一種基于非持久精英保留策略的趨向型緊湊ga方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于演化硬件技術(shù)領(lǐng)域，尤其涉及一種基于非持久精英保留策略的趨向型 緊湊GA方法。
【背景技術(shù)】
[0002] 在固定功能硬件和可重構(gòu)硬件之后，下一代硬件將是可自我配置和演化的硬件， 即演化硬件(Evo 1 vab 1 e Hardware，簡稱EHW)，它是利用生物的發(fā)展模式來解決大型的、復(fù) 雜的問題。演化硬件的思想來源于上世紀(jì)五十年代，計(jì)算機(jī)之父John Von Neumann提出的 研制具有自繁殖與自修復(fù)能力機(jī)器的設(shè)想。演化硬件由于其硬件自身的快速并行性使其在 設(shè)計(jì)空間內(nèi)進(jìn)行搜索，從而實(shí)現(xiàn)設(shè)計(jì)自動化，成為計(jì)算機(jī)系統(tǒng)結(jié)構(gòu)和電子設(shè)計(jì)自動化領(lǐng)域 的研究熱點(diǎn)之一。演化硬件指的是在可編程邏輯器件中運(yùn)用演化算法配置動態(tài)可重構(gòu)電路 并最終演化出所需的邏輯電路。演化硬件能夠像生物一樣隨著外部環(huán)境的變化動態(tài)的改變 自身結(jié)構(gòu)以實(shí)現(xiàn)自組織、自適應(yīng)、自修復(fù)。對演化硬件的研究具有重要的理論意義和實(shí)用價(jià) 值。隨著硬件系統(tǒng)的復(fù)雜性不斷提高，系統(tǒng)設(shè)計(jì)難度增加，可靠性下降，利用演化硬件可以 滿足硬件對環(huán)境的適應(yīng)性，使系統(tǒng)自動地、實(shí)時地調(diào)整其內(nèi)部結(jié)構(gòu)，以適應(yīng)內(nèi)部條件和外部 環(huán)境的變化，從而使系統(tǒng)能夠自容錯運(yùn)行。演化硬件技術(shù)在嵌入式系統(tǒng)設(shè)計(jì)中也將具有無 窮的潛力，能夠很好的解決嵌入式系統(tǒng)設(shè)計(jì)中軟硬件劃分的問題?？傊?，演化硬件在電路設(shè) 計(jì)、容錯系統(tǒng)、模式識別和人工智能等領(lǐng)域都具有廣闊的應(yīng)用前景和巨大的工業(yè)、商業(yè)價(jià) 值。目前演化硬件技術(shù)只能解決比較簡單的小規(guī)模的電路，所以在其發(fā)展過程中還面臨著 很多問題，如進(jìn)化速度慢，進(jìn)化效率低，演化電路魯棒性低等。演化硬件的關(guān)鍵技術(shù)包括可 編程邏輯器件和演化算法。由于演化過程具有隨機(jī)性和演化次數(shù)較多的特點(diǎn)，從而要求相 應(yīng)器件能被反復(fù)配置，而FPGA的最大特點(diǎn)是在線可編程性，因此FPGA成為當(dāng)前比較理想的 實(shí)現(xiàn)器件。演化硬件邏輯電路的配置是由演化算法演化而來的，所以演化算法的演化結(jié)果 與演化效率對演化硬件是否實(shí)現(xiàn)預(yù)期功能有著重要影響。遺傳算法(GA)是演化算法中最常 用的一種算法，它是一種模擬生物界中的自然進(jìn)化的隨機(jī)搜索算法，其采用一系列編碼位 串來描述問題候選解的種群，但由于需要保存大量的種群個體信息，占用大量存儲空間，且 在處理復(fù)雜問題時計(jì)算量大，目前已有許多方法和技術(shù)來完善GA在FPGA中的應(yīng)用。針對GA 搜索速度慢、容易局部早熟、局部尋優(yōu)能力差的弱點(diǎn)，在Zhang Hui，Wu Bin，Yu Zhangguo.Research of new genetic algorithms involving mechanism of simulated annealing[J].Journal of UEST of China，2003中提出將模擬退火機(jī)制引入GA中，從而綜 合了模擬退火算法具有較強(qiáng)的局部搜索能力的特點(diǎn)和GA比較優(yōu)秀的全局尋優(yōu)控制能力的 特點(diǎn)，有效地提高了 GA的運(yùn)行效率和求解質(zhì)量，但這樣會造成算法復(fù)雜化，并且并不會減少 占用的存儲空間。在Fernando PR，Katkoori S，Keymeulen D，Zebulum R，Stoica A.Customizable FPGA IP core implementation of a general-purpose genetic algorithm engine[J]· IEEE Trans Evol Comput，2010中提出在FPGA中定制一個IP核實(shí)現(xiàn) 一個通用的遺傳算法，這個遺傳算法IP核可以根據(jù)種群數(shù)量、遺傳代數(shù)、交叉概率和變異概 率、隨機(jī)數(shù)發(fā)生器種子和適應(yīng)度函數(shù)來定制。這種方法可以減少算法所占用的邏輯硬件資 源，降低存儲器利用率，但它是通過算法硬件化來實(shí)現(xiàn)的，并未真正改善算法的性能。在 Marco A.Moreno-Armendariz,Nareli Cruz-Cortes,Carlos A.Duchanoy,et al.Hardware implementation of the elitist compact Genetic Algorithm using Cellular Automata pseudo-random number generator[J]·Computers and Electrical Engineering ,2013中講述了一種精英緊湊遺傳算法，其是在緊湊遺傳算法的基礎(chǔ)上對每一 代的精英個體進(jìn)行保留，文中將算法通過硬件實(shí)現(xiàn)，說明在硬件實(shí)時應(yīng)用中的可行性。但過 度的精英保留策略可能會導(dǎo)致早熟收斂，過高的選擇壓力使得群體迅速收斂，犧牲了群體 的多樣性，從而易陷入局部最優(yōu)解。
[0003] 目前演化硬件技術(shù)存在進(jìn)化速度慢、進(jìn)化效率低、演化電路魯棒性低、所能處理的 電路規(guī)模和種類有限的問題。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于非持久精英保留策略的趨向型緊湊GA方法，旨在 解決目前演化硬件技術(shù)存在進(jìn)化速度慢、進(jìn)化效率低、演化電路魯棒性低、所能處理的電路 規(guī)模和種類有限的問題。
[0005] 本發(fā)明是這樣實(shí)現(xiàn)的，一種基于非持久精英保留策略的趨向型緊湊GA方法，所述 基于非持久精英保留策略的趨向型緊湊GA方法包括：
[0006] 步驟一，構(gòu)造一條與染色體編碼長度L 一樣的概率向量P，并使概率向量的每一位 值為0.5,然后由概率向量隨機(jī)產(chǎn)生兩條染色體，概率向量每一位的值表示產(chǎn)生的染色體相 對應(yīng)位值為1的概率；
[0007] 步驟二，分別計(jì)算產(chǎn)生的兩條染色體適應(yīng)度值，并比較這兩個適應(yīng)度值，適應(yīng)度值 大的染色體作為勝者，相反，適應(yīng)度值小的則為敗者，然后將勝者與敗者的每一位進(jìn)行比 較，如果相對應(yīng)的兩個位數(shù)值相等，則繼續(xù)比較下一位，否則進(jìn)行步驟三；
[0008] 步驟三，對勝者的該位進(jìn)行反轉(zhuǎn)，然后比較反轉(zhuǎn)后的個體與原個體之間的適應(yīng)度 值，如果反轉(zhuǎn)后適應(yīng)度值變大則判斷反轉(zhuǎn)位的值，為1就通過增加1/N的步長來更新概率向 量相對應(yīng)的位值，為0就通過減少1/N的步長來更新概率向量相對應(yīng)的位值；
[0009] 步驟四，每一位比較完成后，判斷概率向量是否達(dá)到收斂條件，達(dá)到則結(jié)束，沒有 達(dá)到則繼續(xù)下一步，收斂條件是概率向量中的每一位均收斂于1或者〇;
[0010] 步驟五，對染色體進(jìn)行變異操作，對概率向量的每一位進(jìn)行判斷是否大于0.5,如 果大于〇 . 5，則繼續(xù)判斷該位所對應(yīng)的勝者染色體的對應(yīng)位，為1則保持不變，為0則反轉(zhuǎn)該 位;否則勝者相對應(yīng)位為1則反轉(zhuǎn)該位，為0則保持不變。比較由此產(chǎn)生的新的染色體的適應(yīng) 度值與原勝者染色體的適應(yīng)度值，將適應(yīng)度值大的染色體作為勝者；
[0011] 步驟六，引入非持久的精英保留策略及參數(shù)α，判斷精英保留的代數(shù)，如果沒有超 過α，則由概率向量產(chǎn)生一條新的染色體，并轉(zhuǎn)向步驟二，超過α則由概率向量產(chǎn)生兩條新的 染色體，并轉(zhuǎn)向步驟二。
[0012] 進(jìn)一步，步驟一使用概率向量來描述種群，初始化概率向量的長度為L，其與染色 體長度相等，在演化過程中，每一代依據(jù)概率向量值隨機(jī)產(chǎn)生兩條相互獨(dú)立的染色體；
[0013] 初始化概率向量的每一位值為0.5，概率向量每一位的值表示產(chǎn)生的染色體相對 應(yīng)位值為1的概率。
[0014] 進(jìn)一步，步驟二計(jì)算每一代所產(chǎn)生的兩條染色體的適應(yīng)度值，并根據(jù)適應(yīng)度值的 大小將這兩條染色體分為勝者和敗者，適應(yīng)度值大的為勝者，適應(yīng)度值小的為敗者，并對勝 者和敗者的每一位進(jìn)行比較。
[0015] 進(jìn)一步，其特征在于，步驟三按如下過程進(jìn)行：
[0016] 第一步，對勝者和敗者的每一位進(jìn)行比較時，如果勝者與敗者相對應(yīng)位的值相等， 則繼續(xù)比較下一位；
[0017] 第二步，如果勝者與敗者相對應(yīng)的值不相等，則將勝者的該位進(jìn)行反轉(zhuǎn)，為1則變 為0，否則變?yōu)?，然后將該位反轉(zhuǎn)后的新的染色體與原染色體進(jìn)行適應(yīng)度值的比較；
[0018] 第三步，如果反轉(zhuǎn)后的新的染色體的適應(yīng)度值大于原染色體的適應(yīng)度值，則用新 的染色體替代原染色體，并判斷反轉(zhuǎn)后的值，為1就通過增加1/N的步長來更新概率向量相 對應(yīng)的位值，為0就通過減少1/N的步長來更新概率向量相對應(yīng)的值；
[0019] 第四步，如果反轉(zhuǎn)后的新的染色體的適應(yīng)度值不大于原染色體的適應(yīng)度值，則保 留原染色體，并判斷原染色體該位的值，為1就通過增加1/N的步長來更新概率向量相對應(yīng) 的位值，為〇就通過減少1/N的步長來更新概率向量相對應(yīng)的值；
[0020] 第五步，重復(fù)該步驟直到將勝者與敗者的每一位比較完。
[0021]進(jìn)一步，步驟五具體包括：
[0022]第一步，如果概率向量未達(dá)到收斂條件，則對染色體進(jìn)行變異操作，引進(jìn)新的變異 操作；
[0023]第二步，對概率向量的每一位分別進(jìn)行判斷其是否大于0.5，如果大于0.5，則繼續(xù) 判斷勝者染色體的相對應(yīng)位的值，為1則保持不變，為〇則反轉(zhuǎn)該位；
[0024] 第三步，如果判斷概率向