)出相鄰電極短路故障，且兼容規(guī)則與非規(guī)則陣列芯片的測(cè)試，更有利于應(yīng)用于大規(guī)模芯片的測(cè)試。

實(shí)現(xiàn)本發(fā)明目的的技術(shù)方案是：

一種基于遺傳蟻群融合算法的數(shù)字微流控芯片災(zāi)難性故障測(cè)試方法，與現(xiàn)有技術(shù)不同的是，包括以下步驟：

S1.建立數(shù)字微流控芯片的災(zāi)難性故障測(cè)試模型：根據(jù)數(shù)字微流控芯片的陣列單元結(jié)構(gòu)，建立數(shù)字微流控芯片的災(zāi)難性故障測(cè)試模型，所述模型為：

(1)把數(shù)字微流控芯片的陣列單元抽象為無(wú)向圖G(V，E)的頂點(diǎn)V，相鄰陣列單元之間的連接關(guān)系抽象為無(wú)間圖G(V，E)的邊E，得到無(wú)間圖模型G(V，E)，并建立其對(duì)應(yīng)的鄰接矩陣A；

(2)對(duì)無(wú)向圖模型G(V，E)中的所有頂點(diǎn)V進(jìn)行編號(hào)，令每個(gè)頂點(diǎn)的編號(hào)對(duì)應(yīng)為該頂點(diǎn)在鄰接矩陣A中的行號(hào)，從編號(hào)最小的頂點(diǎn)開(kāi)始，依次搜索與當(dāng)前頂點(diǎn)相關(guān)聯(lián)的邊，并對(duì)搜索到的邊從小到大進(jìn)行編號(hào)；

(3)將無(wú)向圖模型G(V，E)中的邊E抽象為無(wú)向圖模型G′(V′，E′)的頂點(diǎn)V′，并令頂點(diǎn)V′的編號(hào)一一對(duì)應(yīng)G(V，E)中邊E的編號(hào)，將無(wú)向圖模型G(V，E)中邊E之間的鄰接關(guān)系抽象為無(wú)向圖模型G′(V′，E′)的邊E′，建立無(wú)向圖模型G′(V′，E′)及其對(duì)應(yīng)的鄰接矩陣B；

(4)采用改進(jìn)的Floyd方法計(jì)算無(wú)向圖模型G′(V′，E′)中任意兩頂點(diǎn)間的最短路徑，以兩頂點(diǎn)間的最短路徑作為兩頂點(diǎn)間邊的權(quán)值，構(gòu)造一個(gè)完全連通圖模型G″(V″，E″)，以此完全連通圖模型G″(V″，E″)作為數(shù)字微流控芯片災(zāi)難性故障測(cè)試的模型；

S2.得到初步測(cè)試路徑并設(shè)置最大最小蟻群算法的初始信息素上下界和信息素初始值：根據(jù)數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)，采用遺傳算法得到初步測(cè)試路徑，并根據(jù)初步測(cè)試路徑設(shè)置最大最小蟻群算法的初始信息素上下界和信息素初始值，其中，初始信息素上下界和信息素初始值具體設(shè)置公式為：

其中，τ_max(0)、τ_min(0)分別為初始信息素上界和下界，是遺傳算法求得的初步測(cè)試路徑中最短測(cè)試路徑的長(zhǎng)度，P_best表示蟻群算法收斂時(shí)構(gòu)造最優(yōu)解的概率，avg等于m/2，m是最大最小蟻群算法中設(shè)置的螞蟻數(shù)量，ρ是信息素殘留系數(shù)，τ_ij(0)為任意路徑(i，j)上的信息素初值，u表示從遺傳算法求得初步測(cè)試路徑中選擇最短的u個(gè)測(cè)試路徑，是遺傳算法求得的初步測(cè)試路徑中的一個(gè)測(cè)試路徑k的長(zhǎng)度；

S3.搜索最終測(cè)試路徑并輸出結(jié)果：根據(jù)數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)和步驟S2得到的初始信息素上下界和信息素初始值，采用最大最小蟻群算法搜索最終測(cè)試路徑，蟻群算法迭代完成后，輸出最終測(cè)試路徑，其中，最大最小蟻群算法的目標(biāo)函數(shù)為：

其中，為最終測(cè)試路徑中兩個(gè)相鄰路由節(jié)點(diǎn)v″_i和v″_i+1之間的距離權(quán)值，路由節(jié)點(diǎn)v″_i和v″_i+1即為數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)中的兩個(gè)頂點(diǎn)。

所述步驟S1中的改進(jìn)Floyd方法為：

在計(jì)算無(wú)向圖G′(V′，E′)中任意兩頂點(diǎn)v′_i和v′_j之間最短路徑時(shí)，先對(duì)待插入的節(jié)點(diǎn)v′_r進(jìn)行路長(zhǎng)比較，如果d_ir≥d_ij或d_rj≥d_ij，d_ij代表兩個(gè)頂點(diǎn)之間的距離，則說(shuō)明插入節(jié)點(diǎn)v′_r后，v′_i經(jīng)過(guò)v′_r到達(dá)v′_j的路徑不會(huì)比原來(lái)兩頂點(diǎn)之間的路徑短，于是不再計(jì)算d_ir+d_rj，直接進(jìn)行下一節(jié)點(diǎn)的搜索，且無(wú)向圖G′(V′，E′)中頂點(diǎn)v′_i到v′_j的距離與v′_j到v′_i的距離對(duì)稱相等，若已計(jì)算v′_i到v′_j的距離，則不需再計(jì)算v′_j到v′_i的距離，這樣做減少了計(jì)算量。

所述步驟S2中遺傳算法的染色體編碼方案采用十進(jìn)制整數(shù)編碼，以初步測(cè)試路徑的一個(gè)路由節(jié)點(diǎn)次序作為一條染色體，且染色體編碼的起始位代表數(shù)字微流控芯片上液滴源所在的位置，編碼末位代表數(shù)字微流控芯片上廢液池所在的位置。

所述步驟S2中的遺傳算法的選擇算子采用適應(yīng)度比例方法，交叉算子采用順序交叉法，變異算子采用逆轉(zhuǎn)變異方法，且染色體起始位和末位不參與交叉操作和變異操作。

所述步驟S3中的最大最小蟻群算法在搜索最終測(cè)試路徑時(shí)，按照偽隨機(jī)比例規(guī)則搜索最終測(cè)試路徑的節(jié)點(diǎn)，具體地，螞蟻按照下面的公式搜索最終測(cè)試路徑的節(jié)點(diǎn)：

其中，q₀∈(0，1)是常數(shù)，q∈(0，1)是隨機(jī)數(shù)，τ_ij(t)表示t時(shí)刻節(jié)點(diǎn)v″_i和v″_j間的信息素，η_ij(t)表示啟發(fā)信息，η_ij(t)＝1/d_ij，d_ij為數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)中兩節(jié)點(diǎn)v″_i和v″_j間的距離，α和β分別表示影響信息素和啟發(fā)信息的相對(duì)強(qiáng)弱的兩個(gè)參數(shù)。

所述步驟S3中最大最小蟻群算法的信息素更新策略為：只允許每次迭代后的最短測(cè)試路徑增加信息素，具體地，信息素按照下面的公式更新：

其中，ρ是信息素殘留系數(shù)，Δτ_ij(t)表示路徑(i，j)上的信息素增量。f(S^best)為本次最大最小蟻群算法迭代中最短測(cè)試路徑的長(zhǎng)度L_ls或當(dāng)前全局最短測(cè)試路徑的長(zhǎng)度L_gs。

所述步驟S3中的最大最小蟻群算法的信息素上下界采用動(dòng)態(tài)更新策略，具體地，信息素上下界更新公式如下：

其中，τ_max(t)、τ_min(t)為t時(shí)刻信息素的上下界，L_ls為本次最大最小蟻群算法迭代后最短測(cè)試路徑的長(zhǎng)度。

所述步驟S3中采用最大最小蟻群算法搜索最終測(cè)試路徑時(shí)，為了防止液滴之間的意外融合，測(cè)試液滴需要滿足靜態(tài)約束條件和動(dòng)態(tài)約束條件。

這種測(cè)試方法不但改善了單一蟻群算法收斂性差的問(wèn)題，而且提高了測(cè)試算法的執(zhí)行效率，并且能快速求得測(cè)試路徑。這種測(cè)試方法能夠檢測(cè)出相鄰電極短路故障，且兼容規(guī)則陣列與非規(guī)則陣列數(shù)字微流控芯片，更有利于應(yīng)用于大規(guī)模數(shù)字微流控芯片的災(zāi)難性故障測(cè)試。

附圖說(shuō)明

圖1為實(shí)施例多元生化實(shí)驗(yàn)的數(shù)字微流控芯片的結(jié)構(gòu)示意圖；

圖2為一個(gè)3×3規(guī)則陣列數(shù)字微流控芯片的災(zāi)難性故障測(cè)試模型轉(zhuǎn)換示意圖；

圖3為數(shù)字微流控芯片上液滴之間的約束條件示意圖；

圖4為實(shí)施例方法應(yīng)用于多元生化實(shí)驗(yàn)數(shù)字微流控芯片的災(zāi)難性故障測(cè)試的方法收斂示意圖；

圖5為實(shí)施例方法與歐拉回路法、蟻群測(cè)試算法分別應(yīng)用于多元生化實(shí)驗(yàn)數(shù)字微流控芯片的災(zāi)難性故障測(cè)試所花費(fèi)的測(cè)試時(shí)間對(duì)比示意圖；

圖6為實(shí)施例方法的流程示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明內(nèi)容作進(jìn)一步的闡述，但并不是對(duì)本發(fā)明的限定。

實(shí)施例：

參照?qǐng)D6，一種基于遺傳蟻群融合算法的數(shù)字微流控芯片災(zāi)難性故障測(cè)試方法，包括以下步驟：

S1.建立數(shù)字微流控芯片的災(zāi)難性故障測(cè)試模型：根據(jù)數(shù)字微流控芯片的陣列單元結(jié)構(gòu)，建立數(shù)字微流控芯片的災(zāi)難性故障測(cè)試模型，所述模型為：

(1)把數(shù)字微流控芯片的陣列單元抽象為無(wú)向圖G(V，E)的頂點(diǎn)V，相鄰陣列單元之間的連接關(guān)系抽象為無(wú)向圖G(V，E)的邊E，得到無(wú)向圖模型G(V，E)，并建立其對(duì)應(yīng)的鄰接矩陣A；

(2)對(duì)無(wú)向圖模型G(V，E)中的所有頂點(diǎn)V進(jìn)行編號(hào)，令每個(gè)頂點(diǎn)的編號(hào)對(duì)應(yīng)為該頂點(diǎn)在鄰接矩陣A中的行號(hào)，從編號(hào)最小的頂點(diǎn)開(kāi)始，依次搜索與當(dāng)前頂點(diǎn)相關(guān)聯(lián)的邊，并對(duì)搜索到的邊從小到大進(jìn)行編號(hào)；

(3)將無(wú)向圖模型G(V，E)中的邊E抽象為無(wú)向圖模型G′(V′，E′)的頂點(diǎn)V′，并令頂點(diǎn)V′的編號(hào)一一對(duì)應(yīng)G(V，E)中邊E的編號(hào)，將無(wú)向圖模型G(V，E)中邊E之間的鄰接關(guān)系抽象為無(wú)向圖模型G′(V′，E′)的邊E′，建立無(wú)向圖模型G′(V′，E′)及其對(duì)應(yīng)的鄰接矩陣B；

(4)采用改進(jìn)的Floyd方法計(jì)算無(wú)向圖模型G′(V′，E′)中任意兩頂點(diǎn)間的最短路徑，以兩頂點(diǎn)間的最短路徑作為兩頂點(diǎn)間邊的權(quán)值，構(gòu)造一個(gè)完全連通圖模型G″(V″，E″)，以此完全連通圖模型G″(V″，E″)作為數(shù)字微流控芯片災(zāi)難性故障測(cè)試的模型；

如圖1所示的多元生化實(shí)驗(yàn)的數(shù)字微流控芯片，該數(shù)字微流控芯片有一個(gè)測(cè)試液滴源和一個(gè)廢液池，圖中的箭頭方向?yàn)閷?shí)驗(yàn)液滴的移動(dòng)路徑，檢測(cè)位置1和2是檢測(cè)實(shí)驗(yàn)液滴反應(yīng)結(jié)果的位置，為了對(duì)其進(jìn)行災(zāi)難性故障測(cè)試，需要測(cè)試液滴從液滴源出發(fā)遍歷整個(gè)數(shù)字微流控芯片后到達(dá)廢液池，為了防止液滴之間的意外融合，測(cè)試液滴之間需要滿足靜態(tài)約束條件和動(dòng)態(tài)約束條件，該數(shù)字微流控芯片陣列單元數(shù)為225個(gè)，數(shù)量較大，因此為了對(duì)測(cè)試模型轉(zhuǎn)化的過(guò)程進(jìn)行直觀的說(shuō)明，參照?qǐng)D2的3×3規(guī)則陣列的數(shù)字微流控芯片，具體為：

(1)把3×3規(guī)則陣列的數(shù)字微流控芯片的陣列單元抽象為無(wú)向圖模型G(V，E)中的頂點(diǎn)V，陣列單元的相鄰關(guān)系抽象為邊E，得到如圖2中所示的無(wú)向圖模型G(V，E)，并建立與無(wú)向模型G(V，E)對(duì)應(yīng)的鄰接矩陣A；

(2)對(duì)圖2所示的無(wú)向圖模型G(V，E)中頂點(diǎn)V進(jìn)行編號(hào)，頂點(diǎn)的編號(hào)對(duì)應(yīng)為頂點(diǎn)在鄰接矩陣A的行號(hào)，從編號(hào)最小的頂點(diǎn)開(kāi)始，依次搜索與當(dāng)前頂點(diǎn)相關(guān)聯(lián)的邊，并對(duì)搜索到的邊從小到大進(jìn)行編號(hào)，如圖2所示無(wú)向圖模型G(V，E)中邊E的編號(hào)為“1”到“12”；

(3)將無(wú)向圖模型G(V，E)中的邊E抽象為將無(wú)向圖模型G′(V′，E′)的頂點(diǎn)V′，將無(wú)向圖模型G(V，E)中邊E之間的鄰接關(guān)系抽象為無(wú)向圖模型G′(V′，E′)的邊E′，得到無(wú)向圖模型G′(V′，E′)，所述無(wú)向圖模型G(V，E)中邊E之間的鄰接關(guān)系為：若無(wú)向圖模型G(V，E)中的兩條邊有共同頂點(diǎn)，說(shuō)明這兩條邊是鄰接的，則其對(duì)應(yīng)的無(wú)向圖模型G′(V′，E′)中的頂點(diǎn)之間存在一條邊，如附圖2所示將無(wú)向圖G(V，E)中編號(hào)為“11”和“12”的邊抽象為無(wú)向圖G′(V′，E′)的頂點(diǎn)，編號(hào)為“11”和“12”的兩條邊存在共同的頂點(diǎn)，則其抽象為圖G′(V′，E′)中的兩個(gè)頂點(diǎn)之間存在一條邊；

(4)最后根據(jù)無(wú)向圖模型G′(V′，E′)，利用改進(jìn)的Floyd方法計(jì)算G′(V′，E′)中任意兩頂點(diǎn)間的最短路徑，以兩頂點(diǎn)之間最短路徑作為兩頂點(diǎn)間邊的權(quán)值，構(gòu)造一個(gè)完全連通圖模型G″(V″，E″)，以此完全連通圖模型G″(V″，E″)作為數(shù)字微流控芯片災(zāi)難性故障測(cè)試的模型。如圖2所示的3×3規(guī)則陣列數(shù)字微流控芯片轉(zhuǎn)化的完全連通圖G″(V″，E″)中有12個(gè)頂點(diǎn)，則其對(duì)應(yīng)條邊，由于邊數(shù)太多無(wú)法直觀畫出來(lái)，故測(cè)試模型轉(zhuǎn)換中沒(méi)有給出完全連通圖G″(V″，E″)的具體圖形。

上述步驟S1中數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型的轉(zhuǎn)換方法適用于所有規(guī)則和非規(guī)則陣列的數(shù)字微流控芯片。

S2.得到初步測(cè)試路徑并設(shè)置最大最小蟻群算法的初始信息素上下界和信息素初始值：根據(jù)數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)采用遺傳算法得到初步測(cè)試路徑，并根據(jù)初步測(cè)試路徑設(shè)置最大最小蟻群算法的初始信息素上下界和信息素初始值，其中，初始信息素上下界和信息素初始值具體設(shè)置公式為：

其中，τ_max(0)、τ_min(0)分別為初始信息素上界和下界，是遺傳算法求得的初步測(cè)試路徑中最短測(cè)試路徑的長(zhǎng)度，P_best表示蟻群算法收斂時(shí)構(gòu)造最優(yōu)解的概率，avg等于m/2，m是最大最小蟻群算法中設(shè)置的螞蟻數(shù)量，ρ是信息素殘留系數(shù)，τ_ij(0)為任意路徑(i，j)上的信息素初值，u表示從遺傳算法求得初步測(cè)試路徑中選擇最短的u個(gè)測(cè)試路徑，是遺傳算法求得的初步測(cè)試路徑中的一個(gè)測(cè)試路徑k的長(zhǎng)度；

具體為：

在遺傳算法迭代完成后，從遺傳算法求得的初步測(cè)試路徑中，選擇其中較短的初步測(cè)試路徑來(lái)計(jì)算最大最小蟻群算法的初始信息素上下界和信息素初始值，本實(shí)施例應(yīng)用于多元生化實(shí)驗(yàn)數(shù)字微流控芯片的災(zāi)難性故障測(cè)試中，相關(guān)參數(shù)的優(yōu)選的方案為：遺傳算法的迭代次數(shù)設(shè)為150次，種群的染色體數(shù)量N設(shè)為50，迭代完成后在求得的50條初步測(cè)試路徑中取前u＝30條最短的初步測(cè)試路徑來(lái)形成初始信息素上下界和信息素初始值，取ρ＝0.92，P_best＝0.05，螞蟻的數(shù)量m＝30；

S3.搜索最終測(cè)試路徑并輸出結(jié)果：根據(jù)數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)和步驟S2得到的初始信息素上下界和信息素初始值，采用最大最小蟻群算法搜索最終測(cè)試路徑，蟻群算法迭代完成后，輸出最終測(cè)試路徑，其中，最大最小蟻群算法的目標(biāo)函數(shù)為：

其中，為最終測(cè)試路徑中兩個(gè)相鄰路由節(jié)點(diǎn)v″_i和v″_i+1之間的距離權(quán)值，路由節(jié)點(diǎn)v″_i和v″_i+1即為數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)中的兩個(gè)頂點(diǎn)。

所述步驟S1中的改進(jìn)Floyd方法為：

在計(jì)算無(wú)向圖G′(V′，E′)中任意兩頂點(diǎn)v′_i和v′_j之間最短路徑時(shí)，先對(duì)待插入的節(jié)點(diǎn)v′_r進(jìn)行路長(zhǎng)比較，如果d_ir≥d_ij或d_rj≥d_ij，d_ij代表兩個(gè)頂點(diǎn)之間的距離，則說(shuō)明插入節(jié)點(diǎn)v′_r后，v′_i經(jīng)過(guò)v′_r到達(dá)v′_j的路徑不會(huì)比原來(lái)兩頂點(diǎn)之間的路徑短，于是不再計(jì)算d_ir+d_rj，直接進(jìn)行下一節(jié)點(diǎn)的搜索，且無(wú)向圖G′(V′，E′)中頂點(diǎn)v′_i到v′_j的距離與v′_j到v′_i的距離對(duì)稱相等，若已計(jì)算v′_i到v′_j的距離，則不需再計(jì)算v′_j到v′_i的距離，這樣做減少了計(jì)算量。

具體的，改進(jìn)后的Floyd方法的流程如下：

S2-1)從無(wú)向圖模型G′(V′，E′)中編號(hào)最小的頂點(diǎn)開(kāi)始，搜索任意一對(duì)頂點(diǎn)v′_i與v′_j之間，是否存在另一個(gè)頂點(diǎn)v′_r，使v′_i經(jīng)過(guò)v′_r到v′_j的距離比當(dāng)前v′_i到v′_j的距離短，若是則更新v′_i與v′_j之間的距離，否則繼續(xù)搜索下一節(jié)點(diǎn)；比較距離時(shí)，可以對(duì)待插入的節(jié)點(diǎn)v′_r先進(jìn)行路長(zhǎng)比較，如果d_ir≥d_ij或d_rj≥d_ij(d_ij代表兩個(gè)頂點(diǎn)之間的距離)，則說(shuō)明插入節(jié)點(diǎn)v′_r后，v′_i經(jīng)過(guò)v′_r到達(dá)v′_j的路徑不會(huì)比原來(lái)兩點(diǎn)之間的路徑短，則直接進(jìn)行下一節(jié)點(diǎn)的搜索；

S2-2)更新任意兩頂點(diǎn)之間的距離權(quán)值之后，得到一個(gè)完全連通圖G″(V″，E″)的鄰接矩陣C。在算法迭代過(guò)程中，由于v′_i到v′_j的距離與v′_j到v′_i的距離相等，若已更新v′_i到v′_j的距離，則不需再計(jì)算v′_j到v′_i的距離，可以提高Floyd方法的效率。

所述步驟S2中遺傳算法的染色體編碼方案采用十進(jìn)制整數(shù)編碼，以測(cè)試路徑的一個(gè)路由節(jié)點(diǎn)次序作為一條染色體，且染色體編碼的起始位代表數(shù)字微流控芯片上液滴源所在的位置，編碼末位代表數(shù)字微流控芯片上廢液池所在的位置，染色體十進(jìn)制整數(shù)編碼的方案為：

將測(cè)試模型G″(V″，E″)中頂點(diǎn)的十進(jìn)制編號(hào)作為染色體的基因的編碼，如附圖2中所示的G″(V″，E″)中頂點(diǎn)編號(hào)為從“1”到“12”，則可以編碼染色體為(1-2-3-4-5-6-7-8-9-10-11-12)或任意其他情況的頂點(diǎn)編號(hào)的排列組合。

所述步驟S2中的遺傳算法的選擇算子采用適應(yīng)度比例方法，交叉算子采用順序交叉法，變異算子采用逆轉(zhuǎn)變異方法，且染色體起始位和末位不參與交叉操作和變異操作，交叉操作和變異操作流程如下：

S2-3)利用遺傳算法求解測(cè)試路徑時(shí)，每一次迭代需要采用適應(yīng)度比例方法從種群N中選擇M/2(M≥N)對(duì)染色體進(jìn)行交叉操作。具體的，個(gè)體k被選擇的概率為：

f_k＝1/L_k

其中，f_k為適應(yīng)度函數(shù)，為染色體X_k代表的測(cè)試路徑中兩個(gè)相鄰節(jié)點(diǎn)x_i和x_i+1之間的距離，N為種群的染色體數(shù)量；本實(shí)施例中，M的一種優(yōu)選值為80，N設(shè)為50。

S2-4)染色體選擇完成后，采用順序交叉法對(duì)選擇的M/2對(duì)染色體進(jìn)行交叉操作，且測(cè)試路徑的起點(diǎn)和終點(diǎn)代表液滴源和廢液池，不參與交叉操作。本實(shí)施例中，附圖1所示數(shù)字微流控芯片陣列單元之間連接邊的數(shù)量為420，數(shù)量較大，不便于直觀說(shuō)明交叉的具體操作。不失一般性，以10個(gè)基因的染色體為例，來(lái)直觀地說(shuō)明順序交叉法的交叉過(guò)程如下：

①隨機(jī)在父串上選擇一個(gè)交叉區(qū)域，如兩父串和交叉區(qū)域?yàn)椋?/p>

X₁＝x₀x₁x₂|x₃x₄x₅x₆|x₇x₈x₉

X₂＝x₀x₈x₄|x₇x₆x₂x₁|x₃x₅x₉

②將X₂的交叉區(qū)加到X₁中起點(diǎn)x₀后面，同樣將X₁的交叉區(qū)加到X₂中起點(diǎn)x₀后面，可得：

X′₁＝x₀|x₇x₆x₂x₁|x₁x₂x₃x₄x₅x₆x₇x₈x₉

X′₂＝x₀|x₃x₄x₅x₆|x₈x₄x₇x₆x₂x₁x₃x₅x₉

③依次刪除X′₁和X′₂中與交叉區(qū)相同的基因，得到最終的子串：

X″₁＝x₀x₇x₆x₂x₁x₃x₄x₅x₈x₉

X″₂＝x₀x₃x₄x₅x₆x₈x₇x₂x₁x₉

S2-5)交叉操作完成后，采用逆轉(zhuǎn)變異方法對(duì)染色體進(jìn)行變異操作；同樣，以10個(gè)基因的染色體為例進(jìn)行說(shuō)明：如染色體(x₀x₁x₂x₃x₄x₅x₆x₇x₈x₉)在區(qū)間x₂x₃和區(qū)間x₆x₇處發(fā)生斷裂，斷裂片段又以反向順序插入，于是逆轉(zhuǎn)后的染色體變?yōu)?x₀x₁x₂x₆x₅x₄x₃x₇x₈x₉)。

S2-6)變異操作完成后，將種群中的個(gè)體按適應(yīng)度從大到小排序，從大到小選擇N個(gè)適應(yīng)度高的個(gè)體，作為下一次迭代的種群；迭代次數(shù)加1，并判斷是否達(dá)到設(shè)置的迭代次數(shù)，若達(dá)到則終止遺傳算法，否則，進(jìn)入下一次遺傳算法的循環(huán)，直至迭代完成。

所述步驟S3中的最大最小蟻群算法在搜索最終測(cè)試路徑時(shí)，按照偽隨機(jī)比例規(guī)則搜索最終測(cè)試路徑的節(jié)點(diǎn)，具體地，螞蟻按照下面的公式搜索最終測(cè)試路徑的節(jié)點(diǎn)：

其中，q₀∈(0，1)是常數(shù)，q∈(0，1)是隨機(jī)數(shù)，τ_ij(t)表示t時(shí)刻節(jié)點(diǎn)v″_i和v″_j間的信息素，η_ij(t)表示啟發(fā)信息，η_ij(t)＝1/d_ij，d_ij為數(shù)字微流控芯片災(zāi)難性故障測(cè)試模型G″(V″，E″)中兩節(jié)點(diǎn)v″_i和v″_j間的距離，α和β分別表示影響信息素和啟發(fā)信息的相對(duì)強(qiáng)弱的兩個(gè)參數(shù)。

螞蟻搜索最終測(cè)試路徑節(jié)點(diǎn)的具體過(guò)程如下：

螞蟻在選擇下一節(jié)點(diǎn)時(shí)，先隨機(jī)生成q，若q≤q₀，則選擇使[τ_il(t)]^α[η_il(t)]^β值最大的節(jié)點(diǎn)j否則按概率公式選擇下一個(gè)路由節(jié)點(diǎn)，按照公式計(jì)算每個(gè)節(jié)點(diǎn)被選擇的概率后，按照“輪盤賭”的方式選擇下一測(cè)試節(jié)點(diǎn)，即概率值越高被選擇的可能性越大。l∈allowed_k表示節(jié)點(diǎn)l在可選的集合中，螞蟻選擇此節(jié)點(diǎn)后就從allowed_k集合中刪除此節(jié)點(diǎn)，防止測(cè)試液滴的重復(fù)遍歷，提高測(cè)試效率。

本例中，最大最小蟻群算法的相關(guān)參數(shù)的優(yōu)選設(shè)置方案如下：

螞蟻數(shù)量m＝30，偽隨機(jī)比例規(guī)則中的q₀＝0.1，信息素啟發(fā)系數(shù)α＝1.2，啟發(fā)因子系數(shù)β＝3.0，信息素殘留系數(shù)ρ＝0.92，收斂于最優(yōu)解的概率P_best＝0.05，蟻群算法迭代次數(shù)設(shè)為1850。

步驟S3中最大最小蟻群算法的信息素更新策略為：只允許每次迭代后的最短測(cè)試路徑增加信息素，具體地，信息素按照下面的公式更新：

其中，ρ是信息素殘留系數(shù)，Δτ_ij(t)表示路徑(i，j)上的信息素增量。f(S^best)為本次最大最小蟻群算法迭代中最短測(cè)試路徑的長(zhǎng)度L_ls或當(dāng)前全局最短測(cè)試路徑的長(zhǎng)度L_gs。

所述f(S^best)的具體設(shè)置方案為：在蟻群算法搜索測(cè)試路徑時(shí)，每次迭代后都采用本次迭代中最短測(cè)試路徑的長(zhǎng)度L_ls的值更新信息素，在固定的迭代次數(shù)選擇使用當(dāng)前全局最短測(cè)試路徑的長(zhǎng)度L_gs。本實(shí)施例中每迭代50次就使用一次前全局最短測(cè)試路徑的長(zhǎng)度L_gs的值。

所述步驟S3中最大最小蟻群算法的信息素更新策略為：只允許每次迭代后的最短測(cè)試路徑增加信息素，具體地，信息素按照下面的公式更新：

其中，ρ是信息素殘留系數(shù)，Δτ_ij(t)表示路徑(i，j)上的信息素增量。f(S^best)為本次最大最小蟻群算法迭代中最短測(cè)試路徑的長(zhǎng)度L_ls或當(dāng)前全局最短測(cè)試路徑的長(zhǎng)度L_gs。

所述步驟S3中的最大最小蟻群算法的信息素上下界采用動(dòng)態(tài)更新策略，具體地，信息素上下界更新公式如下：

其中，τ_max(t)、τ_min(t)為t時(shí)刻信息素的上下界，L_ls為本次最大最小蟻群算法迭代后最短測(cè)試路徑的長(zhǎng)度。

所述步驟S3中采用最大最小蟻群算法搜索最終測(cè)試路徑時(shí)，為了防止液滴之間的意外融合，測(cè)試液滴需要滿足靜態(tài)約束條件和動(dòng)態(tài)約束條件，液滴之間的靜態(tài)約束條件和動(dòng)態(tài)約束條件說(shuō)明如下：如圖5所示，黑色實(shí)心圓表示液滴，“×”表示此單元此時(shí)刻t不能被測(cè)試液滴訪問(wèn)，靜態(tài)約束條件是指液滴周圍直線相鄰和對(duì)角相鄰的單元上，同一時(shí)刻t不能同時(shí)存在其他液滴，即為了防止液滴間的意外融合，液滴之間需要保持一定的距離，用公式表示如下：

或

動(dòng)態(tài)約束條件是指液滴下一時(shí)刻移動(dòng)的位置不能與其他液滴相鄰，用公式可表示為：

根據(jù)實(shí)驗(yàn)液滴的移動(dòng)路徑和約束條件可以確定任意時(shí)刻t不能被測(cè)試液滴訪問(wèn)的單元的集合，記為禁忌表tab(t)。在利用最大最小蟻群算法搜索測(cè)試路徑中的節(jié)點(diǎn)時(shí)，若某時(shí)刻t選擇的路由節(jié)點(diǎn)j處于禁忌表tab(t)中，則表示此節(jié)點(diǎn)當(dāng)前不可訪問(wèn)，查詢此節(jié)點(diǎn)被禁止的時(shí)間，設(shè)為等待時(shí)間t_wait；按照偽隨機(jī)比例規(guī)則重新搜索新的節(jié)點(diǎn)x，將當(dāng)前節(jié)點(diǎn)i到原選擇節(jié)點(diǎn)j的距離權(quán)值加上等待時(shí)間t_wait的權(quán)值與當(dāng)前節(jié)點(diǎn)i到新節(jié)點(diǎn)x的距離權(quán)值作比較，若到達(dá)新節(jié)點(diǎn)x距離權(quán)值較小，則測(cè)試液滴向新節(jié)點(diǎn)x移動(dòng)，否則測(cè)試液滴在當(dāng)前節(jié)點(diǎn)i等待原選節(jié)點(diǎn)j被激活，選擇節(jié)點(diǎn)j。

步驟S3中采用最大最小蟻群算法搜索最終測(cè)試路徑時(shí)，當(dāng)蟻群算法迭代次數(shù)到達(dá)設(shè)定值后，輸出求得最終測(cè)試路徑。本實(shí)施例中最大最小蟻群算法迭代1850次后，輸出求得的最終測(cè)試路徑，并根據(jù)求得的最終測(cè)試路徑計(jì)算測(cè)試花費(fèi)的單位時(shí)間，測(cè)試路徑越長(zhǎng)則測(cè)試花費(fèi)的單位時(shí)間越多，測(cè)試路徑越短則測(cè)試花費(fèi)的單位時(shí)間越少。測(cè)試花費(fèi)的單位時(shí)間越少，說(shuō)明測(cè)試效率越高。其中，單位時(shí)間為測(cè)試液滴從一個(gè)單元移動(dòng)到相鄰單元花費(fèi)的時(shí)間，本實(shí)施例中，如圖1所示的多元生化實(shí)驗(yàn)的數(shù)字微流控芯片的單位時(shí)間具體為62.5ms。

按照上述步驟對(duì)圖1所示的數(shù)字微流控芯片進(jìn)行災(zāi)難性故障測(cè)試仿真，測(cè)試算法在Visual studio 2012環(huán)境下采用C++編程實(shí)現(xiàn)，得到的測(cè)試方法收斂示意圖如圖4所示，圖4的橫坐標(biāo)為迭代次數(shù)，縱坐標(biāo)為單位時(shí)間；圖5中縱坐標(biāo)為單位時(shí)間，橫坐標(biāo)為不同的測(cè)試方法；由圖5可知，本實(shí)施例的測(cè)試算法的測(cè)試花費(fèi)時(shí)間明顯優(yōu)于歐拉回路法，比蟻群算法的測(cè)試花費(fèi)時(shí)間僅多1個(gè)單位時(shí)間。但是，單一的蟻群算法一般在迭代1350次左右收斂，由圖4可知，本實(shí)施例的方法在950次左右算法收斂，相比單一的蟻群算法收斂性提了29％，方法的收斂性更好，在保證了測(cè)試花費(fèi)時(shí)間較低的情況下，能夠快速地求得較優(yōu)的測(cè)試路徑。

由于漢密爾頓回路測(cè)試法、分區(qū)子陣列合并調(diào)度測(cè)試法無(wú)法檢測(cè)出相鄰電極短路故障，并行測(cè)試和自建自測(cè)試法只能用于規(guī)則陣列的芯片測(cè)試，這些測(cè)試方法缺少全面性、兼容性，本實(shí)施例的測(cè)試方法不與這些測(cè)試方法作比較。