【正文】 因此，改進(jìn)遺傳算法使其優(yōu)化后的神經(jīng)網(wǎng)絡(luò)收斂速度更快更合理是一個(gè)十分值得研究的課題。3）借助遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)具有一定的隨機(jī)性，網(wǎng)絡(luò)初始值的不同導(dǎo)致網(wǎng)絡(luò)收斂速度會(huì)有很大差異，如果要將之應(yīng)用于實(shí)際生產(chǎn)，則必須使網(wǎng)絡(luò)的收斂速度保持在一個(gè)適當(dāng)?shù)姆秶鷥?nèi)。以下是本人在研究過(guò)程中期望進(jìn)一步研究的問(wèn)題：1）研究對(duì)于具體問(wèn)題有具體方案來(lái)確定BP網(wǎng)絡(luò)的網(wǎng)絡(luò)層數(shù)與隱層節(jié)點(diǎn)數(shù)，而不是靠實(shí)驗(yàn)者的經(jīng)驗(yàn)與試驗(yàn)來(lái)確定，因?yàn)閷?shí)驗(yàn)者確定的網(wǎng)絡(luò)層數(shù)與網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)往往不是最精確，最適合的。將神經(jīng)網(wǎng)絡(luò)應(yīng)用在模擬電路故障診斷中是非常誘人的一個(gè)研究課題。考慮到傳統(tǒng)的BP算法存在的易收斂于局部最小值的缺陷，本文進(jìn)一步地研究了基于GABP神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷，該算法中在確定的BP網(wǎng)絡(luò)進(jìn)行拓?fù)浣Y(jié)構(gòu)下，先利用GA算法優(yōu)化BP網(wǎng)絡(luò)中的權(quán)值和閾值，然后將優(yōu)化后的BP網(wǎng)絡(luò)進(jìn)行模擬電路的故障診斷，該算法利用GA算法的全局搜索能力，很好地優(yōu)化了傳統(tǒng)BP網(wǎng)絡(luò)的缺陷。利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，可以快速地完成故障狀態(tài)的分類(lèi)，大大地提高了模擬電路故障診斷的效率和準(zhǔn)確率。因此，模擬電路故障診斷是提高模擬電路的可靠性以及當(dāng)模擬電路出現(xiàn)故障時(shí)進(jìn)行快速排查的重要手段。在通過(guò)多次的試驗(yàn)統(tǒng)計(jì)后，網(wǎng)絡(luò)的故障診斷正確率接近100%，降低了陷入局部最小值的概率，驗(yàn)證了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)。將測(cè)試樣本輸入已經(jīng)優(yōu)化后的BP網(wǎng)絡(luò)，測(cè)試輸出數(shù)據(jù)與期望輸出數(shù)據(jù)存放在表7中,表中的數(shù)據(jù)小數(shù)點(diǎn)后保留四位有效數(shù)字，現(xiàn)舉一例進(jìn)行說(shuō)明，當(dāng)將第六組訓(xùn)練樣本（即故障狀態(tài)5下的16個(gè)電壓值）的容差的情況下，與期望輸出0，0，1，0，1五位二進(jìn)制數(shù)十分接近，可判定為故障狀態(tài)5故障。由表中數(shù)據(jù)分析，網(wǎng)絡(luò)實(shí)際輸出值與期望輸出值非常接近，即誤差小，精度高，達(dá)到了設(shè)計(jì)的目的。值一般選擇在（，）。本文的變異算子選為非均勻變異算子。根據(jù)經(jīng)驗(yàn)，的值一般選為（,1）,。進(jìn)行交叉運(yùn)算時(shí)，一次只能選擇一種交叉算子進(jìn)行交叉操作，執(zhí)行均勻交叉與兩點(diǎn)交叉的比例為2:3。2）交叉運(yùn)算交叉運(yùn)算的基本思想是首先在種群中隨機(jī)選擇兩個(gè)個(gè)體進(jìn)行，根據(jù)交叉概率來(lái)確定選擇的兩個(gè)個(gè)體是否交叉。輪盤(pán)賭法的基本思想是：計(jì)算群體中每一個(gè)個(gè)體的適應(yīng)度函數(shù)值，則第個(gè)個(gè)體的累計(jì)概率為 （）其中，然后，隨機(jī)產(chǎn)生一個(gè)（0,1）范圍內(nèi)的一個(gè)數(shù)，當(dāng)時(shí)，則個(gè)體被選中進(jìn)入下一代的種群。 （60）其中k為新的種群規(guī)模，其值通過(guò)上述商四舍五入的產(chǎn)生，m為初始種群大小，n為迭代次數(shù)，a為一個(gè)常數(shù)，決定最后一代的種群大小，本文設(shè)定為8。在本文中由于種群規(guī)模在30，迭代次數(shù)為15時(shí)就可以很好的達(dá)到故障診斷的精度要求，為降低系統(tǒng)的啟動(dòng)時(shí)間，初始種群大小就設(shè)定為30，迭代次數(shù)（也稱(chēng)進(jìn)化代數(shù)）設(shè)定為15。種群規(guī)模對(duì)遺傳算法的效率影響明顯，選擇過(guò)大，雖然可增加種群的多樣性，更容易找到最優(yōu)解，但是會(huì)導(dǎo)致收斂時(shí)間過(guò)長(zhǎng)，種群規(guī)模選擇過(guò)小，雖然可以加快收斂速度，但是對(duì)進(jìn)化不利，易陷于局部最優(yōu)。(2) 種群初始化以及各代種群規(guī)模設(shè)定由于網(wǎng)絡(luò)的初始權(quán)值和閾值從較小的數(shù)值開(kāi)始調(diào)整，可以有效預(yù)防網(wǎng)絡(luò)跳過(guò)一些較好的權(quán)值與閾值點(diǎn)，對(duì)網(wǎng)絡(luò)的性能有積極影響，經(jīng)過(guò)多次比較試驗(yàn)，當(dāng)BP網(wǎng)絡(luò)的連接權(quán)值和閾值的初始值的范圍設(shè)置為（,）時(shí)，網(wǎng)絡(luò)性能最好，所以就數(shù)據(jù)范圍設(shè)定為（,）。由于本設(shè)計(jì)對(duì)輸出結(jié)果的精度要求較高，遺傳搜索的空間較大，訓(xùn)練樣本數(shù)據(jù)的范圍也較大，若采用二進(jìn)制編碼，則要求二進(jìn)制碼串很長(zhǎng)，GABP算法的解空間很大，容易導(dǎo)致計(jì)算過(guò)程十分漫長(zhǎng)，因此本設(shè)計(jì)采用浮點(diǎn)數(shù)編碼方式。 （59）其中，表示輸入層節(jié)點(diǎn)數(shù)，表示第一層隱層節(jié)點(diǎn)數(shù)，表示第二層隱層節(jié)點(diǎn)數(shù)，表示輸出層節(jié)點(diǎn)數(shù)。 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及激勵(lì)函數(shù)、訓(xùn)練函數(shù)、訓(xùn)練樣本以及測(cè)試樣本與第三章中BP網(wǎng)絡(luò)一致，在此就不再贅述。6)如果某個(gè)個(gè)體達(dá)到要求，則終止，否則重復(fù)2）～5）的步驟。4)根據(jù)適應(yīng)度函數(shù)值大小對(duì)種群進(jìn)行選擇。2)構(gòu)造訓(xùn)練樣本集，其中每以個(gè)元素代表著一個(gè)結(jié)構(gòu)和連接權(quán)設(shè)定的或者預(yù)先確定的神經(jīng)網(wǎng)絡(luò)，然后對(duì)訓(xùn)練樣本集中的每一個(gè)元素分別用每個(gè)學(xué)習(xí)規(guī)則進(jìn)行訓(xùn)練。目前人們對(duì)學(xué)習(xí)規(guī)則進(jìn)行優(yōu)化的研究才剛剛開(kāi)始，還沒(méi)有成功的例子。 優(yōu)化BP網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則利用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則,可以使神經(jīng)網(wǎng)絡(luò)應(yīng)用于具體的、復(fù)雜的問(wèn)題。5）如果達(dá)到終止條件則輸出最優(yōu)解，否則重復(fù)進(jìn)行步驟2）、3）、4）。3）進(jìn)行遺傳操作（選擇、交叉、變異等）繁殖新一代種群。2) 輸入訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,網(wǎng)絡(luò)實(shí)際輸出值與期望輸出值的差為網(wǎng)絡(luò)誤差，將誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)。但目前廣泛使用的BP網(wǎng)絡(luò),是依靠梯度下降方法來(lái)完成網(wǎng)絡(luò)訓(xùn)練的,該方式對(duì)網(wǎng)絡(luò)的初始權(quán)值非常敏感,初始權(quán)值的不同會(huì)導(dǎo)致最終結(jié)果存在很大差異,而且訓(xùn)練過(guò)程中,一些參數(shù)(例如學(xué)習(xí)速率)的選取尚無(wú)理論指導(dǎo),它們的值完全憑借經(jīng)驗(yàn)和試驗(yàn)來(lái)確定,可這些參數(shù)的選取又關(guān)系到網(wǎng)絡(luò)能否收斂、網(wǎng)路收斂速度以及網(wǎng)路是否會(huì)陷入局部極值的關(guān)鍵問(wèn)題。 優(yōu)化BP網(wǎng)絡(luò)的權(quán)值BP網(wǎng)絡(luò)權(quán)值（權(quán)值和閾值）的訓(xùn)練過(guò)程實(shí)際上是一種復(fù)雜函數(shù)的優(yōu)化問(wèn)題,也就是通過(guò)反復(fù)地調(diào)整來(lái)尋找網(wǎng)絡(luò)最優(yōu)的連接權(quán)值。5)利用選擇、交叉、變異等遺傳操作,產(chǎn)生新一代的群體。3)計(jì)算每種網(wǎng)絡(luò)結(jié)構(gòu)下,輸出的誤差函數(shù)值,將誤差函數(shù)值的平方和的倒數(shù)作為個(gè)體適應(yīng)度值。其具體操作步驟如下:l)隨機(jī)生成種結(jié)構(gòu),對(duì)每種結(jié)構(gòu)進(jìn)行編碼,編碼后的每一碼串對(duì)應(yīng)著一個(gè)網(wǎng)絡(luò)結(jié)構(gòu)，個(gè)碼串即種群。目前，還沒(méi)有系統(tǒng)的理論來(lái)指導(dǎo)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)，其結(jié)構(gòu)的確定主要依靠設(shè)計(jì)者以往的經(jīng)驗(yàn)和試驗(yàn)來(lái)確定。下面對(duì)這三種優(yōu)化方式逐一進(jìn)行介紹。遺傳算法可以從三個(gè)方面對(duì)BP網(wǎng)絡(luò)進(jìn)行優(yōu)化:一是優(yōu)化神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的一種神經(jīng)網(wǎng)絡(luò)，但其具有學(xué)習(xí)收斂速度慢、易陷入局部最小值等缺點(diǎn)，因此許多研究者們努力尋求解決BP神經(jīng)網(wǎng)絡(luò)的這些缺點(diǎn)的方法。如果達(dá)到預(yù)設(shè)的最大代數(shù)則輸出最優(yōu)個(gè)體，終止運(yùn)算，否則返回步驟2）繼續(xù)繁殖進(jìn)化。經(jīng)過(guò)選擇、交叉、變異操作后便可得到一個(gè)適應(yīng)度更高的新種群。5) 變異操作。4) 交叉操作。3) 選擇操作。2) 評(píng)價(jià)每個(gè)個(gè)體的適應(yīng)度。遺傳算法的基本運(yùn)算步驟如下:1) 初始化。四是不同個(gè)體間適應(yīng)環(huán)境能力不同,適應(yīng)能力強(qiáng)的個(gè)體繁殖能力強(qiáng),適應(yīng)能力弱的繁殖能力弱。二是種群具有多樣性。高斯變異的具體操作過(guò)程與均勻變異類(lèi)似。所謂高斯變異操作，是指進(jìn)行變異操作時(shí)用符合均值為，方差為的正態(tài)分布的一個(gè)隨機(jī)數(shù)來(lái)替換原有的基因值。這種變異操作方法就稱(chēng)為非均勻變異（Non Uniform Mutation）。以改進(jìn)這個(gè)性能，以擾動(dòng)后的結(jié)果作為變異后的新基因值。均勻變異操作特別適合應(yīng)用于遺傳算法的初級(jí)運(yùn)行階段，它使得搜索點(diǎn)可以在整個(gè)搜索空間內(nèi)自由地移動(dòng)，從而可以增加群體的多樣性，使算法處理更多的模式。均勻變異（Uniform Mutation）操作是指分別用符合某一范圍內(nèi)均勻分布的隨機(jī)數(shù)，以某一較小的概率來(lái)替換個(gè)體編碼串中各個(gè)基因座上的原有基因值。下面介紹幾種變異操作方法，它們適合于二進(jìn)制編碼的個(gè)體和浮點(diǎn)數(shù)編碼的個(gè)體。交叉運(yùn)算是產(chǎn)生新個(gè)體的主要方法，它決定了遺傳算法的全局搜索能力；而變異運(yùn)算只是產(chǎn)生新個(gè)體的輔助方法，但它也是必不可少的一個(gè)步驟，因?yàn)樗鼪Q定了遺傳算法的局部搜索能力。遺傳算法中所謂的變異運(yùn)算，是指將個(gè)體染色體編碼串中的某些基因座上的基因值用該基因座的其他等位基因來(lái)替代，從而形成一個(gè)新的個(gè)體。變異（Mutation）是以較小的概率對(duì)個(gè)體編碼串上的某個(gè)或某些位值進(jìn)行改變。3) 變異在生物的遺傳和自然進(jìn)化過(guò)程中，其細(xì)胞分裂復(fù)制環(huán)節(jié)有可能因?yàn)槟承┡既灰蛩氐挠绊懚a(chǎn)生一些復(fù)制差錯(cuò)，這樣會(huì)導(dǎo)致生物的某些基因發(fā)聲某種變異，從而產(chǎn)生出新的染色體，表現(xiàn)出新的生物性狀。遺傳算法的收斂性主要取決于其核心操作交叉算子的收斂性。假設(shè)在兩個(gè)個(gè)體、之間進(jìn)行交叉算術(shù)交叉，則交叉運(yùn)算后所產(chǎn)生的新個(gè)體為 （58）其中，可以是一個(gè)常數(shù)（此時(shí)所進(jìn)行的交叉運(yùn)算稱(chēng)為均勻算術(shù)交叉），可以是一個(gè)由進(jìn)化代數(shù)所決定的變量（此時(shí)所進(jìn)行的交叉運(yùn)算稱(chēng)為非均勻算術(shù)交叉）。算術(shù)交叉(Arithmetic Crossover)是指由兩個(gè)個(gè)體的線(xiàn)性組合而產(chǎn)生出兩個(gè)新的個(gè)體。需要說(shuō)明的是，一般情況下不使用多點(diǎn)交叉算子，因?yàn)樗锌赡芷茐暮玫哪Ｊ?。多點(diǎn)交叉是指在個(gè)體編碼中隨機(jī)設(shè)置多個(gè)交叉點(diǎn)，然后進(jìn)行基因交換。圖9所示為兩點(diǎn)交叉運(yùn)算示意圖。 圖8 單點(diǎn)交叉示意圖兩點(diǎn)交叉(Twopoint Crossover)是指在個(gè)體編碼串中隨機(jī)設(shè)置了兩個(gè)交叉點(diǎn)，然后再進(jìn)行部分基因交換。單點(diǎn)交叉的具體操作過(guò)程為：首先對(duì)每一對(duì)相互配對(duì)的個(gè)體，隨機(jī)設(shè)置某一基因座之后的位置為交叉點(diǎn)，若染色體的長(zhǎng)度為，則共有個(gè)可能的交叉點(diǎn)位置，然后對(duì)每一對(duì)相互配對(duì)的個(gè)體，依設(shè)定的交叉概率在其交叉點(diǎn)出相互交換兩個(gè)個(gè)體的部分染色體，從而產(chǎn)生新的個(gè)體。下面介紹幾種適合于二進(jìn)制編碼個(gè)體或浮點(diǎn)數(shù)編碼個(gè)體的交叉算子。交叉操作是在這些配對(duì)個(gè)體組中的兩個(gè)個(gè)體之間進(jìn)行的。遺傳算法中個(gè)，在交叉運(yùn)算之前必須對(duì)群體中的個(gè)體進(jìn)行配對(duì)。遺傳算法中所謂的交叉運(yùn)算，是指對(duì)兩個(gè)相互配對(duì)的染色體按某種方式相互交換其部分基因，從而形成兩個(gè)新的個(gè)體。交叉運(yùn)算產(chǎn)生子代，子代繼承了父代的基本特征。模仿這個(gè)環(huán)節(jié)，遺傳算法中使用交叉算子來(lái)產(chǎn)生新的個(gè)體。從而產(chǎn)生出新的的個(gè)體或物種。所以，該方法一般要與其他一些選擇操作方法配合起來(lái)使用，方可有良好的結(jié)果。該策略使得實(shí)施可保證迄今為止所得到的的最優(yōu)個(gè)體不會(huì)被交叉、變異等遺傳運(yùn)算所破壞，它是遺傳算法收斂性的一個(gè)重要保證條件。最優(yōu)保存策略進(jìn)化模型的具體操作過(guò)程是：首先，找出當(dāng)前群體中適應(yīng)度最高的個(gè)體和適應(yīng)度最低的個(gè)體；其次，若當(dāng)前群體中最佳個(gè)體的適應(yīng)度比總的迄今為止的最好個(gè)體的適應(yīng)度還要高，則以當(dāng)前群體中的最佳個(gè)體作為新的迄今為止的最好個(gè)體；最后，用迄今為止的最好個(gè)體替換掉當(dāng)前群體中的最差個(gè)體。而這卻不是我們所希望發(fā)生的，因?yàn)樗鼤?huì)降低群體的平均適應(yīng)度，并且對(duì)遺傳算法的運(yùn)行效率、收斂性都有不利的影響，所以，我們希望適應(yīng)度最好的個(gè)體要盡量保留到下一代群體中。雖然隨著群體的進(jìn)化過(guò)程會(huì)產(chǎn)生越來(lái)越多的優(yōu)良個(gè)體。在隨機(jī)競(jìng)爭(zhēng)選擇中，每次按輪盤(pán)賭選擇機(jī)制選取一對(duì)個(gè)體，然后讓這兩個(gè)個(gè)體進(jìn)行競(jìng)爭(zhēng)，適應(yīng)度高的被選中，如此反復(fù)，直到選滿(mǎn)為止。圖7所示為輪盤(pán)賭選擇示意圖。每個(gè)個(gè)體就像圓盤(pán)中的一個(gè)扇形部分，扇面的角度和個(gè)體的適應(yīng)度值成正比，隨機(jī)撥動(dòng)圓盤(pán)，當(dāng)圓盤(pán)停止轉(zhuǎn)動(dòng)時(shí)指針?biāo)谏让鎸?duì)應(yīng)的個(gè)體被選中，輪盤(pán)賭式的選擇方法由此得名。所有選擇是從當(dāng)前種群中根據(jù)個(gè)體的適應(yīng)度值，按某種準(zhǔn)則挑選出好的個(gè)體進(jìn)入下一代種群。下面介紹幾種常用的選擇算子。遺傳算法中選擇操作就是用來(lái)確定如何從父代群體中按某種方法選取哪些個(gè)體遺傳到下一代群體中的一種遺傳運(yùn)算，用來(lái)確定重組或交叉?zhèn)€體，以及被選個(gè)體將產(chǎn)生多少個(gè)子代個(gè)體。選擇算子確定的好壞，直接影響到遺傳算法的計(jì)算結(jié)果。選擇操作建立在對(duì)個(gè)體的適應(yīng)度進(jìn)行評(píng)價(jià)的基礎(chǔ)之上。遺傳算法使用選擇算子（又稱(chēng)為復(fù)制算子，Reprodu ction Operator）來(lái)對(duì)群體中 的個(gè)體進(jìn)行優(yōu)勝劣汰操 作；根據(jù)每個(gè)個(gè)體的適應(yīng)度值大小選擇，適應(yīng)度較高的個(gè)體被遺傳到下一代群體中的概率較大；適應(yīng)度較高的個(gè)體被遺傳到下一代群體中的概率較小。這部分同時(shí) 也是遺傳算法的主體部分。這種方法 與第二種方法類(lèi)似。這種方法是第一種方法的改進(jìn)， 可以 稱(chēng)為“ 界限構(gòu)造法 ”，但 這種方法有時(shí)存 在界限值預(yù) 先估計(jì)困難、不可能精確的問(wèn)題。2）對(duì)于求最小值的問(wèn)題，做下列轉(zhuǎn)換： （54）式中，為一個(gè)適當(dāng)?shù)南鄬?duì)比較大的數(shù)，是的最大值估計(jì)，可以是一個(gè)合適的輸入值?？偟膩?lái)說(shuō)，適應(yīng)函數(shù)為種群進(jìn)化的擇優(yōu)提供了依據(jù)。（3）確定適應(yīng)度函數(shù)度量個(gè)體適應(yīng)度的函數(shù)稱(chēng)為適應(yīng)度函數(shù)（Fitness Function），遺傳算法中定義一個(gè)適應(yīng)性函 數(shù)是評(píng)估個(gè)體優(yōu) 劣的手段，評(píng)估的標(biāo) 準(zhǔn)隨所研究的問(wèn)題 的不同而 不同，它往往是由 目標(biāo)函數(shù)轉(zhuǎn)化 而來(lái)，要求和目 標(biāo)函數(shù)有一樣 的極值點(diǎn)和可行解域，并且 值域?yàn)榉秦?fù)，這樣就 能夠?qū)⒛繕?biāo)函 數(shù)極小值問(wèn)題，轉(zhuǎn) 變?yōu)榍筮m應(yīng) 度函數(shù)極大值問(wèn) 題，易于遺傳操作。種群 規(guī)模取得越大， 可供選擇 的面就越寬, 就越容易得到更好的 結(jié)果，但是, 如果種群規(guī)模選 取過(guò)大,優(yōu)化速度就 會(huì)減慢。 遺傳算法的任務(wù) 就是仿效生物 進(jìn)化的過(guò)程對(duì)種 群進(jìn)行優(yōu)勝劣汰, 最后選出符合 優(yōu)化要求的種 群和個(gè)體。在有些場(chǎng)合， 允許生成致死基因 的編碼，必然會(huì)導(dǎo)致 冗余的搜索，但總的 計(jì)算量可能反而 減小，從而可以 更有效地找出最優(yōu)解。c) 非冗余性（Non redundancy）:染色體和 候選解一一對(duì)應(yīng)。評(píng)估編碼策略常用的三個(gè)規(guī)范為：a) 完備性（Completeness）：?jiǎn)栴}空間中的所有點(diǎn)（候選解）都能作為遺傳算法空間中的點(diǎn)（染色體）表現(xiàn)。g) 便于處理復(fù)雜 的決策變量約束條件。e) 便于遺傳 算法與經(jīng)典優(yōu)化 方法的混合使用。c) 便于較大 空間的遺傳搜索。浮點(diǎn)數(shù)編碼方法的優(yōu)點(diǎn)有一下幾點(diǎn)：a) 適合于在遺傳 算法中表示范 圍較大的數(shù)。所謂浮點(diǎn)數(shù)編碼方法，是指?jìng)€(gè)體的每個(gè)個(gè)體的每個(gè)基因值用某一范圍內(nèi)的一個(gè)浮點(diǎn)數(shù)來(lái)表示，個(gè)體的編碼長(zhǎng)度等于其決策變量的個(gè)數(shù)。人們?cè)谝恍┙?jīng)典算法的研究中所總結(jié)出的一些寶貴經(jīng)驗(yàn)也就無(wú)法在這里加以利用，也不便于處理非平凡約束