适用于演化硬件的遗传算法

为提高演化硬件在演化过程中的收敛速度,实现复杂的演化硬件,研究以Xilinx公司的Virtex-5 Pro系列开发板作为硬件平台的基于SOPC的自演化系统.分析简单遗传算法与量子遗传算法对种群的适应度以及收敛速度的影响;实验中通过全加器电路和2位乘法器电路实现了自演化系统的验证.结合实例,对2种算法分别进行仿真,仿真结果表明,相对于标准遗传算法而言,量子遗传算法效率更高、更适应于进化复杂的大规模电路.     

演化硬件技术中时序电路的遗传算法实现

本文在讨论了EHW的运行机制的基础上,提出了一种了适合“外进化”方式的可进化的闭环结构,即基于FPGA芯片和QUARTUSⅡ开发工具的EHW平台。详细讨论了如何利用遗传算法实现时序电路,目前演化硬件的研究主要还处于理论分析、演化算法优化、软件模拟的阶段,本文将演化硬件技术应用到时序数字电路的设计中,这对于演化硬件技术及时序数字电路设计来说都是成功的探索。     

具有自适应选择策略的改进遗传算法

遗传算法是一种进行全局寻优的有效方法,是进化计算中最受关注的算法之一.基本遗传算法采用选择、交叉、变异等算子对问题的解空间进行搜索,具有结构简单、实现方便、鲁棒性强等特点,在许多领域得到了应用.介绍了遗传算法的原理与实现方法,讨论了基本遗传算法的遗传算子以及具有重要意义的模式定理.在基本遗传算法的基础上,提出了对选择算子的改进方法,即在选择操作时增加了自适应的优选和淘汰机制,以便提高进入交配池个体的适应值.仿真结果表明,改进后的遗传算法能有效地提高群体的平均适应值,加快最佳个体的进化速度.     

改进的自适应遗传算法

Srinvivas等提出一种自适应遗传算法,交叉概率与变异概率能够随着适应度大小而改变。但在这种算法中,群体中最大适应度值的个体的交叉率和变异率为零,这使得进化走向局部最优解的可能性增加。提出了一种改进的自适应遗传算法,使群体中最大适应度值的个体的交叉率和变异率不为零。实验结果表明该算法在抑制“早熟”现象,防止陷入局部最优,提高种群收敛速度方面都有明显的效果。     

遗传算法的分析及其改进

针对遗传算法的来源、基本原理、数学机理、特点进行了论述;然后详细分析了简单遗传箅法在应用过程中出现收敛过慢和早熟现象的原因,并简单介绍了一种基于个体适应值的自适应调整交叉率和变异率的自适应遗传算法(AGA).为了提高遗传算法的收敛性能,在分析其不足后,从三个方面进行改进并提出一种改进算法(IAGA).最后,针对几种优化问题对所提出的算法和AGA进行了性能比较,证明提出的改进箅法在达到最优解的收敛性能方面有了明显的提高.     

基于演化硬件的在线自适应系统

随着演化硬件的兴起,其在电子电路自动设计、客错以及自适应等方面的优越性,使它有望成为突破传统电子系统设计瓶颈的新技术.在已有研究的基础之上,进一步探讨利用演化硬件技术实现电子系统的自适应性,提出了一个基于演化硬件技术的自适应系统模型,并通过在Xilinx Virtex-Ⅱ Pro (XC2VP20)FPGA芯片上的实验,表明了演化硬件技术是解决电子系统自适应性问题的一种可行方案.     

演化硬件的容错模式研究

提出一种基于演化硬件的补偿容错模式,将被检对象和重构对象分离,以避免自重构容错模式可能对系统造成破坏的危险.该容错模式在不影响原电路工作的前提下,利用演化硬件的自适应特性,重构出相应的电路对出错电路进行输出补偿,从而达到容错的目的.实验表明,补偿容错模式能以少量的冗余代价换取更优的容错性能,并且修复时间比自重构容错模式短,有利于实时容错.     

快速实现数字仿生电路设计的自适应遗传算法

采用演化硬件技术快速实现数字仿生电路的设计是演化硬件一个重要的研究方向;对演化算法的改进是提高演化速率和减少计算机计算负荷的重要方法;借鉴演化策略和模拟退火算法的思想以及Levi提出的HereBoy算法,提出了具有自适应能力的增强型演化算法;通过实验发现,该算法在演化相同的数字逻辑电路中,明显地提高了演化的速度,缩短了演化时间,提高了进化设计的速度、规模和优化程度.     

FPGA在演化硬件中的应用

介绍了FPGA的新应用—演化硬件EHW的进展和现状,其中主要包括EHW的概念、工作原理、存在问题和应用领域。阐述了EHW在电路与系统学科中的科学意义及其对新兴电子信息产业将产生的深远影响。     

一种可自适应调节参数的改进遗传算法

针对遗传算法在复杂问题应用中收敛速度十分缓慢的不足，本文引入收敛性因子和进程因子对种群进化的交叉概率和变异概率进行自适应调节，提出了可自适应调节参数的改进遗传算法．该算法很好地增强了遗传算法的全局搜索能力，提高了收敛速度．通过比较几个优化实例，验证了本文算法的有效性．     

硬件进化中演化算法的研究及应用

详细介绍了硬件进化的概念,硬件进化的原理与实现思想,遗传算法与蚁群算法动态融合的基本原理,融合后算法中遗传算法及蚁群算法规则.融合过程中遗传算法与蚁群算法动态衔接问题以及融合后的算法在硬件进化中的应用过程.最后,分析了通过该算法进化后硬件的进化应用前景.     

基于EHW的可进化传感器的研究

为克服常规传感器对信号采集和处理的局限,探求了一种具有智能传感并自适应于外部环境的机理,将常规传感器和可进化硬件相结合,提出了一种可进化传感器的基本框架,介绍了基于遗传算法和可进化硬件原理的具有自适应能力和容错特性的可进化传感器的初步研究。     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

函数级进化型硬件在模式识别中的应用

设计了一个基于函数级进化型硬件(FEHW)的高速模式识别系统，并提出了一种适合此系统的改进遗传学习算法——可变染色体长度遗传算法(VGA)。利用VGA代替简单的遗传算法(SGA)来处理大输入的图像数据，实时实现了3类飞机识别。仿真结果表明，VGA进化速度是SGA的9倍，识别率达到80％以上。     

演化硬件在图像边缘检测中的应用

设计基于演化硬件（Evolvable Hardware，EHW）的快速边缘检测进化系统，提出一种适于此系统的图像边缘提取操作结构，给出进化算法的编码方案，设计用于染色体评估的适应度函数，利用标准遗传算法来实现可变结构参数的图像边缘提取进化方法，并采用Roberts，Sobel，LOG，Robinson等传统边缘检测算法与进化方法进行对比试验。结果表明：进化方法边缘检测误差率最低，只有9．87％，其边缘提取的效果优于传统检测方法，     

演化硬件在模式识别中的应用综述

演化硬件以其速度快、灵活性强、实时适应等特点,在模式识别应用中易于建立学习时间短、识别速度快、精确分类的高效识别系统。在论述基于演化硬件模式识别技术的体系结构基础上,总结了不同的演化模型和各自的特性,并对各模型适合的应用领域进行了对比分析。介绍了国内外演化硬件模式识别技术研究的主要方向和发展现状,讨论了演化硬件在模式识别应用中的未来发展趋势和亟需解决的问题。     

基于PK模型的一种自适应遗传算法研究

遗传算法可以被理解为在逐代演化的过程中,适应性强的个体或种群具有更高的生存可能性的一种并行搜索算法。提出了基于PK竞争策略的遗传算法（Player Killing Genetical Algorithm,PKGA）,其核心思想在于通过PK赛式的竞争筛选,直至剩下一个全程最优的个体即为全局最优解。通过对全程最优解的即时检测,同时配合交叉率与变异率在个体粒度上自适应地动态调整,算法能很好地避开局部极值点并减少进化过程中的退化现象。这种PK竞争筛选策略保证了算法较高的搜索效率和较强的鲁棒性。仿真实验证明,算法在应对早熟问题和退化现象及收敛效率等方面明显优于传统的标准遗传算法。     

基于进化硬件的自修复TMR系统设计及其可靠性分析

将进化硬件与传统TMR容错设计思想相结合,提出了一种具有在线自修复功能的自修复TMR系统设计方法。该系统具有多重容错和修复机制:总体采用TMR,可自动检测到故障模块;系统中每个模块均采用组件备份法,可通过组件切换法快速修复模块故障;而模块中每个组件也可通过进化进行修复。因而具有更强的容错能力和更高的可靠性。以具有片内三模冗余的2 bit乘法器为例进行了验证。最后,给出了该系统的可靠性模型,推出了可靠性计算公式,从理论上对该系统的可靠性进行了分析。结果表明:该系统能有效修复stuck-at故障,具有更长的使用寿命和更高的可靠性。