基于遺傳算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法
【專(zhuān)利摘要】本發(fā)明涉及基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，包括以下步驟：建立瓦斯?jié)舛葦?shù)據(jù)庫(kù)；采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理；將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛龋景l(fā)明采用遺傳算法能夠有效彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷。以及通過(guò)采用遺傳算法來(lái)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)果證實(shí)經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)較一般的BP神經(jīng)網(wǎng)絡(luò)性能優(yōu)越，通過(guò)此方法，可快速準(zhǔn)確進(jìn)行瓦斯氣體濃度預(yù)測(cè)。
【專(zhuān)利說(shuō)明】
基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及傳感器信息處理及煤礦安全技術(shù)領(lǐng)域，尤其涉及基于遺傳算法優(yōu)化的 BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法。
【背景技術(shù)】
[0002] 目前煤礦安全生產(chǎn)是一個(gè)非常重視的問(wèn)題，如何準(zhǔn)確和快速的對(duì)瓦斯等危險(xiǎn)氣體 進(jìn)行檢測(cè)和快速預(yù)測(cè)、預(yù)警是十分重要的，可以在事故發(fā)生前早預(yù)防，最大限度減少瓦斯爆 炸事故的發(fā)生。目前，較為常用的預(yù)測(cè)數(shù)理模型有神經(jīng)網(wǎng)絡(luò)、混沌及非線性理論、灰色理論 等，特別是近幾年，已經(jīng)有不少是基于人工神經(jīng)網(wǎng)絡(luò)的算法。
[0003] 人工神經(jīng)網(wǎng)絡(luò)由于簡(jiǎn)單而得到了廣泛的應(yīng)用，但是普通的神經(jīng)網(wǎng)絡(luò)存在對(duì)初始權(quán) 重非常敏感，極易收斂于局部極小，全局搜索能力差等不足。經(jīng)過(guò)增加動(dòng)量項(xiàng)和自適應(yīng)修改 學(xué)習(xí)率的方法改進(jìn)后的BP算法雖然能夠改BP網(wǎng)絡(luò)的容易陷入局部極小、收斂速度慢等一些 不足，但在實(shí)際應(yīng)用中仍然不完善，不能完全克服BP算法固有的缺陷。

【發(fā)明內(nèi)容】

[0004] 鑒于目前技術(shù)存在的上述不足，本發(fā)明提供基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦 斯預(yù)測(cè)方法，本發(fā)明采用遺傳算法能夠有效彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺陷。以及通過(guò)采用遺傳算 法來(lái)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)果證實(shí)經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)較一般的BP神 經(jīng)網(wǎng)絡(luò)性能優(yōu)越，通過(guò)此方法，可快速準(zhǔn)確進(jìn)行瓦斯氣體濃度預(yù)測(cè)。
[0005] 本發(fā)明的采用如下技術(shù)方案：
[0006] 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，包括以下步驟：
[0007] 建立瓦斯?jié)舛葦?shù)據(jù)庫(kù)；
[0008] 采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理；
[0009] 將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛取?br>[0010] 作為本發(fā)明的優(yōu)選技術(shù)方案，所述采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)?度數(shù)據(jù)進(jìn)行處理的步驟包括：
[0011] 通過(guò)瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)，存入瓦斯?jié)舛葦?shù)據(jù)庫(kù)；
[0012] 基于C-C方法計(jì)算序列的延遲時(shí)間τ和嵌入維數(shù)m，將數(shù)據(jù)庫(kù)儲(chǔ)存的瓦濃度數(shù)據(jù)作 為混沌時(shí)間序列進(jìn)行處理。
[0013] 作為本發(fā)明的優(yōu)選技術(shù)方案，所述將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛鹊?步驟包括：
[0014] 根據(jù)遺傳算法編碼方式選擇權(quán)重及偏值進(jìn)行試驗(yàn)；
[0015] 根據(jù)所述試驗(yàn)通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)瓦斯?jié)舛取?br>[0016] 作為本發(fā)明的優(yōu)選技術(shù)方案，所述根據(jù)遺傳算法編碼方式選擇權(quán)重及偏值進(jìn)行 試驗(yàn)的步驟中，采用實(shí)數(shù)編碼，全值取值范圍（-6，6)，偏值取值范圍（_4,4)，精確度為 〇. 〇〇1，并根據(jù)所選取的權(quán)重及偏值進(jìn)行試驗(yàn)，種群規(guī)模設(shè)置為50，遺傳代數(shù)設(shè)為100。
[0017] 作為本發(fā)明的優(yōu)選技術(shù)方案，所述根據(jù)所述試驗(yàn)通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái) 預(yù)測(cè)瓦斯?jié)舛鹊牟襟E包括：
[0018] 始化種群P、交叉規(guī)模以及對(duì)任一wi (i，j)、B1 (j)和W2 (j，i)、B2 (k)初始化種群，采 用實(shí)數(shù)進(jìn)行編碼，初始種群取50;
[0019] 計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將進(jìn)行排序；
[0020] 根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)Pc，以概率Pc對(duì)個(gè)體Gi和Gi+1交叉操作產(chǎn)生新個(gè)體G' i和G' i+1; [0021 ]根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)Pm，利用概率?》突變產(chǎn)生Gj的新個(gè)體G'j;
[0022]將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評(píng)價(jià)函數(shù)；
[0023]以GA遺傳出優(yōu)化初值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)，直到指定精度。
[0024]作為本發(fā)明的優(yōu)選技術(shù)方案，所述計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將進(jìn)行排序的步 驟中，按下式概率值選擇網(wǎng)絡(luò)個(gè)體：
[0025]
其中1為個(gè)體i的適配值，可用誤差平方和E衡量，
[0026] 即：
[0027]
其中i = l，…，N為染色體數(shù);k=l，…，4為輸出層 節(jié)點(diǎn)數(shù);P = l，…，5為學(xué)習(xí)樣本數(shù);Tk為教師信號(hào)。
[0028]作為本發(fā)明的優(yōu)選技術(shù)方案，所述根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)P。，以概率Pc對(duì)個(gè)體Gi和Gi+1 交叉操作產(chǎn)生新個(gè)體6'1和6'1+1的步驟中，若沒(méi)有進(jìn)行交叉操作的個(gè)體進(jìn)行直接復(fù)制。
[0029] 作為本發(fā)明的優(yōu)選技術(shù)方案，所述將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評(píng)價(jià) 函數(shù)的步驟中，通過(guò)計(jì)算BP的誤差平方和，若達(dá)到預(yù)定值，則繼續(xù)下一步，否則返回模糊動(dòng) 態(tài)調(diào)節(jié)P c，以概率Pc對(duì)個(gè)體Gi和Gi+1交叉操作產(chǎn)生新個(gè)體G' i和G' i+1的步驟重新產(chǎn)生新個(gè)體。
[0030] 本發(fā)明的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，包括以下步驟:建立 瓦斯?jié)舛葦?shù)據(jù)庫(kù);采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理;將處理 后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛?，本發(fā)明采用遺傳算法能夠有效彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的缺 陷。以及通過(guò)采用遺傳算法來(lái)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)果證實(shí)經(jīng)遺傳算法優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)較一般的BP神經(jīng)網(wǎng)絡(luò)性能優(yōu)越，通過(guò)此方法，可快速準(zhǔn)確進(jìn)行瓦斯氣體濃度預(yù)測(cè)。
【附圖說(shuō)明】
[0031] 為了更清楚地說(shuō)明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的 附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng) 域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附 圖。
[0032] 圖1為本發(fā)明方法的流程圖。
[0033]圖2為本發(fā)明方法的具體流程圖。
【具體實(shí)施方式】
[0034]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0035] 如圖1和圖2所示本發(fā)明提供的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法， 包括以下步驟，
[0036] 步驟S1:建立瓦斯?jié)舛葦?shù)據(jù)庫(kù)，其中數(shù)據(jù)庫(kù)可以表示為Xllb={x(k)|i = l，2，~l} (l=n+2p)〇
[0037] 步驟S2:采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理:其中包 括步驟S2a:通過(guò)瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)，存入瓦斯?jié)舛葦?shù)據(jù)庫(kù);步驟S2b:基于C-C方 法計(jì)算序列的延遲時(shí)間τ和嵌入維數(shù)m，將數(shù)據(jù)庫(kù)儲(chǔ)存的瓦濃度數(shù)據(jù)作為混沌時(shí)間序列進(jìn)行 處理。
[0038]步驟S3:將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛?，其中包括步驟S3a::根據(jù)遺 傳算法編碼方式選擇權(quán)重及偏值進(jìn)行試驗(yàn)，其中包括采用實(shí)數(shù)編碼，全值取值范圍(_6,6)， 偏值取值范圍（_4,4)，精確度為0.001，并根據(jù)所選取的權(quán)重及偏值進(jìn)行試驗(yàn)，種群規(guī)模設(shè) 置為50,遺傳代數(shù)設(shè)為100;步驟S3b:根據(jù)所述試驗(yàn)通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)瓦 斯?jié)舛?，具體包括以下步驟，1、始化種群P、交叉規(guī)模以及對(duì)任一 Wl(j，j)、Bl(j#PW2(j， i)、B2(k)初始化種群，采用實(shí)數(shù)進(jìn)行編碼，初始種群取50;2、計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并 將其排序，按下式概率值選擇網(wǎng)絡(luò)個(gè)體：
[0039]
;中乜為個(gè)體i的適配值，可用誤差平方和E衡量，
[0040] 即：
[0041 ：
沖i = l，···，N為染色體數(shù)；k=l，···，4為輸出 層節(jié)點(diǎn)數(shù);P = 1，…，5為學(xué)習(xí)樣本數(shù);Tk為教師信號(hào)；3、模糊動(dòng)態(tài)調(diào)節(jié)Pc，以概率Pc對(duì)個(gè)體Gi 和G1+1交叉操作產(chǎn)生新個(gè)體6'1和6'1+1，沒(méi)有進(jìn)行交叉操作的個(gè)體進(jìn)行直接復(fù)制;4、模糊動(dòng) 態(tài)調(diào)節(jié)Pm，利用概率Pm突變產(chǎn)生Gj的新個(gè)體G' j; 5、將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體 的評(píng)價(jià)函數(shù);計(jì)算BP的誤差平方和，若達(dá)到預(yù)定值，則繼續(xù)下一步，否則返回模糊動(dòng)態(tài)調(diào)節(jié) Pc，以概率Pc對(duì)個(gè)體GjPG'1+1交叉操作產(chǎn)生新個(gè)體6' 1和6'1+1，沒(méi)有進(jìn)行交叉操作的個(gè)體進(jìn) 行直接復(fù)制的步驟中；6、以GA遺傳出優(yōu)化初值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)，直到指定 精度。
[0042] 以下提供一具體的實(shí)施例進(jìn)一步闡述本發(fā)明。
[0043] 如表1和表2所示，隨機(jī)對(duì)一組瓦斯?jié)舛冗M(jìn)行預(yù)測(cè)比較，預(yù)測(cè)結(jié)果見(jiàn)下表1和表2。 [0044] 表1普通BP預(yù)測(cè)結(jié)果
[0045]
[0046]
[0047] 表2改進(jìn)后BP預(yù)測(cè)結(jié)果
[0048]
[0049]
[0050] 從表1和表2中可以看出：分別抽取的10組預(yù)測(cè)數(shù)據(jù)中，普通BP預(yù)測(cè)誤差值較大，而 經(jīng)遺傳優(yōu)化后的BP預(yù)測(cè)結(jié)果精度更高。
[0051] 綜上所述，本發(fā)明的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，包括以下 步驟:建立瓦斯?jié)舛葦?shù)據(jù)庫(kù);采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處 理;將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛?，本發(fā)明采用遺傳算法能夠有效彌補(bǔ)BP神 經(jīng)網(wǎng)絡(luò)的缺陷。以及通過(guò)采用遺傳算法來(lái)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，結(jié)果證實(shí)經(jīng)遺傳算法 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)較一般的BP神經(jīng)網(wǎng)絡(luò)性能優(yōu)越，通過(guò)此方法，可快速準(zhǔn)確進(jìn)行瓦斯氣 體濃度預(yù)測(cè)。
[0052]以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本領(lǐng)域技術(shù)的技術(shù)人員在本發(fā)明公開(kāi)的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng) 涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為 準(zhǔn)。
【主權(quán)項(xiàng)】
1. 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在于，包括w下步驟： 建立瓦斯?jié)舛葦?shù)據(jù)庫(kù)； 采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理； 將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛取?. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述采集瓦斯?jié)舛葦?shù)據(jù)儲(chǔ)存到數(shù)據(jù)庫(kù)中并對(duì)瓦斯?jié)舛葦?shù)據(jù)進(jìn)行處理的步驟包括： 通過(guò)瓦斯傳感器采集瓦斯?jié)舛葦?shù)據(jù)，存入瓦斯?jié)舛葦?shù)據(jù)庫(kù)； 基于C-C方法計(jì)算序列的延遲時(shí)間τ和嵌入維數(shù)m，將數(shù)據(jù)庫(kù)儲(chǔ)存的瓦濃度數(shù)據(jù)作為混 濁時(shí)間序列進(jìn)行處理。3. 根據(jù)權(quán)利要求1-2任一所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其 特征在于，所述將處理后的數(shù)據(jù)基于遺傳算法預(yù)測(cè)瓦斯?jié)舛鹊牟襟E包括： 根據(jù)遺傳算法編碼方式選擇權(quán)重及偏值進(jìn)行試驗(yàn)； 根據(jù)所述試驗(yàn)通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)瓦斯?jié)舛取?. 根據(jù)權(quán)利要求3所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述根據(jù)遺傳算法編碼方式選擇權(quán)重及偏值進(jìn)行試驗(yàn)的步驟中，采用實(shí)數(shù)編碼，全值取 值范圍（-6,6)，偏值取值范圍(-4,4)，精確度為0.001，并根據(jù)所選取的權(quán)重及偏值進(jìn)行試 驗(yàn)，種群規(guī)模設(shè)置為50，遺傳代數(shù)設(shè)為100。5. 根據(jù)權(quán)利要求3所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述根據(jù)所述試驗(yàn)通過(guò)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)瓦斯?jié)舛鹊牟襟E包括： 始化種群P、交叉規(guī)模W及對(duì)任一 11。〇)、81〇巧抓2〇，1)、82化)初始化種群，采用實(shí) 數(shù)進(jìn)行編碼，初始種群取50; 計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將進(jìn)行排序； 根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)Pc，W概率Pc對(duì)個(gè)體Gi和Gw交叉操作產(chǎn)生新個(gè)體G'l和G'w; 根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)Pm，利用概率Pm突變產(chǎn)生&的新個(gè)體G'j; 將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評(píng)價(jià)函數(shù)； WGA遺傳出優(yōu)化初值作為初始權(quán)值，用BP算法訓(xùn)練網(wǎng)絡(luò)，直到指定精度。6. 根據(jù)權(quán)利要求5所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述計(jì)算每一個(gè)個(gè)體評(píng)價(jià)函數(shù)，并將進(jìn)行排序的步驟中，按下式概率值選擇網(wǎng)絡(luò)個(gè)體：其中fi為個(gè)體i的適配值，可用誤差平方和E衡量， 即：竄中i = l，…，N為染色體數(shù);k=l，…，4為輸出層節(jié) 點(diǎn)數(shù);p = l，…，5為學(xué)習(xí)樣本數(shù);為教師信號(hào)。7. 根據(jù)權(quán)利要求5所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述根據(jù)模糊動(dòng)態(tài)調(diào)節(jié)Pc，W概率Pc對(duì)個(gè)體Gi和Gi+及叉操作產(chǎn)生新個(gè)體G'l和G'w的步 驟中，若沒(méi)有進(jìn)行交叉操作的個(gè)體進(jìn)行直接復(fù)制。8. 根據(jù)權(quán)利要求5所述的基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的瓦斯預(yù)測(cè)方法，其特征在 于，所述將新個(gè)體插入到種群P中，并計(jì)算新個(gè)體的評(píng)價(jià)函數(shù)的步驟中，通過(guò)計(jì)算BP的誤差 平方和，若達(dá)到預(yù)定值，則繼續(xù)下一步，否則返回模糊動(dòng)態(tài)調(diào)節(jié)Pc，W概率Pc對(duì)個(gè)體Gi和Gi + l 交叉操作產(chǎn)生新個(gè)體G'l和G'w的步驟重新產(chǎn)生新個(gè)體。
【文檔編號(hào)】G06Q50/02GK105976025SQ201610154222
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年3月18日
【發(fā)明人】孫勝偉
【申請(qǐng)人】孫勝偉