用于演化硬件的动态变异率进化策略

合集下载

进化算法原理：模拟自然选择的优化方法

进化算法的改
种
进
01
02
• 多目标进化算法
• 提高搜索能免疫进化算法
• 降低计算复杂度
06
进化算法的性能评估与优化
进化算法的性能评估指标与方法
01
02
性能评估指标
性能评估方法
• 收敛速度
• 基准测试问题
• 解的质量
• 仿真实验
• 稳定性
• 实际应用案例
进化算法的参数设置与调整策略
码、实数编码等
• 编码方法应具有较高的表达能力和解码
效率
解码方法
• 将染色体解码成问题的解
• 解码方法应保证解码结果与编码的一致
性
遗传算法中的选择、变异与交叉操作
01
02
03
选择操作
变异操作
交叉操作
• 根据适应度函数值选择优胜个体，
• 对个体基因进行随机修改，增加
• 结合两个个体的基因，生成新的
参与下一代进化
• 路径规划
• 资源分配
量子进化算法的基本概念与实现
量子进化算法的基本概念
• 结合量子计算理论来求解优化问题
• 量子进化算法采用量子比特表示个体
量子进化算法的实现
• 初始化量子种群
• 评估适应度
• 选择优胜个体
• 量子变异与量子交叉操作
• 迭代进化，直至满足停止条件
其他进化算法的变种与改进
进化算法的变
种群多样性
个体
• 常见选择策略：轮盘赌选择、锦
• 常见的变异方法：二进制变异、
• 常见的交叉方法：单点交叉、多
标赛选择、排序选择等
实数变异、整数变异等
点交叉、均匀交叉等
04

进化计算的主要分支

进化计算的主要分支
进化计算是一种模拟自然进化过程的计算方法，它的主要分支包括以下几种：
1. 遗传算法（Genetic Algorithm，GA）：遗传算法是进化计算中最经典和广泛应用的方法之一。

它基于生物进化的遗传原理，通过模拟基因的交叉、变异和选择等操作，来优化问题的解。

2. 进化策略（Evolution Strategies，ES）：进化策略是一种基于种群的搜索方法，它通过个体的变异和选择来更新种群，以找到最优解。

与遗传算法不同，进化策略通常不使用交叉操作。

3. 遗传编程（Genetic Programming，GP）：遗传编程是一种基于树结构的进化计算方法，它用于解决问题的编程任务。

个体在遗传编程中表示为树状结构，通过遗传操作和适应度评估来优化程序的性能。

4. 协同进化（Coevolution）：协同进化是指多个物种或多个智能体在相互作用和共同演化的环境中进行进化。

它可以应用于多目标优化、生态系统建模等领域。

5. 免疫算法（Immunological Algorithm，IA）：免疫算法是一种受生物免疫系统启发的计算方法，它利用免疫机制来实现优化和问题求解。

6. 粒子群优化（Particle Swarm Optimization，PSO）：粒子群优化是一种基于群体智能的优化算法，它模拟鸟群或鱼群的行为，通过个体之间的协作和竞争来寻找最优解。

这些分支在不同的应用领域和问题类型中都有广泛的应用，并且不断有新的分支和改进方法涌现。

进化计算的优点包括全局搜索能力、适应性和鲁棒性等，使其成为解决复杂优化问题的有效工具。

进化策略算法

进化策略算法
进化策略算法是一种优化算法，它模拟了自然界中的进化过程。

该算法通过不断的变异和选择，优化出最优解。

进化策略算法可以解决许多复杂的问题，如函数优化、机器学习和控制问题等。

进化策略算法是基于概率的算法，其核心思想是通过随机生成一组解来开始搜索过程，然后通过变异和选择来不断优化解的质量。

在变异过程中，解的某些部分会发生随机变化，从而产生新的解。

在选择过程中，根据解的质量进行筛选，保留最优解或最有潜力的解作为下一代的种子。

进化策略算法有多种变种，如标准进化策略、自适应进化策略和进化策略神经网络等。

每种变种都有其特定的应用场景和改进方法。

在实际应用中，进化策略算法已被广泛应用于各种领域，如金融、电力、交通和制造业等。

它可以帮助企业降低成本、提高效率和优化决策。

总之，进化策略算法是一种强大的优化算法，它模拟了自然界中的进化过程，可以解决各种复杂问题。

在今后的研究和实践中，进化策略算法将继续发挥重要作用。

- 1 -。

进化优化算法概述

第一章进化优化算法概述1．1 进化算法的一般框架自1960年以来，进化算法已经发展出相当多的种类，但一般认为进化算法有5个基本组成部分[3]：1．问题解的遗传表示。

2．种群的初始化方法。

3．根据个体适应度对其进行优劣判定的评价函数。

4．产生新的种群的进化算子5．算法的参数取值1.1.1进化优化算法解决对象的描述进化算法主要是求解优化问题，其数学模型如下：Maximizey =f (x )(1.1)Subject to g(x )=()(1x g ,)(2x g ，…，)(x g m )≤0 （1.2）其中 x =（1x ，2x ，…，n x ）∈X ，x 是决策向量，X 是决策向量形成的决策空间；y 是决策目标。

这是个最大化问题，对于最小化问题可以令y '=C -f (x )转化为最大化问题，因此，它们在本质上是一致的。

根据优化函数f (x )是否连续可以将最优化问题分为二大类：连续函数的最优化与离散函数的最优化。

后者也可以称为组合优化问题。

根据是否包含约束条件（1.2）可分为约束优化问题和无约束优化问题。

此外，若y 是一个决策向量，则是一个多目标的优化问题，我们将在第二章进一步讨论。

1.1.2进化优化算法结构进化算法的一般结构如图 1.1所示，进化算法维持由一群个体组成的种群P (t )(t 为进化代数)。

每个个体代表问题的一个潜在解。

每个个体通过目标函数评价得到适应度并根据优胜劣汰的原则进行选择。

被选择的个体经历遗传操作产生新的个体,主要有两种遗传操作：杂交是将多个个体的有关部分组合起来形成新的个体，变异是将一个个体改变而获得新的个体。

新产生的个体（子代）继续被评价优劣。

从父代种群和子代种群中选择比较优秀的个体形成新的种群。

在若干代后，算法收敛到一个最优个体，该个体很有可能代表问题的最优或次优解。

图1.1 进化算法流程图1.1.3进化算法几个环节的解释遗传编码：如何将问题的解编码成染色体是进化算法使用中的关键问题，目前的编码方式主要有二进制编码[4]、Gray编码、实数编码、字符编码等，对于更复杂的问题，用合适自然的数据结构来表示染色体的等位基因，可以有效抓住问题的本质，但总的来说，完整的遗传编码理论尚未建立，部分文献[5~7]的讨论都有都有一定的局限性。

变异因子改进的进化策略算法

变异因子改进的进化策略算法摘要进化策略是借鉴生物进化的思想，在现代遗传学的启发下，发展起来的一种启发式随机搜索优化方法。

进化策略作为一个新的交叉学科，目前已发展成一种自组织、自适应的综合技术，广泛用于计算机科学、工程技术、管理科学和社会科学等领域，尤其在信号处理领域受到高度重视。

目前，由于进化策略产生下一子代的方法是通过变异方式实现的，对父代的继承性较差，因此目前进化策略的应用主要是配合遗传算法或其它智能算法使用，单独使用进化策略解决问题的例子较少。

针对于此，本文提出改进后的进化策略算法，该算法能够有效地继承父代的优点，能够得到更快、更优的收敛结果。

本文的主要研究内容包括：1. 对传统进化策略进行分析，剖析其收敛过程，掌握制约收敛速度和收敛全局最优解的基本要素，通过对传统进化策略的改进，进而得到一种更快、更好的进化策略寻优算法。

2. 提出改进后的进化策略算法，论述其实现方法，并与传统进化策略进行实例仿真对比。

3. 通过实例说明改进后收敛算法比传统进化策略具有更好的收敛速度和更加稳定的收敛特征，能够有效的收敛到全局最优点。

本课题是以传统进化策略为基础，所做的探索性研究尝试提供一种新的进化策略方法，改进传统进化策略。

本文证明了改进进化策略的收敛性，并且通过多个实例验证了改进后的进化策略，证明其具有更快的收敛速度和更好的稳定性。

关键词：进化策略，变异因子，优化算法IAbstractThe evolution strategy profits from the biological evolution theory, and it is a heuristic stochastic search optimization method in the inspiration of the modem genetics. As a new interdisciplinary study, the evolution strategy has developed as an self-organized, auto-adapted comprehensive technology, which is widely used in the field of computer science, project technology, management science，social sciences and so on, particularly in the signal processing.At present，the evolution strategy neglects the characteristic of father generation, so the evolution strategy application is not independent. Mostly, it is used to coordinate with the genetic algorithms or other intelligent algorithm. Accordingly, we propose the improvement evolution strategy. This algorithm can effectively inherit the meritorious character of father generation, which can obtain a result quickly and precisely. This article main research content includes:1. By analyzing the traditional evolution strategy, we grasp the basic essential factor of restricting convergence rate and the overall situation optimal solution. At last we obtain a quicker and the better evolution strategy algorithm.2. We propose the improvement evolution strategy. We elaborate its implementation method, and contrasts with the traditional evolution strategy by the example simulation.3. The improvement evolution strategy has a better character compared to the traditional evolution strategy.Key words：Evolutionary strategy, Mutation operator, Optimization algorithm目录摘要 (I)Abstract (II)1绪论 (1)1.1课题研究的来源与意义 (1)1.1.1进化计算的研究来源 (1)1.1.2进化策略的研究来源 (1)1.1.3进化算法简介 (2)1.1.4进化算法的应用简介 (4)1.1.5进化策略的意义 (5)1.2进化算法的发展历程 (6)1.2.1萌芽期(50年代后期至70年代初期) (6)1.2.2成长期(70年代中期至80年代末期) (6)1.2.3发展期(90年代以后) (7)1.3进化策略的发展历程 (9)1.4课题研究的内容和结构 (10)2进化策略简介 (12)2.1(1+1)—ES (12)2.2(μ+1)—ES (13)2.3(μ+λ)—ES及(μ，λ)—ES (13)3进化策略的基本技术 (15)3.1进化策略的生物学背景 (15)3.2问题的表达 (16)3.3初始群体的产生 (18)3.4适应度计算 (19)3.5重组 (19)3.6突变 (21)3.7选择 (23)3.8终止 (24)4进化策略的表述 (25)5变异因子的改进及其分析 (28)5.1ES的改进研究 (28)5.2ES的步长控制 (29)5.2.1变异步长控制概述 (29)5.2.2变异步长与局部搜索性能的关系 (30)5.3变异因子的改进及其实现 (31)5.3.1改进变异因子的说明 (31)5.3.2进化策略算法的仿真实现 (32)6数据结果与性能评价 (34)6.1测试函数1 (35)6.2测试函数2 (37)6.3测试函数3 (40)6.4测试函数4 (42)6.5测试函数5 (45)6.6本章小结 (47)结论 (49)参考文献 (50)致谢.......................................................................................................... 错误！未定义书签。

进化策略

Xt——第t代个体的数值， N(0,σ)——服从正态分布的随机数，其均值为零，标准差为σ。
8.2 进化策略
进化策略的一般算法可以描述如下： (1) 问题为寻找实值n维矢量x，使得函数F(x):RnR取极值。不失一般性，设此程序为极小化过程。 (2) 从各维的可行范围内随机选取亲本xi，i＝1，…，p的初始值。初始试验的分布一般是均匀分布。 (3) 通过对于x的每个分量增加零均值和预先选定的标准差的高斯随机变量，从每个亲本xi产生子代x’i。 (4) 通过将误差F(xi)和F(x’i)，i＝1，…，p进行排序，选择并决定哪些矢量保留。具有最小误差的p个矢量变成下一代的新亲本。
8.2 进化策略
(μ+1)-ES和(1+1)-ES具有相同的策略：只产生一个新个体。 (μ+1)-ES的特点在于： (1) 采用群体，其中包含μ个个体； (2) 增添重组算子，它相当于遗传算法中的交叉算子，从父代继承信息构成新个体。
显然，(μ+1)-ES比(1+1)-ES有了明显的改进，为进化策略这种新的进化算法奠定良好的基础。
8.3 进化规划
Standard EP流程： 1. 生成初始群体；
2. While Not-End Do
1) 2) 突变；计算个体适应度；
3)
4)
选择；
组成新群体
3. End While
8.3 进化规划
元进化规划为了增加进化规划在进化过程中的自适应调整功能，人们在突变中添加方差的概念。类似于进化策略，在进化规划中个体的表达采用下述方式： x i ' x i i N i ( 0 ,1 ) i ' i i N i ( 0 ,1 ) 式中：σi——旧个体第 i 分量的标准差； σi’——新个体第 i 分量的标准差；

基于K均值聚类的体绘制传递函数设计方法研究

—
｛
ｉｔ；ｎａ
ｏｎ＝ｎ＜ＮΒιβλιοθήκη ＋）ｆｒ（０；ｎ＋／中间变量，／保存样本所属的类别／求得最小距离并最终判别该样本属于ａ／类
＋ｄｈＰｉｅｅａｘｌ＋ｄｌＧｒｄｅｔｅｔａｉｎａ＋ｄｌＳｃｒｄｅｔｅｔｅｇａｉｎ；ａ
范翠萍张尤赛
（江苏科技大学电子信息学院江苏镇江２２０）１０３
摘
要
提出一种基于Ｋ均值聚类算法的体绘制多维传递函数设计方法。在利用灰度一梯度直方图分析体数据内部结构信息
的基础上，应用Ｋ均值聚类算法对整个体数据进行聚类分类，属于不同聚类中的体素俾＝对进行伪彩色映射，实现体数据与彩色编码的转换关系。实验表明，用该方法所设计的体绘制传递函数能够揭示体数据的内部结构关系，利重建的三维图像逼真、质量高。
第２８卷第９期２１０１年９月
计算机应用与软件
ＣｏｕｅｐｉａｉｎｓａｄＳｆｒｍｐｔｒＡｐｌｃｔｏｎｏｔｅｗａ
Ｖ０．．１２８Ｎｏ９Ｓｐ．２１ｅ０１
基于Ｋ均值聚类的体绘制传递函数设计方法研究
／各个类别中的样本数／
／ＭｉＤｓｎｅ为样本与聚类中心的最小距离，ｉａｃ／ｎｉａｃｔＤｓｎｅ为样本与聚类中ｔ
回
（）ａ灰度图像（）灰度一梯度直方图ｂ
图１物质边界和直方图曲线
／心的距离，ｅｔｄｌＹ，ｅｔ，ｅａｉｌｄｌＧａｉｔｄｈＳｅａｉｔ／ｄｌＸ，ｅａｄｌＺｄｌＰｘ，ｅｔｒｄｅ，ｅａｅｇｄｅａｔａｔｅａｎｒｎ／分别为样本与聚类中心各特征值差值的平方／

进化算法的发展与应用-概述说明以及解释

进化算法的发展与应用-概述说明以及解释1.引言1.1 概述概述进化算法作为一种重要的优化技术，近年来在各个领域得到了广泛的应用和研究。

它受到了生物进化过程的启发，并将其原理与计算模型相结合，以求解各类复杂的优化问题。

进化算法通过模拟自然界中的进化过程，在搜索空间中不断地生成和改进候选解，最终找到问题的最优解或接近最优解。

进化算法的核心思想是基于适者生存的原理，即通过自然选择和遗传机制，将优秀的解保留下来，并通过交叉和变异等操作产生新的解，以期望在搜索过程中不断地向着更好的解靠近。

与传统的优化算法相比，进化算法具有自适应性、全局搜索能力强、对问题结构和约束条件的适应性较好等优势，并在各个领域中展现出了出色的性能。

本文将首先介绍进化算法的起源，包括对进化算法的最早研究以及后来的发展历程进行概述，探讨其基本原理和核心思想。

接着，将详细讨论进化算法在优化问题中的应用，并重点探究其在不同领域中的具体应用案例。

同时，也会对进化算法的优势和局限性进行分析和评价，以期使读者全面了解该算法的特点和适用范围。

最后，本文将展望进化算法的未来发展方向，并提出一些可能的改进和创新方案，以促进该领域的进一步研究和应用。

通过本文的阅读，读者将全面了解进化算法的发展历程、基本原理和在优化问题中的应用情况，对该算法的优势和局限性有所认识，并能够对其未来的发展方向进行预测和思考。

同时，本文也将为相关领域的研究者和工程师提供一些有益的参考和启示，以便在实际应用中更好地利用进化算法解决各类现实问题。

文章结构的设计是为了确保文章的逻辑和思路清晰，让读者能够更好地理解和接受所要表达的内容。

本文将按照如下结构进行展开：1. 引言1.1 概述1.2 文章结构1.3 目的2. 正文2.1 进化算法的起源2.2 进化算法的基本原理2.3 进化算法的发展历程3.1 进化算法在优化问题中的应用3.2 进化算法的优势和局限性3.3 进化算法的未来发展方向文章结构的设计主要是为了让读者能够系统性地了解进化算法的发展与应用。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

单元输入编码要保证电路的前馈连接形式，阵列中第ｉ个
单元的输入可以是系统输入或其左边单元的输出，取值范围应
在集合Ａ＝｛Ｉ１≤ ≤ ｍ＋ｉ， ∈Ｎ｝内。群个体的染一１种
与目标适应度的差值，若差值较大，说明当前的最优个体与目标个体存在较大的差距，增大变异率以扩大搜索范围；反之，应减小。若父代种群适应度的方差较小，明此时个体分布过于集说
上，造成变异后的许多子代个体实际有效部分与父代相同。由
分别用十进制整数对单元所能完成的逻辑功能及输入进行
编码，功能编码如表ｌ所示。
表１可编程单元功能编码表
此可以得出这样的结论：变异率过大，良基因不能够积累；优过小，则会产生许多无效操作，算法收敛速度慢。在对变异率进行调整时，考虑父代种群中最佳个体适应度
ＫｅｗｏｄｙｒｓＥｏｖｂｅｈｄｒＥｏｕｉｎｒｔａｅＭｕａｉｎｒｔＣｒｅｉｎｇｎｔｒｇａｍｉｇｖｌａｌａｗａｅｒｖｌｔａｙｓｒｔｇｏｙｔｔａｅｏａｔｓａｅｅｉｐｏｒｃｍｎ
ｗｓｐｏｏｅ，ｎｕａｏａｄｕｔｎｆｎｔｎｗｓｄｓｎｄｔ．ＴｅｅｔｎｉｅｏｔｎｅｐｒｅｔｏＴＡｏｗｒａａｒｐｓｄａｄａｍｔｉｎｒｔａｊｓｔｅｍｅｔｕｃｉａｅｉｅｏｏｇｏｈｘｒｓｖｌｉｘｅｍｎｎＭＡＬＢｓｆａｅｗｓｉｃｕｏｉｔ
ｃｎｕｔｄ．ａｄｔｅｅｐｒｍｅｔｒｓｌｎｉａｅｔａｈｒｐｓｄｍｅｈｄｎｔｏｌｅｕｅｈｕｅｆｅｏｕｉｎｇｎｒｔｎ，ｂｔａＳｏｄｃｅｎｘｅｈｉｎｅｕｔｉｄｃｔｈｔｔｅｐｏｏｅｔｏｏｎｙｒｄｃｓｔｅｎｍｂｒｏｖｌｔｅｅａｉｓｓｏｏｕＯｌｅｈｎｅｅｓａｉｉｆｔｅａｇｒｍｔａｃｒｉｘｅｔｉｏｔａｔｔｅｔａｉｏａｘｄｍｕａｉｎｒｔｔｏ．ｎａｃｄｔｔｂｌｖｏｈｏｉｈｔｌｈｔａｅｔｎｅｔｎｎｃｎｒｓｏｔｒｄｔｎｆｅｔｔａｅｍｅｌｄａｈｉｌｉｏ１
２２调整函数．
按上述思路，设计变异率动态调整函数。
Ｐｔ（）＝，ｏｔ）ｂｓｆｔｔ）（ｒ一１，ｅ＿（一１）（ｔｉ（）１
式中，为种群适应度的标准差，ｅｆｔｂｓｉ为种群中最佳个体的适ｔ应度值。将和ｂｓｆｔｅｔ进行归一化处理，：＿ｉ令＝￣１０若＞１０则＝１／０（０，）
ｅｉｔｄｉ（）ｅｏｕｉｎｒｔｔｇｐｒｔｎ，ｈａｉｔｎｆｎｓｆｈｄｖｄａｆｒｍｕａｉｎｏｅａｉｎａｉｅｅｔｔｔｎｒｔｓｘｓｅｎ１＋ｖｌｔａｙｓｒｅｙｏｅａｉｔｅｖｒｖｉｔｅｓｏｅｉｉｉｕｌａｔｔｔｐｒｔｔｆｒｎａｉａｅｗａｏａｏｅｉｔｎｅｏｏｄｍｕｏ
采用固定变异率可能要付出更大的代价。较大的演化硬件ＥＷ（ｖｖｌＨｒａ）演化算法实现对硬件比较敏感时，ＨＥｏａｅａｗｒ￣ｌｄｅｂ编码的优化搜索，算法睦能的优劣直接影响硬件演化的进程。目前变异率能在算法运行的初期可以增大搜索范围和个体之间的差但后期会导致接近最优的个体发生过大的变异，良基因优常用的演化算法有ＧＧｎｔｌｒｈ、ＰＧｎｔｒｇ－Ａ（ｅｅｃＡｇｉｍ）Ｇ（ｅｃＰｏｒ异性，ｉｏｔｅｉｍａ无法积累，法很难寻找到最优个体；小的变异率，会使算而较则ｍｎ）Ｅ（ｖｌｉａｙＳｒｅ），中数字电路演化中应用较ｉｇ和ＳＥｏｔｎｒｔｔ等其ｕｏａｇｙ多的是（＋１）Ｅ。这种算法采用较小的种群规模，过变异使算法的搜索范围和种群多样性变差，Ｓ通收敛速度缓慢。操作进行优化搜索，具有收敛速度快、鲁棒陛好等特点。为进一步提高算法性能，文提出一种新的变异率动态调本演化算法的性能由种群规模、交叉率、变异率、初始种群、操整方法。作算子、择策略等因素共同决定，于（＋选对１）Ｅｓ而言，由于变异是其唯一的搜索算子，变异率对算法性能影响较大。文１（＋）Ｅ故１入Ｓ算法献［，］３４研究了采用（）Ｅ１＋ｓ演化组合逻辑电路时变异率对演化代数、消耗的逻辑门数及演化成功率的影响，出变异率应指１１染色体编码．与电路复杂性成反比，并建议在对电路进行分解演化时要采取ＣＰＧ是一种由ＪＦＭｌｒ．．ｉ等人提出的基于ＦＧｌｅＰＡ结构的不同的变异率以提高演化效率。文献［７研究了Ｇ５— ］Ａ的变异门级电路模型，字电路演化中得到了许多成功应用。本文在数率动态调整，并得到了一些根据演化代数、色体编码长度、染当Ｇ模单元阵列行数ｒ１列数ｅＮ，＝，＝前种群适应度等动态调整变异率的方案。文献［］８中研究了采采用ＣＰ型的一种特殊形式，用ＰＡ结构进行电路演化时变异率对演化结果的影响，Ｌ线性调整变异率大大减少了演化乘法器电路所需的代数，而对于奇偶收稿日期：１０ — ８２０－５１。娄建安，０教授，主研领域：故障诊断，智能校验电路当变异率取为００．５时得到的结果最好。检测，演化硬件理论及实现。
中图分类号
演化硬件
进化策略变异率笛卡尔遗传编程
文献标识码Ａ
Ｔ３１６Ｐ０．
ＤＹＮＡＭＩ删Ｃ
ＴＡＴＩＮｏＲＡＴＥＥＶｏＬＵＴＩＮＡＲＹＳｏＴＲＡＴＥＧＹ
ＵＳＥＤＮＩＥＶｏＬＶＡＢＬＥＨＡＲＤＷＡＲＥ
ＬｕＪａａＣｉＸｉｆｎＬｎｅｇｏｉｎ’ ｎｕｎｅｇｉＹｕｆｎ
（ｅａｔｅｔｆＥｅｒａｎｔｅｒｇ，ｒｎｎｅｎｉｅｒｇＣｌｇ，ｈｉｈａｇ０００Ｈｅｅ，ｈｎ）ＤｐｒｎｌｔｃｌｇｎｅｎＯｄａｃｇｎｅｎｏｌｅＳｉａｕｎ５０３，ｂｉＣｉａｍｏｃｉＥｉＥｉｅｊｚ（ｅａｍｎｏＡｉｒｎｉｅｎＯｄａｃｎｉｅｎｏｌｅＳｉａｈａｇ０００ｔｂｉＣｉＤｐｒｅｆｒｌｙＥｇｎｒｇ，ｒｎｎｅＥｇｎｒｇＣｌｇ，ｈｉｕｎ５０３，ｅｅ，ｈｎｔｔｔｌｅｅｉｅｉｅｊｚｔａ）
娄建安崔新风李云锋
（军械工程学院电气工程系（军械工程学院火炮工程系河北石家庄０００）５０３河北石家庄０００）５０３
摘
要
为解决（＋进化策略运行时搜索范围优化与优良基因积累之间的矛盾，１）分析了个体在不同变异率下变异操作后适应
ａａｓｄａｄｎｍｃａｊｓｅｔｅｈｄｏｍｔｉｔａｃｒｉｄｖｄａ’ ｅｔｉｅｓｎｅｉｏｉｆｒａｉｆｅｐｐｌｔｎｎｙｅ，ｙａｉｄｔｎｍｔｏｆｕａｏｒｅｃｏｄｎｔｉｉｕＳｂｓｆｎｓａｄｔｓｒａｉｏｍｔｎｏｏｕａｏｌｕｍｔｎａｇｏｎｉｌｔｈｈｔｃｎｌｏｔｈｉ
目前，在基于ＣＰＣｒｓｎＧｎｔｒｇａｍｎ）Ｇ（ａｔｉｅｅｃＰｒｍｉｇ的数字电ｅａｉｏ
０引言
路演化研究中，究人员为了简化算法常采用固定的经验变异研率，常情况下也能够取得不错的效果。但当系统对演化代数通
ＡｂｔａｔｓｒｃＦｒｔｅｐｒｏｅｏｏｖｎｈｏｆｉｔｂｔｅｈｐｉｓｔｎｏｅｒｈａｅｎｈｃｕｌｔｎｏｘｅｌｎｅｅｓｇｎｏｕｐｓｆｓｌｉｇｔｅｃｎｃｅｗｅｎｔｅｏｔｈｌｍｉａｉｆｓａｃｒａａｄｔｅａｃｍｕａｉｆｅｃｌｔｇｎｅｍｅｔｏｏｅ
度变化情况，出了一种根据当前最佳个体适应度及种群历史信息动态调整变异率的方法，提构造了一个变异率调整函数。在ＭＡ－ＴＬＢ软件平台上进行了外部进化实验，Ａ结果表明，相对于传统的固定变异率方法，方法不仅减少了所需的演化代数，该而且在一定程度上提高了算法的稳定性。关键词
第２卷第９期８
２１０１年９月
计算机应用与软件
ＣｍｐｔｒＡｐｌａｉｎｎｏｔｒｏｕｅｐｉｔｓａｄＳｆｃｏｗａｅ