基于趋向型紧凑遗传算法的演化硬件实现方法技术

一种基于趋向型紧凑遗传算法的演化硬件实现方法，该方法包括：1)获取实际的可编程逻辑器件的配置参数；2)将实际的可编程逻辑器件的配置参数进行映射并形成染色体个体；3)计算当前染色体个体的适应度值fitness；4)根据适应度值fitness的情况对演化是否终止进行判断。本发明专利技术提供了一种可增强硬件配置结构位串的搜索能力、提高候选解空间的多样性、更快地获得高质量的最优的硬件配置结构位串、大幅度地提高了收敛速度、减少得到最优的硬件电路结构所需要的时间以及增强了实际演化硬件的实时性的基于趋向型紧凑遗传算法的演化硬件实现方法。

【技术实现步骤摘要】

本专利技术属计算机控制领域，涉及一种演化硬件的实现方法，尤其涉及一种。
技术介绍
演化硬件(Evolvable Hardware)是一种硬件电路或者大规模集成电路，它能够像生物一样根据环境的变化而改变自身的结构以适应其生存环境，具有自组织、自适应、自修复的功能。演化硬件是通过模拟自然演化过程将演化算法的思想用于硬件物理结构的设计， 主要由两个要素构成一个是以CPLD、FPGA为代表的可编程逻辑器件，另一个是演化算法。 演化硬件的实现，建立在演化计算和可编程逻辑器件发展的基础上。演化硬件的基本原理是将可编程逻辑器件的结构和参数等组成的配置位串作为演化算法的演化对象，通过演化算法的演化操作产生当前所需实现功能的相应的配置位串，再将其下载到可编程逻辑器件中，经过反复的需求适应度比较和演化操作，不断地生成趋近于需求适应度最佳的配置位串，最后得到最适合当前环境和动作目的的硬件结构，即通过直接调整可编程逻辑器件的配置位串，从而得到所需的最佳的硬件结构，以确保硬件结构一直处于最适合状态，保持其能够实时高效地工作。演化算法是一种具有鲁棒性的随机搜索优化算法，它通过模拟大自然的生物进化过程，依据简单的遗传操作和优胜劣汰的自然选择法则来寻求问题的最优解。演化算法具有适于高度并行与自组织、自学习、自适应等特征。一方面当使用演化算法对实际问题进行求解时，算法可以利用演化过程中所获得的相关信息自行地组织搜索行为。另一方面由于演化算法采用种群的方式组织进行对最优解的搜索，从而能够对实际问题的解空间的多个区域同时进行搜索，因此特别适合于大规模并行。紧凑遗传算法(CGA，Compact Genetic Algorithm)是常用演化算法中的一种，其使用概率变量来描述问题候选解空间。考虑到在实现演化硬件时，要求演化算法消耗的运行时间更少，而通过软件来执行演化算法所需要的时间消耗是很不理想的。因此，研究者开始考虑使用FPGA等硬件来执行演化算法。CGA算法被提出的主要目的就是为了能够使演化算法更好地在硬件上执行。通过硬件实现的CGA算法，大幅度降低了演化算法在运行时间的消耗上。同时由于使用概率变量值来表示问题解空间，从而减少了硬件实现时所需的存储资源。尽管CGA算法有着便于硬件实现的优点，但是它只适用于解决规律性较为明显的简单问题，对于略为复杂的问题算法在演化过程中很容易发生局部收敛现象。另外，在概率变量收敛之前，CGA算法经常会丢失所获得的优秀解。最为关键的是，在使用CGA算法实现演化硬件时，由于其搜索能力不足、收敛速度慢，导致所实现的演化硬件很难适用于实际应用的需求。
技术实现思路
为了解决
技术介绍
中存在的上述技术问题，本专利技术提供了一种可增强硬件配置结构位串的搜索能力、提高候选解空间的多样性、更快地获得高质量的最优的硬件配置结构位串、大幅度地提高了收敛速度、减少得到最优的硬件电路结构所需要的时间以及增强了实际演化硬件的实时性的。本专利技术的技术解决方案是本专利技术提供了一种，其特殊之处在于所述包括以下步骤1)获取实际的可编程逻辑器件的配置参数；2)将步骤1)所获取得到的实际的可编程逻辑器件的配置参数进行映射并形成染色体个体；所述染色体个体是由实际问题解空间中的一个解映射得到的二进制串；所述染色体个体 Chromosome = {chrom[l]，…，chrom[i]，…，chrom[L]}，每一代演化的最优染色体个体winner = {winr[l]，. . .，winr[i]，. . .，winr [L]}，其中L表示染色体个体的长度，i的取值范围为[1，L]；3)依据染色体个体所对应的演化电路的输入输出逻辑关系，计算当前染色体个体的适应度值fitness ；所述适应度值fitness表示当前的电路逻辑功能与实际问题需求的电路逻辑功能之间的符合度；4)根据步骤3)所获取得到的适应度值fitness的情况对演化是否终止进行判断， 若fitness等于零，则演化过程结束；若fitness不等于零，则继续执行步骤1) 步骤4)。上述步骤i)的具体实现方式是2. 1)对概率变量初始化；2. 2)获取最优的染色体个体winner ；2. 3)进行敛趋势性判断以及概率变量更新；2. 4)进行变异操作；所述变异操作是指在染色体个体的编码串中，依据一定的变异概率，使用某些等位基因的值来替换其中的变异点上的基因值，从而形成新的染色体个体。上述步骤2. 1)的具体实现方式是2.1.1)令概率变量 P= {p[l]，p[2]，...，p[i]，...，p[L]}皆为 0.5，所述概率变量P的值表示染色体个体Chromosome中chrom[i]为1的概率，其中i的取值范围为[1， L]； 2. 1. 2)依据概率变量P随机生成两个相互独立的初始化染色体个体Chromosome a禾口 Chromosome_b,并>1夺染色体个体Chromosome_a禾口 Chromosome_b送人首次演化过禾呈。上述步骤2. 2)的具体实现方式是2. 2. 1)首先将演化当代的两个染色体个体Chromosome_a* Chromosome_b进行比较，选择出两者中适应度值较好的染色体个体，作为当前的最优染色体个体winner ；2. 2. 2)通过设定重采样周期，在演化过程中，每隔与周期相同代时，使用与当前概率变量值无关的概率值P_samp重新采样，生成新的染色体个体Chromosome^，并且将其与当前的最优染色体个体winner进行比较，选取两者中优秀的一方作为新的最优染色体个 {φ Winner0上述步骤2. 3)的具体实现方式是2. 3. 1)将最优染色体个体winner的每一位winr [i]进行反转；2. 3. 2)比较每一位反转后的个体的适应度值fitness,与原个体的适应度值 fitness_wn ；2. 3. 3)若 fitness_w 大于 fitness_wn，则继续判断 winr [i]的值，如果 winr [i] 进行反转后的值为1，则通过增加步长et来更新p[i]；如果winr[i]进行反转后的值为0， 则通过减少步长et来更新ρ [i]；其中更新步长et等于1/N，N表示种群数目；若fitneSS_ w小于fitness_wn，则不进行相应的p[i]的更新操作，即p[i]保持不变。上述步骤2. 4)的具体实现方式是采用二进制编码实现或采用随机变异算子实现。上述步骤2. 4)中实现方式是采用二进制编码来实现时，所述步骤2. 4)的具体实现方式是对winr[i]的值及其概率变量值p[i]进行判断，若p[i]的值小于0.5且 winr[i]的值为1，则对该位变异，将其变为0;若p[i]的值大于等于0. 5且winr[i]的值为0，则对该位变异，将其变为1。上述步骤2. 4)中实现方式是采用随机变异算子来实现时，所述步骤2. 4)的具体实现方式是选用随机变异模板，设定变异概率P_mode，通常在0. 01 0. 001范围内取值， 依概率生成随机变异模板mutatemode = {mtmd[l]，. . ·，mtmd[i]，. . ·，mtmd[L]}，模板的长度与winner的长度相同，若mtmd[i]的值为1，则Winr[i]发生本文档来自技高网...

【技术保护点】
１．一种基于趋向型紧凑遗传算法的演化硬件实现方法，其特征在于：所述基于趋向型紧凑遗传算法的演化硬件实现方法包括以下步骤：１）获取实际的可编程逻辑器件的配置参数；２）将步骤１）所获取得到的实际的可编程逻辑器件的配置参数进行映射并形成染色体个体；所述染色体个体是由实际问题解空间中的一个解映射得到的二进制串；所述染色体个体Ｃｈｒｏｍｏｓｏｍｅ＝｛ｃｈｒｏｍ［１］，．．．，ｃｈｒｏｍ［ｉ］，．．．，ｃｈｒｏｍ［Ｌ］｝，每一代演化的最优染色体个体ｗｉｎｎｅｒ＝｛ｗｉｎｒ［１］，．．．，ｗｉｎｒ［ｉ］，．．．，ｗｉｎｒ［Ｌ］｝，其中Ｌ表示染色体个体的长度，ｉ的取值范围为［１，Ｌ］；３）依据染色体个体所对应的演化电路的输入输出逻辑关系，计算当前染色体个体的适应度值ｆｉｔｎｅｓｓ；所述适应度值ｆｉｔｎｅｓｓ表示当前的电路逻辑功能与实际问题需求的电路逻辑功能之间的符合度；４）根据步骤３）所获取得到的适应度值ｆｉｔｎｅｓｓ的情况对演化是否终止进行判断，若ｆｉｔｎｅｓｓ等于零，则演化过程结束；若ｆｉｔｎｅｓｓ不等于零，则继续执行步骤１）～步骤４）。

【技术特征摘要】
1.一种基于趋向型紧凑遗传算法的演化硬件实现方法，其特征在于所述基于趋向型紧凑遗传算法的演化硬件实现方法包括以下步骤(1)获取实际的可编程逻辑器件的配置参数；(2)将步骤1)所获取得到的实际的可编程逻辑器件的配置参数进行映射并形成染色体个体；所述染色体个体是由实际问题解空间中的一个解映射得到的二进制串；所述染色体个体 Chromosome = {chrom[l]，…，chrom[i]，…，chrom[L]}，每一代演化的最优染色体个体 winner = {winr[l]，. . .，winr[i]，. . .，winr [L]}，其中 L 表示染色体个体的长度，i 的取值范围为[1，L]；(3)依据染色体个体所对应的演化电路的输入输出逻辑关系，计算当前染色体个体的适应度值fitness ；所述适应度值fitness表示当前的电路逻辑功能与实际问题需求的电路逻辑功能之间的符合度；(4)根据步骤幻所获取得到的适应度值fitness的情况对演化是否终止进行判断，若 fitness等于零，则演化过程结束；若fitness不等于零，则继续执行步骤1) 步骤4)。2.根据权利要求1所述的基于趋向型紧凑遗传算法的演化硬件实现方法，其特征在于所述步骤2)的具体实现方式是(2. 1)对概率变量初始化；(2. 2)获取最优的染色体个体winner ；(2. 3)进行敛趋势性判断以及概率变量更新；(2.4)进行变异操作；所述变异操作是指在染色体个体的编码串中，依据一定的变异概率，使用某些等位基因的值来替换其中的变异点上的基因值，从而形成新的染色体个体。3.根据权利要求2所述的基于趋向型紧凑遗传算法的演化硬件实现方法，其特征在于所述步骤2. 1)的具体实现方式是(2. 1. 1)令概率变量 P = {p[l]，p[2]，...，p[i]，...，p[L]}皆为 0. 5，所述概率变量 P 的值表示染色体个体Chromosome中chrom[i]为1的概率，其中i的取值范围为[1，L]；(2. 1. 2)依据概率变量P随机生成两个相互独立的初始化染色体个体Chr0m0S0me_a和 Chromosome b, 并将染色体个体Chromosome_a和Chromosome_b送入首次演化过程。4.根据权利要求3所述的基于趋向型紧凑遗传算法的演化硬件实现方法，其特征在于所述步骤2. 2)的具体实现方式是(2. 2. 1)首先将演化当代的两个染色体个体Chromosome_a和Chromosome_b进行比较， 选择出两者中适应度值较好的染色体个体，作为当前的最优染色体个体winner ； (2. 2. 2)通过设定重采样周期，在演化过程中，每隔与周期相同代时，使用与...

【专利技术属性】
技术研发人员：邱跃洪，姜庆辉，江宝坦，许维星，
申请(专利权)人：中国科学院西安光学精密机械研究所，
类型：发明
国别省市：87