基于大数据时代背景,大规模多处理机系统的应用越来越普遍,为了获得更好的运行效率,多处理机系统的规模在不断地扩大,系统的复杂程度不断提高,处理机结点出现故障的可能性也随之增大。由于这类系统集成了许多个处理机,其中的每一台处理机相当于系统的一个主机,需要各个处理机之间进行通信以实现资源共享。系统要处理的实时任务非常多,处理机之间的实时通信会很繁重,若系统中的某些处理机出现了故障而没有及时得到有效处理,这往往会导致严重的损失,甚至会造成灾难性的后果。因此,如何得到一种有效的诊断技术去快速地、准确地定位系统中的故障处理机并修复或者替换掉,是一个很有意义的研究方向。作为提高多处理机系统可靠性和降低事故风险的有力措施和有效方法,对系统级故障诊断的研究变得越来越重要。随着群体智能算法的广泛应用,各种各样的群体智能诊断算法也应运而生,但目前很多群体智能诊断算法均存在易早熟、较不稳定的问题。考虑到烟花算法具有很强的全局搜索能力和局部搜索能力的自调节机制,可以有效地克服上述问题,故本文针对不同故障诊断模型的特点,分别对传统烟花算法进行相应的改进,并利用改进的烟花算法设计出不同模型下智能、高效、高准确率的系统级故障诊断算法。本文在系统级故障诊断方面的研究内容和工作包括以下三个方面:1.在烟花算法中引入双种群策略,提出一种基于MM*模型的系统级故障诊断算法。该算法两个种群并行独立运算,在迭代过程中交叉执行协作算子和最优算子,其中,协作算子使得两个种群可以进行有效的信息交流,避免了算法的过度早熟,而最优算子有利于加强算法的全局搜索能力,提高了算法的收敛速率。同时设计约束方程,提出新的适应度函数,并优化了变异算子以及选择策略。实验对比说明,该算法有效提高了系统级故障诊断的效率和准确率,具有较好的实用性。最后通过理论证明了算法的正确性,并分析了算法的时间复杂度。2.将烟花算法与BP神经网络进行结合,提出一种基于PMC模型的系统级故障诊断算法。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用改进的烟花算法优化BP神经网络中的权值和偏置的寻优过程。仿真实验结果表明,本文算法相较于其他算法有效地减少了迭代次数、降低了训练时间,而且还在诊断精度上也有了明显的提升。3.无线传感器网络的组织结构类似于多处理机系统,故将烟花算法与卷积神经网络进行结合,提出一种基于MM*诊断模型的无线传感器网络故障传感器识别算法。首先,针对MM*模型的特点对传统烟花算法做出改进。然后,利用改进的烟花算法优化卷积神经网络的权值和偏置的寻优过程,使得卷积神经网络在极值判断及收敛速度受限等问题得以解决,从而高效地实现了无线传感器网络的故障诊断。仿真实验表明该算法具有较高的故障诊断精度。