进化策略在无比例工程图布局优化中的应用

合集下载

创新方法TRIZ理论课件第2章工程系统进化趋势-相关两份资料

创新方法TRIZ理论课件第2章工程系统进化趋势-相关两份资料
超系统经常从宏观上思考技术系统所在的外部环境及提供实现技术 系统的各种资源。
5.功能
功能的概念最早是由美国通用电气的工程师迈尔斯在19世
纪40年代提出的,他认为功能就是“起作用的特性”。 功能体现的是产品具有某种具体效用并满足顾客的某种需求,
所以顾客之所以购买产品,追求的是产品的功能价值。研究产品
小的球可以移动。 Ø 海棉、多孔系统:即工程系统的组件或者表面有众多的孔道。
2.3.2 现代TRIZ理论动态化法则 • 2.分割的动态化
单体 ——板状多体系——毛须状系统 ——可移动的针或球组成 ——海绵、多孔结构 散热器的进化
2.3.2 现代TRIZ理论动态化法则
• 3.功能的动态化 • ——指工程系统的功能由单一功能向多功能方向进化。 • 如: Ø 手机,从单一的语音通话功能进化到通话、短信、上网、拍照、
照明灯的进化
2.3.2 现代TRIZ理论动态化法则
• 2.分割的动态化 ——是指随着工程系统的进化,组件被分割的程度越来越深。
随着工程系统的进化,其组件可能出现以下状态: Ø 单体:即工程系统的组件由一个刚体组成。 Ø 板状多体系统:即工程系统的组件由刚体变成诸多板状物质组
成的系统。 Ø 毛须状系统:即工程系统的组件由一组很细的丝组成。 Ø 可移动的针或者球组成的系统:即组成工程系统的细丝或者很
技术系统转化为具体的图表,通过理清系统中各组件之间或与外部环境 的相互关系,减化系统结构,凸显产品特征,从而进行合理的创新设计。
3.1.1 功能分析相关的概念
1.技术系统
技术系统又称工程系统,指正在发生问题的当前系统,由组件组成,
通过组件之间的相互作用实现一定的功能。技术系统中要求至少含有一 个组件。

变异因子改进的进化策略算法

变异因子改进的进化策略算法

变异因子改进的进化策略算法摘要进化策略是借鉴生物进化的思想,在现代遗传学的启发下,发展起来的一种启发式随机搜索优化方法。

进化策略作为一个新的交叉学科,目前已发展成一种自组织、自适应的综合技术,广泛用于计算机科学、工程技术、管理科学和社会科学等领域,尤其在信号处理领域受到高度重视。

目前,由于进化策略产生下一子代的方法是通过变异方式实现的,对父代的继承性较差,因此目前进化策略的应用主要是配合遗传算法或其它智能算法使用,单独使用进化策略解决问题的例子较少。

针对于此,本文提出改进后的进化策略算法,该算法能够有效地继承父代的优点,能够得到更快、更优的收敛结果。

本文的主要研究内容包括:1. 对传统进化策略进行分析,剖析其收敛过程,掌握制约收敛速度和收敛全局最优解的基本要素,通过对传统进化策略的改进,进而得到一种更快、更好的进化策略寻优算法。

2. 提出改进后的进化策略算法,论述其实现方法,并与传统进化策略进行实例仿真对比。

3. 通过实例说明改进后收敛算法比传统进化策略具有更好的收敛速度和更加稳定的收敛特征,能够有效的收敛到全局最优点。

本课题是以传统进化策略为基础,所做的探索性研究尝试提供一种新的进化策略方法,改进传统进化策略。

本文证明了改进进化策略的收敛性,并且通过多个实例验证了改进后的进化策略,证明其具有更快的收敛速度和更好的稳定性。

关键词:进化策略,变异因子,优化算法IAbstractThe evolution strategy profits from the biological evolution theory, and it is a heuristic stochastic search optimization method in the inspiration of the modem genetics. As a new interdisciplinary study, the evolution strategy has developed as an self-organized, auto-adapted comprehensive technology, which is widely used in the field of computer science, project technology, management science,social sciences and so on, particularly in the signal processing.At present,the evolution strategy neglects the characteristic of father generation, so the evolution strategy application is not independent. Mostly, it is used to coordinate with the genetic algorithms or other intelligent algorithm. Accordingly, we propose the improvement evolution strategy. This algorithm can effectively inherit the meritorious character of father generation, which can obtain a result quickly and precisely. This article main research content includes:1. By analyzing the traditional evolution strategy, we grasp the basic essential factor of restricting convergence rate and the overall situation optimal solution. At last we obtain a quicker and the better evolution strategy algorithm.2. We propose the improvement evolution strategy. We elaborate its implementation method, and contrasts with the traditional evolution strategy by the example simulation.3. The improvement evolution strategy has a better character compared to the traditional evolution strategy.Key words:Evolutionary strategy, Mutation operator, Optimization algorithm目录摘要 (I)Abstract (II)1绪论 (1)1.1课题研究的来源与意义 (1)1.1.1进化计算的研究来源 (1)1.1.2进化策略的研究来源 (1)1.1.3进化算法简介 (2)1.1.4进化算法的应用简介 (4)1.1.5进化策略的意义 (5)1.2进化算法的发展历程 (6)1.2.1萌芽期(50年代后期至70年代初期) (6)1.2.2成长期(70年代中期至80年代末期) (6)1.2.3发展期(90年代以后) (7)1.3进化策略的发展历程 (9)1.4课题研究的内容和结构 (10)2进化策略简介 (12)2.1(1+1)—ES (12)2.2(μ+1)—ES (13)2.3(μ+λ)—ES及(μ,λ)—ES (13)3进化策略的基本技术 (15)3.1进化策略的生物学背景 (15)3.2问题的表达 (16)3.3初始群体的产生 (18)3.4适应度计算 (19)3.5重组 (19)3.6突变 (21)3.7选择 (23)3.8终止 (24)4进化策略的表述 (25)5变异因子的改进及其分析 (28)5.1ES的改进研究 (28)5.2ES的步长控制 (29)5.2.1变异步长控制概述 (29)5.2.2变异步长与局部搜索性能的关系 (30)5.3变异因子的改进及其实现 (31)5.3.1改进变异因子的说明 (31)5.3.2进化策略算法的仿真实现 (32)6数据结果与性能评价 (34)6.1测试函数1 (35)6.2测试函数2 (37)6.3测试函数3 (40)6.4测试函数4 (42)6.5测试函数5 (45)6.6本章小结 (47)结论 (49)参考文献 (50)致谢.......................................................................................................... 错误!未定义书签。

进化算法的发展与应用-概述说明以及解释

进化算法的发展与应用-概述说明以及解释

进化算法的发展与应用-概述说明以及解释1.引言1.1 概述概述进化算法作为一种重要的优化技术,近年来在各个领域得到了广泛的应用和研究。

它受到了生物进化过程的启发,并将其原理与计算模型相结合,以求解各类复杂的优化问题。

进化算法通过模拟自然界中的进化过程,在搜索空间中不断地生成和改进候选解,最终找到问题的最优解或接近最优解。

进化算法的核心思想是基于适者生存的原理,即通过自然选择和遗传机制,将优秀的解保留下来,并通过交叉和变异等操作产生新的解,以期望在搜索过程中不断地向着更好的解靠近。

与传统的优化算法相比,进化算法具有自适应性、全局搜索能力强、对问题结构和约束条件的适应性较好等优势,并在各个领域中展现出了出色的性能。

本文将首先介绍进化算法的起源,包括对进化算法的最早研究以及后来的发展历程进行概述,探讨其基本原理和核心思想。

接着,将详细讨论进化算法在优化问题中的应用,并重点探究其在不同领域中的具体应用案例。

同时,也会对进化算法的优势和局限性进行分析和评价,以期使读者全面了解该算法的特点和适用范围。

最后,本文将展望进化算法的未来发展方向,并提出一些可能的改进和创新方案,以促进该领域的进一步研究和应用。

通过本文的阅读,读者将全面了解进化算法的发展历程、基本原理和在优化问题中的应用情况,对该算法的优势和局限性有所认识,并能够对其未来的发展方向进行预测和思考。

同时,本文也将为相关领域的研究者和工程师提供一些有益的参考和启示,以便在实际应用中更好地利用进化算法解决各类现实问题。

文章结构的设计是为了确保文章的逻辑和思路清晰,让读者能够更好地理解和接受所要表达的内容。

本文将按照如下结构进行展开:1. 引言1.1 概述1.2 文章结构1.3 目的2. 正文2.1 进化算法的起源2.2 进化算法的基本原理2.3 进化算法的发展历程3.1 进化算法在优化问题中的应用3.2 进化算法的优势和局限性3.3 进化算法的未来发展方向文章结构的设计主要是为了让读者能够系统性地了解进化算法的发展与应用。

进化多目标优化算法研究及其应用

进化多目标优化算法研究及其应用

进化多目标优化算法研究及其应用进化多目标优化算法研究及其应用随着科学技术的不断发展和社会经济的快速进步,人们对于各类问题的求解要求越来越高。

然而,现实生活中的问题往往是多目标性的,即存在着多个冲突的目标。

比如,在工程设计中,我们需要考虑材料的强度和重量两个目标,它们往往是相互矛盾的;在经济决策中,我们需要同时考虑利润最大化和成本最小化两个目标,也存在着一定的矛盾。

为了解决这类多目标优化问题,研究者们提出了进化多目标优化算法。

进化多目标优化算法是一类以生物进化过程为基础的优化方法,它通过模拟自然选择、交叉和变异等操作,逐渐搜索出一组近似最优解。

与传统的优化算法相比,进化多目标优化算法具有以下优势:首先,进化多目标优化算法能够同时处理多个目标函数,而不是将多个目标简化为单个目标。

这使得算法能够更好地适应现实问题的复杂性。

其次,进化多目标优化算法能够找到问题的一组非劣解集合,这些解集合之间不存在绝对的优劣关系,而只能通过目标函数之间的相对优劣进行比较。

这使得决策者能够根据自己的偏好在多个非劣解中选择最佳方案。

此外,进化多目标优化算法具有较强的鲁棒性,可以有效应对问题空间的不确定性和噪声的干扰。

这使得算法在实际应用中更加可靠。

近年来,进化多目标优化算法在各个领域得到了广泛的应用。

在工程设计中,它可以优化参数配置,提高产品的性能;在经济决策中,它可以帮助企业找到最佳的投资组合;在城市规划中,它可以优化交通流量和环境指标等。

在这些应用中,进化多目标优化算法不仅能够提供多个解供决策者选择,还能够有效解决各种复杂的问题。

当然,进化多目标优化算法也存在一些挑战和不足之处。

首先,算法的计算复杂度较高,需要大量的计算资源和时间。

其次,算法的收敛性和收敛速度仍然可以进一步提高。

此外,算法的参数设置和选择也会对结果产生一定的影响。

为了提高进化多目标优化算法的性能,研究者们正在不断努力。

一方面,他们通过改进算法的运算规则和操作方式,以提高算法的搜索效率和准确性;另一方面,他们通过引入一些启发式算法和多目标决策方法,以帮助算法更好地适应实际问题。

一种改进的进化算法在生产计划中的应用

一种改进的进化算法在生产计划中的应用

一种改进的进化算法在生产计划中的应用摘要:简要介绍了目前生产计划的研究状况, 建立了一个该问题的数学模型, 在此基础上,应用遗传算法,并在计算机上得以仿真实现。

关键词:多目标进化算法;擂台赛法则;聚集密度;生产计划0 引言ERP是当今国际上先进的企业管理模式, 其核心是计划体系, 包括主生产计划、采购计划、车间作业计划等。

车间作业计划的管理目标是按物料需求计划的要求, 按时、按质、按量和低成本地完成加工制造任务。

该文探讨了遗传算法在车间作业计划安排中的应用。

在当今市场经济的条件下,客户的订货量决定了企业的生产品种和产量。

企业在做决定时已没有可供选择的余地,生产的技术与工艺已经决定了生产的成本和原材料的消耗, 在这个方面,计划已经不能做过多的贡献性决定。

因此, 生产计划只能从其他方面着手优化生产,也就是说,制定准时化的生产计划, 保证能够按期交货, 并减少存储费用。

进化算法(Evolutionary Algorithms, EAs)是近年发展起来的一种崭新的全局优化算法,与大自然的生态环境一样,进化的物种也需要平衡发展,因此设计者必须制定合适生存规则来维持种群的多样性和分布性。

越来越多的证据显示EA s 非常适合求解多目标优化问题, 其机理在于进化群体可并行搜寻多个目标, 逐渐找到问题的满意解。

越来越多的证据显示EA s 非常适合求解多目标优化问题, 其机理在于进化群体可并行搜寻多个目标, 逐渐找到问题的满意解。

1 基于擂台赛法则和聚集密度的多目标进化算法遗传算法就是一定数目的个体组成的群体的抽象进化模型, 各个体由一定长度“基因”串来表示。

新的群体通过与父本优劣度成正比的概率选择父本, 并由交叉和变异算子产生“类似遗传”的突变进化而来。

基因的突变和交叉增加了群体基因材料的多样性, 有利变异在长期时间推移中适应环境从而得到遗传与保留, 有害变异则因生存困难被淘汰。

从优胜劣汰的原则看, 新的一代群体对环境的平均适应程度总是比双亲的一代要高。

进化计算方法在多目标优化问题求解上的应用前景

进化计算方法在多目标优化问题求解上的应用前景

进化计算方法在多目标优化问题求解上的应用前景摘要:多目标优化问题是现实生活中存在的许多复杂问题,如工程设计、金融投资及物流规划等。

传统优化方法在解决多目标优化问题时面临着诸多挑战。

而进化计算方法作为一种启发式算法,在多目标优化问题求解上具有广阔的应用前景。

本文将介绍进化计算方法的基本原理以及在多目标优化问题求解上的应用前景。

1. 引言多目标优化问题(Multi-objective Optimization Problem, MOP)是指在有多个决策变量和多个目标函数的情况下,寻找一组解,使得这些解在各个目标函数的值上都达到最优。

多目标优化问题在实际应用中广泛存在,解决这些问题对于提高生产效率、降低成本以及改善资源利用等方面具有重要意义。

2. 进化计算方法概述进化计算方法是模拟生物进化过程的计算方法,主要包括遗传算法(Genetic Algorithm, GA)、粒子群优化算法(Particle Swarm Optimization, PSO)等。

这些方法通过模拟进化、遗传、竞争等过程,以求得优化问题的最优解。

3. 进化计算方法在多目标优化问题求解上的应用近年来,进化计算方法在多目标优化问题求解上得到广泛应用。

以下是几个具体应用领域的案例介绍。

3.1 工程设计领域工程设计中经常面临多个冲突的目标,如耗时和成本、性能和可靠性等。

进化计算方法可以通过搜索解空间,找到最优的设计方案。

例如,利用遗传算法进行机械结构优化设计,同时考虑结构强度和重量等多个目标。

3.2 金融投资领域金融投资目标通常包括风险、收益和流动性等多个方面。

进化计算方法可以帮助投资者在多个目标之间找到平衡,制定最优的投资策略。

例如,利用粒子群优化算法进行资产组合优化,以达到最大的收益和最小的风险。

3.3 物流规划领域物流规划涉及多个目标,如货物配送成本、运输时间、车辆利用率等。

进化计算方法可以帮助优化物流配送路线、减少时间和成本。

例如,利用遗传算法优化快递员的配送路线,以提高效率和降低成本。

大规模壁画拼接:使用moving DLT的新尝试

大规模壁画拼接:使用moving DLT的新尝试

大规模壁画拼接:使用moving DLT的新尝试作者:陈子豪王志成赵卫东江之洋来源:《电脑知识与技术》2016年第07期摘要:大部分图像拼接工具采用的算法,需要待拼接图像满足较为严格的单应性假设,例如图像间的视点仅相差一次旋转,或者被摄场景接近于平面。

如果待拼接图像不满足这些假设,可能会使拼接结果模糊或存在重影;当图像增多时,拼接结果还会产生畸变。

为了解决由于单应性模型的不足所带来的问题,该文提出一种图像拼接的新方法。

首先利用structure from motion方法,得到被摄物体结构的极大似然估计;之后使用moving DLT技术和修改过的Bundle Adjustment,对图像进行对齐。

实验结果证明,该方法能够快速并正确的处理大量不满足单应性模型的图像的拼接工作。

关键词:图像拼接;壁画保护;三维重建;图像配准;单应投射中图分类号:TP18 文献标识码:A 文章编号:1009-3044(2016)07-0203-04Large Scale Mural Stitching: A Novel Approach Using Moving DLTCHEN Zi-hao, WANG Zhi-cheng, ZHAO Wei-dong, JIANG Zhi-yang(Tongji University, Shanghai 200092, China)Abstract: Algorithms adopted by most image stitching tools usually require input images satisfying some fairly restrictive assumptions, including images correspond to views that differ purely by rotation, or that the imaged scene is effectively planar. They are homography assumptions. Violating them may yield artifacts and ghosting in the result. When stitching plenty of non-ideal images, result panorama also suffers from serious distortion. To solve problems caused by inadequacy of homography-based model, this paper proposes a novel approach. First, it estimates most likely structure of the subject using structure from motion method. Then it aligns images by moving DLT and modified Bundle Adjustment. Experiments show this can effectively stitch bunch of non-ideal images and give convincing results.Key words:image stitching; mural protection; 3-d reconstruction; image alignment;homography图像拼接通常被认为是研究成熟的问题。

基于进化法则的TRIZ九屏分析应用研究

基于进化法则的TRIZ九屏分析应用研究

术难题的优秀创新方法 ,与达尔文的生物进化论 、斯宾塞的 社 会达 尔文主 义并称 为 “ 三大进 化论 ” 。 T R I Z 本 身是一 个诞 生 于西方 思维 模式 下 的繁 杂 的方 法体 系,难于全面掌握和驾驭 。为使之适 于我国文化环境与创新
统所处生命周期的位置,更具工具性 ,而其他法则是作用于
系统进 化 的过程 。 因此 ,笔 者更 倾 向于如 下描述 :提 高理想
度法则 ;完备性法则 ;能量传递法则 ;协调性法则;子系统 不均衡进化法则 ;向超系统进化法则 ;向微观级进化法则; 应用 ,T R I Z“ 本 土化 ”成 为国 内学者 主要研 究方 向之一 。笔 动态性进化法则p 】 。法则简要说明如下 : 者在T R I Z“ 本土化 ”研究过程 中,对经典T R I Z 进行 了认真 ( 1 ) 提高理想度法则 :任何技术系统都是沿着提高其理想 的梳理和分析,发现T R I Z 的原理、法则和工具在应用层面还 度 向最理想系统( 最终理想解) 的方向进化的。该法则指明了 存在着一些模糊的地方,如技术系统八大进化法则基本上属 系统进化 的最 终方 向 。 于 “ 全局 指导 ”性法 则 ,较少 给 出具 体 的应用 方法 或 与其他 ( 2 ) 完 备性 法则 :任 何 技术 系统 都是 为实 现某种 功能 而建 工具 结合 的方法 。笔者发 现 ,只有 将进 化法 则 与T R I Z 具 体工 立的,为此 ,系统必须具备实现其功能最基本的要素,即: 具 有机 结 合 ,才 能 更好 地 发 挥 作用 。再 如 九 屏分 析 是 T R I Z 动力装置、传动装置 、执行装置、控制装置 。各要 素之 间 重要 的系统分析工具 ,被T R I Z  ̄ O 始人G . S . A l t s h u l l e r  ̄为 “ 天 必须存在必要的物质、能量 、信息和职能联系。该法则作用 才发 明九屏幕法”,但同样未给出具体明晰的操作路线。本 于系统建立之初 ,以保障系统实现功能的最低配置和基本联 文 重 点研 究 了T R I Z 九屏 分 析 过 程 中进 化 法则 的作 用 机制 与 系。 模式 ,同时,在进化法则指导下 ,对九屏幕法主要分析路线 ( 3 ) 能量传递法则 :系统的能量应贯穿所有元件 ,使能量 ( 子路线 ) 进 行 了规 划 。 流动路径 缩短 以减 少损 耗是 任何 技术 进化 的方 向。该法则 有 助于我们减少技术系统执行有用功能时的能量损失,实现能 技术 系统进化 法则 简介 量 的最优 利用 。

进化算法在动态规划中的优化应用

进化算法在动态规划中的优化应用

进化算法在动态规划中的优化应用动态规划是一种重要的数学方法,它可以用来解决各种实际问题。

很多复杂问题都可以被转化为动态规划模型,从而用动态规划来求解。

然而,由于动态规划的计算量很大,如果使用传统的算法进行计算,需要消耗很大的时间和空间资源。

为了解决这个问题,人们引入了进化算法来优化动态规划算法。

进化算法是一种基于自然进化原理的算法,它可以利用种群中的“优秀个体”来搜索“解空间”,并逐步逼近最优解。

和传统算法不同,进化算法不需要事先知道问题的解法,而是通过多次迭代,自动找到最优解。

进化算法在动态规划中的应用主要包括以下几个方面。

1. 基于粒子群算法的动态规划优化粒子群算法是一种比较常见的进化算法。

它通过模拟鸟群飞行的过程来搜索最优解。

在动态规划中,可以采用粒子群算法来对状态空间进行优化。

将“粒子”看作状态空间中的一个点,然后利用算法找到最优点,即可得到最优解。

2. 基于遗传算法的动态规划优化遗传算法是一种基于生命进化理论的进化算法。

它通过适应度函数来衡量个体的适应性,并通过“交叉”和“变异”等操作来实现种群的进化。

在动态规划中,可以利用遗传算法来对状态空间进行优化,从而得到更为优秀的解。

3. 基于蚁群算法的动态规划优化蚁群算法是一种模拟蚂蚁在寻找食物过程中产生的信息素作用的进化算法。

它通过“信息素”的传递和更新来实现不断搜索最优解的过程。

在动态规划中,可以采用蚁群算法来对状态空间进行优化,从而得到更为准确的最优解。

4. 基于模拟退火算法的动态规划优化模拟退火算法是一种基于物理学中退火原理的进化算法。

它通过控制温度和能量等参数,来模拟物理系统在退火过程中的状态变化。

在动态规划中,可以采用模拟退火算法来对状态空间进行优化,从而得到更为精确的最优解。

总之,进化算法在动态规划中的优化应用是一个不断发展和完善的领域。

通过对各种进化算法的评估和比较,可以选择最适合特定问题的算法,从而提高动态规划算法的效率和准确度。

进化算法在多目标优化问题中的应用研究

进化算法在多目标优化问题中的应用研究

进化算法在多目标优化问题中的应用研究随着人类经济和科技的快速发展,越来越多的实际问题需要解决。

其中,许多问题不仅具有多种目标函数,而且这些目标函数通常是相互矛盾的。

针对这种情况,多目标优化问题应运而生。

目前,优化算法已成为解决这些多目标问题的重要手段。

而进化算法,作为一种基于生物进化原理的优化方法,已经被证明在多目标优化问题中具有广泛的应用。

一、进化算法简介进化算法是模仿自然进化过程,通过计算机模拟生物进化进行优化算法设计。

其基本算法步骤包括初始化种群、选择、交叉和变异。

在优化过程中,进化算法通过逐代迭代,不断更新种群中个体的基因表达方式,并通过选择、交叉和变异等过程来增加种群的多样性,不断改进种群中个体的表现形式。

因此,进化算法具有全局搜索能力,不仅可以求解单目标优化问题,也可以解决多目标优化问题。

其中,NSGA-II算法是目前最广泛使用的一种进化算法,其主要原理为非支配排序和拥挤度距离计算。

二、多目标优化问题多目标优化问题(multi-objective optimization problem,MOOP)是指希望在一个复杂的问题中,同时优化几个相互独立的目标函数。

这些目标往往是相互矛盾的,因此解决多目标优化问题必须寻找一种平衡点,该点可以尽可能地满足各目标的优化要求。

目标优化问题的求解包括单目标优化问题和多目标优化问题两种,其中单目标优化问题的优化目标只有一个,可以通过经典优化算法(如梯度下降)解决。

而多目标优化问题一般需要利用多目标优化算法进行求解。

有许多真实世界问题,如一般化分配问题、流速控制问题、投资组合问题、统计链接分析问题等,都可以转化为多目标优化问题。

三、进化算法在多目标优化问题中的应用由于进化算法本身具有全局搜索的特点,且可以通过简单的修改适应于多个目标函数的优化。

因此,其在多目标优化问题中具有广泛的应用。

在实际应用中,可以通过参数控制进化算法的行为,以获得最佳的优化结果。

下面,将就进化算法在多目标优化问题中的应用研究进行介绍。

如何一文读懂「进化策略」?这里有几组动图!

如何一文读懂「进化策略」?这里有几组动图!

如何⼀⽂读懂「进化策略」?这⾥有⼏组动图!原⽂来源:「雷克世界」编译:嗯~阿童⽊呀本⽂将借助于⼀些视觉实例,阐述进化策略(Evolution Strategies,ES)是如何进⾏⼯作的。

为了能够让读者更为容易地了解更多详细信息,将尽量保持⽂中所涉及的等式简明易懂,同时附加原始⽂章的链接。

这是⼀系列⽂章中的第⼀篇⽂章,计划展⽰该如何将这些算法应⽤于MNIST、OpenAI Gym、RobSchool以及PyBullet环境的⼀系列任务中。

介绍神经⽹络模型具有很强的表达性和灵活性,如果我们能够找到合适的模型参数的话,那么就可以使⽤神经⽹络,解决许多具有挑战性的问题。

深度学习的成功很⼤程度上来⾃于使⽤反向传播算法有效地计算⽬标函数在每个模型参数上的梯度的能⼒。

有了这些梯度,我们就可以有效对参数空间进⾏搜索,以找到⼀个解,⽽这个解通常⾜够让我们的神经⽹络完成困难的任务。

不过,有许多问题是反向传播算法⽆法解决的。

例如,在强化学习(RL)问题中,我们也可以训练⼀个神经⽹络做出决策,以执⾏⼀系列动作来完成环境中的某些任务。

然⽽,当智能体在当前执⾏了⼀个动作之后,对未来给予智能体的奖励信号的梯度进⾏评估是⾮常重要的,特别是在未来,奖励是跨越了许多时间步长之后实现的情况下。

另外,即使我们能够计算出精确的梯度,但也存在被困于局部最优解的问题,⽽这个问题在强化学习任务中是极其常见的。

困于局部最优解可以这样说,强化学习的整个领域都是致⼒于研究这⼀信⽤分配问题的,并且近年来也取得了很⼤的进步。

但是,当奖励信号稀疏时,信⽤分配仍然是个难题。

在实际中,奖励可以是稀疏和嘈杂的。

有时候,我们可能只得到⼀份奖励,这就像是年终的奖⾦⽀票,主要是取决于雇主,我们很难弄清楚为什么会这么低。

对于这些问题,与其依赖于对策略进⾏未来的⾮常嘈杂且可能毫⽆意义的梯度评估,还不如忽略任何梯度信息,并尝试使⽤诸如遗传算法(GA)或ES这样的⿊盒优化技术。

进化多目标优化学习算法及其应用

进化多目标优化学习算法及其应用

进化多目标优化学习算法及其应用进化多目标优化学习算法及其应用随着人工智能技术的快速发展,多目标优化问题在实际应用中变得越来越普遍。

然而,传统的单一目标优化算法往往无法解决多目标优化问题,因为多目标优化问题涉及到一系列同时优化的目标函数。

为了解决这个问题,进化多目标优化学习算法的出现提供了一种有效的解决方案。

进化多目标优化学习算法是一种基于进化计算和机器学习技术的多目标优化求解算法。

与传统的单目标优化算法相比,进化多目标优化算法可以同时优化多个目标函数,找到一组可行解,形成一个目标函数估计的前沿集合。

通过这种方式,进化多目标优化算法能够为决策者提供一系列权衡不同目标的解决方案,以满足实际应用中的需求。

进化多目标优化学习算法的核心思想是将问题转化为一个多目标优化问题,并通过进化计算的方法搜索最优解。

算法通常包括以下步骤:初始化种群、适应度评价、选择操作、交叉操作、变异操作和更新种群。

其中,适应度评价是决定个体适应度的关键步骤,它利用目标函数来评价个体的优劣程度。

选择操作根据适应度评价的结果选择个体,并通过交叉和变异操作产生新的个体,以增加种群的多样性。

最后,更新种群,将新生成的个体替换掉原来的个体,从而形成新的种群。

经过多次迭代操作,进化多目标优化学习算法能够逐渐收敛于一个最优解的前沿集合。

进化多目标优化学习算法在很多领域中都有广泛的应用。

例如,在工程优化中,进化多目标优化学习算法可以用于优化复杂系统的性能和成本等多个目标。

在物流调度中,算法可以优化路径规划、资源利用率和运输成本等指标。

在金融投资中,算法可以优化风险和收益之间的平衡。

此外,进化多目标优化学习算法还可以应用于组合优化、网络优化、数据挖掘和机器学习等领域。

虽然进化多目标优化学习算法具有许多优点,但也存在一些挑战和问题。

首先,选择合适的优化算法和参数设置是一个具有挑战性的任务。

不同的问题可能需要不同的进化多目标优化学习算法,因此,正确选择适应度函数和算法参数对算法的性能至关重要。

进化算法在多目标优化问题中的应用

进化算法在多目标优化问题中的应用

进化算法在多目标优化问题中的应用进化算法是一种基于自然进化理论的计算方法,它模拟了生物进化的过程,利用遗传、交叉和变异等操作来搜索问题的最优解。

在多目标优化问题中,进化算法具有很大的应用潜力。

进化算法在多目标优化问题中的应用可以追溯到上世纪70年代。

当时,研究人员开始意识到,将进化算法应用于多目标优化问题可以解决传统优化算法存在的困难。

多目标优化问题指的是在存在多个评价指标的情况下,寻找到一组解,使得这组解在多个指标上表现都很好,而不是只追求单一指标的最优解。

进化算法在多目标优化问题中的应用的核心思想是通过维护一群解的多样性来探索问题空间的不同区域,以寻找到一组最优解的近似解。

传统的单目标优化算法无法直接应用于多目标优化问题,因为这些算法只关注单个指标的最优解,而忽视了其他指标的影响。

进化算法通过引入群体的概念,并在解的搜索过程中保持群体的多样性,可以找到多个在多个指标上都较好的解。

为了应用进化算法求解多目标优化问题,需要定义一组适应度函数来评价解的表现。

这些适应度函数可以是目标函数之间的加权组合,也可以是衡量解的各个属性的函数。

通过不断评估和比较个体的适应度,进化算法可以根据这些信息来选择、交叉和变异个体,进而产生新的解。

这个过程类似于在自然界中的进化过程,适应度高的个体具有更高的生存和繁殖机会,从而逐渐改进和优化解。

在多目标优化问题中,进化算法可以产生一组近似最优的解,这些解通常被称为帕累托最优解。

帕累托最优解指的是不存在其他解能在所有目标函数上都优于它们的解。

进化算法通过探索问题空间的不同区域,从而能够找到多个在多个指标上都较好的解。

这些解构成了一个解空间的前沿面,也被称为帕累托前沿。

进化算法在多目标优化问题中的应用涉及到很多领域和实际问题。

在工程领域中,进化算法可以用于设计具有多个性能指标的复杂系统,如飞机、汽车和电路等。

在金融领域中,进化算法可以用于创建多目标投资组合,以平衡风险和回报。

多策略协同进化粒子群优化算法

多策略协同进化粒子群优化算法

多策略协同进化粒子群优化算法多策略协同进化粒子群优化算法(Multistrategy Collaborative Evolutionary Particle Swarm Optimization,简称MC-PSO)是一种通过粒子群优化算法和多策略协同进化算法相结合的混合优化算法。

该算法在全局和局部之间实现了平衡,并且能够根据问题的特点自适应地调整不同策略的权重,从而提高了优化算法的性能。

MC-PSO算法的主要优点在于引入了多策略协同进化的思想,通过策略切换机制来适应不同的优化问题。

具体而言,MC-PSO算法采用了多个子群的方式,每个子群使用不同的策略进行优化。

不同的策略包括探索策略、利用策略、精英策略等,它们通过协同演化来提高全局和局部的能力。

MC-PSO算法的运行过程如下:1.初始化粒子群和策略参数,包括粒子位置、速度、适应度值等;2.根据当前策略参数选择合适的策略进行粒子位置更新,并计算每个粒子的适应度值;3.根据适应度值和策略选择机制,更新每个粒子的个体最优解和全局最优解;4.根据策略切换机制,根据每个粒子的当前状态选择合适的策略进行下一轮优化;5.重复步骤2~4,直到达到停止条件。

MC-PSO算法的关键在于策略参数的选择和协同演化机制的设计。

策略参数的选择可以根据问题的特点进行调整,以适应不同的需求。

协同演化机制可以根据粒子群的当前状态来调整不同策略的权重,使得全局和局部在不同阶段获得平衡。

MC-PSO算法在很多优化问题上取得了很好的效果。

例如,在函数优化问题中,MC-PSO算法能够快速收敛到全局最优解,并且具有较好的收敛性能。

在组合优化问题中,MC-PSO算法能够找到较优的解,并且具有较好的鲁棒性。

总结起来,多策略协同进化粒子群优化算法通过引入多个子群的策略选择机制和协同演化机制,能够同时兼顾全局和局部的能力。

这种算法在解决复杂优化问题上具有较好的性能,并且可以根据问题的特点自适应地进行调整。

进化艺术在墙绘图案设计中的应用

进化艺术在墙绘图案设计中的应用
第 2 卷 第 1期 2 21 0 0年 1 月
计 算机辅 助设计 与 图形 学学 报
J u n l fCo u e— d d Dein & C mp trGrp is o r a mp trAie s o g o u e a hc
Vo . 2 NO 1 12 .
Jn 0 0 a .2 1
Ap ia i n o o u i na y Ar n W a lM u a t e n De i n pl to fEv l to r t i c l r lPa t r s g
W a g Qi i o g n eJn n ,L u H n ,a d Ni ig
( c o l f If r t n S i c n g n ei g,S a d n r lU ie s y,J ’a 2 0 1 ) S h o n o mai c n ea d En i ern o o e h n o g No ma n v ri t i n 50 4 n
Ab t a t s r c :A a t r e e a i n m e h d i p o o e a e n t e c mb n t n o v l to a y a ta d p te n g n r to t o s r p s d b s d o h o i a i f e o u i n r r n o f a t lt c n l g n o d r t k t c n e in o e i n r o c e t l m u a a t r r wo k r c a e h o o y i r e o ma e i o v n e tf r d sg e s t r a e wa l r lp te n a t r s
进化艺 术在 墙 绘图 案设计 中的应 用

进化算法在图像处理中的应用

进化算法在图像处理中的应用

进化算法在图像处理中的应用一、简介图像处理指的是对数字图像进行各种算法处理的技术,可以使图像更加优化,达到更好的视觉效果。

传统的图像处理技术通常基于特定的数学模型,其中许多操作都需要人为设计特定的算法和参数,以完成图像处理任务。

然而,这种方法存在一些缺点,比如难以处理复杂和非线性的图像问题。

进化算法(EA)作为一种优化方法,具有在不同环境下适应性强、搜索范围广等特点,因此在图像处理中越来越有用。

二、进化算法简介进化算法是从生物进化理论中得到的启示,其目的是通过模拟自然界的生命进化过程,来优化复杂问题。

主要方法包括遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)等。

进化算法的优点在于其良好的适应性,使其可用于各种优化问题,并且在搜索范围上有很好的灵活性。

三、进化算法在图像处理中的应用1.图像分割图像分割是图像处理的基础任务,可以将图像分为许多不同的子区域。

当前,最常用的方法是基于聚类的方法,但是这种方法需要预先假设正确的聚类数目。

因此,利用进化算法进行图像分割是一种很好的方法。

利用进化算法可以自动确定合适的聚类数目、聚类中心和分割阈值,以获得分割结果。

2.图像去噪图像去噪是图像处理中的另一项重要任务,它旨在通过减少随机噪声和伪像来提高图像的质量。

利用进化算法中的PSO算法可以优化噪声模型,使其更准确地反映噪声的统计特性,从而提高去噪效果。

3.图像修复在图像处理中,图像修复是一项非常具有挑战性的任务,包括去除图像的瑕疵、填充缺失的区域、恢复模糊的边界等。

利用进化算法可以自适应地优化目标函数,以提高修复效果。

4.图像增强图像增强是一项使图像更加清晰亮丽的处理任务,进化算法可以应用于图像增强的目标函数设计和参数优化。

例如,利用遗传算法可以改进图像直方图均衡化算法,使其对各种图像更加适用。

四、结论进化算法是一种灵活的优化算法,其在图像处理领域中得到了广泛应用。

张良桥-进化博弈基本动态理论及其应用

张良桥-进化博弈基本动态理论及其应用

张良桥(顺德德职业技术学院528300)摘要本文主要介绍进化博弈理论的基本动态模型:对称博弈模拟者动态模型和非对称博弈模拟者动态模型及其相关结论。

为了便于理解,在文中引用了一些简单的例子说明它们之间的区别与联系。

在此基础上文中还介绍了理论家们对随机动态所进行的相关研究及其所取得的理论成果。

最后本文比较了经典博弈理论1与进化博弈理论在动态概念上的差别。

关键词:动态博弈;非对称博弈;模拟者动态;随机稳定集英文标题:The basic dynamics theorie s of evolutionary game and it’s applications Abstract:This paper mainly introduces the basic dynamics model of evolutionary game theory: symmetric replicator dynamic model, asymmetric replicator dynamic model and its relative conclusion. For better understanding, the sample cases are applied to describe the differences between them. Based on the models, this paper also introduced theorists’ study and its achievements on stochastic evolutionary dynamics. Finally, We also give the differences on the concept of dynamics of classic game theory and evolutionary game theory.Keywords: Dynamic Games; Asymmetric Games; Replicator Dynamics; Stochastic Stable Sets作者简介:张良桥,顺德职业技术学院,硕士联系方式:顺德市职业技术学院通信地址:顺德职业技术学院经济管理系 523800电话: 013660431173; 0765--2338178E - Mail: zlbridge@张良桥(顺德德职业技术学院528300)摘要本文主要介绍进化博弈理论的基本动态模型:对称博弈模拟者动态模型和非对称博弈模拟者动态模型及其相关结论。

使用进化策略的图像矢量量化

使用进化策略的图像矢量量化

使用进化策略的图像矢量量化
张高;余松煜;王进
【期刊名称】《上海交通大学学报》
【年(卷),期】2001(35)2
【摘要】在分析自组织特征映射 (SOFM)算法的基础上 ,把进化策略引入到矢量量化设计中 .在将SOFM算法作为基本聚类算法的前提下 ,基于等误差原则 ,利用最大最小原则改变各区域聚类点 ,使各子区域的误差趋于相等 .使用进化策略在子区域误差大的聚类点附近产生新的聚类点 ,从而调整各个区域的子误差 ,进一步改善总期望误差 .实验证明该方法可克服基本聚类算法落入局部最优的局限 .在对 Lena 图像进行量化的过程中 ,改善了码书矢量 ,提高了量化后图像的质量 .
【总页数】4页(P205-208)
【关键词】矢量量化;自组织特征映射;进化策略;神经网络;图像矢量
【作者】张高;余松煜;王进
【作者单位】上海交通大学图像通信与信息处理研究所
【正文语种】中文
【中图分类】TN919.81;TP183
【相关文献】
1.采用方向树结构矢量组合的小波图像分类矢量量化 [J], 郑勇;李德明;朱维乐
2.采用空间矢量组合的小波图像分类矢量量化 [J], 郑勇;胡小川;朱维乐
3.基于树结构矢量分类的小波图像网络编码矢量量化 [J], 郑勇;周正华;朱维乐
4.基于方向树结构矢量分类的小波图像网格编码矢量量化 [J], 郑勇;蒋文军;杨文考;朱维乐
5.基于空间组合矢量分类的小波图像网格编码矢量量化 [J], 郑勇;何宁;朱维乐
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
李江涛 ! ! 刘静华
( 北京航空航天大学 机械工程及自动化学院,北京 C###E% )
! !
何! 涛
( 中国科学院 计算技术研究所,北京 C###E# )
! ! 摘 ! ! ! 要:自动生成的无比例工程图存在布局不合理、 可读性差的问 题, 以管 线安装 图 为例分析了工程图中布局的约束条件, 将布局问题简化为管段长度的调整, 基于目标分解建立 讨论了进化策略中问题 了多目标优化的数学模型 > 应用进化策略求解非线性规划的数学模型, 的表达、 重组、 突变、 选择算子以及终止条件 > 计算 结 果 表 明, 此法可以很好地满足工程中对图 纸可读性和出图效率的要求, 并可推广到一般的具有拓扑连接关系的布局优化问题中去 > 关 ! 键 ! 词:无比例工程图;布局优化;进化策略 中图分类号:JK %DC> $ 文献标识码:8! ! ! ! 文 章 编 号:C##CBLDAL ( "##$ ) #%B#%AAB#M
> 在 工 程 设 计 领 域, 因为
各个图元代表 的 物 体 的 实 际 尺 寸 可 能 相 差 悬 殊, 如果采用单一比例尺将导致无法有效绘制图面上
! 收稿日期:"##A B#C B"" ! 作者简介:李江涛 ( CDE# F ) ,I(++> /:(> 9*>
[-]
!
由于无比例工程图主要描述的是工程设计中 各个 元 件、 设 备、 管 线 等 的 拓 扑 连 接 及 位 置 关 系, 而并不关心某个 零 件 的 具 体 结 构, 因此布局调整 实际上是在拓扑 有 限 变 形 的 基 础 上 进 行 优 化, 管 线安装图为一种拓扑有限变形图 ! #$ #" 布局规则和约束条件 解决一个优化 布 局 问 题, 首先需要分析影响 布局设计的基本 规 则 和 约 束, 并较为准确地建立 描述布局问题的 数 学 模 型, 再通过对布局模型求 解找到最优 ( 或较优) 的布局方案[ . ]!
#" 管线安装图布局问题的数学描述
#$ !" 拓扑有限变形图 一个图形 ! 中 的 实 体 集 " 在 拓 扑 保 持 的 情 下 的 几 何 变 形 %: 况下发生限制在 约 束 集 合{# $ } " ! "&, 称为拓扑有 限 变 形; 新 生 成 的 图 !& 称 为 图 ! 在约束集合{# $ } 下的拓扑有限变形图
*
由于工程图对 拓 扑 关 系 约 束 要 求 严 格, 并且 某些模型 ( 比如管道) 的 长 度 具 有 可 变 性, 使得现 有算法无法应用 于 实 际 的 无 比 例 工 程 图 布 局, 同 时图 纸 的 自 动 布 局 和 自 动 标 注 都 是 *+ 难 问 题[ , ], 因此无比例工 程 图 自 动 生 成 过 程 中 图 面 布 局的规则和约束都是值得深入研究的 !
!& #
"" ’
% %&’
(%
( ! !"# , ) !"# ) , ( ! !$% , " !$% ) ] #[ (*)
!" 进化策略求解
传统的数值 优 化 算 法 不 仅 要 求 函 数 连 续、 可 导, 而 且 对 其 一 阶 导 数 及 二 阶 导 数 都 有 要 求- 式 (3) 为一个非线性规 划 问 题, 模 型 的 非 线 性、 非连 续使之不可能用传统的优化算法进行求解 进化策略从 一 组 随 机 生 成 的 初 始 个 体 出 发, 经过 重 组、 突 变、 选 择 等 操 作, 并根据适应度大小 进行个体的优胜劣汰, 提高新一代群体的质量, 再 经过多次反复迭代, 逐步逼近最优解, 具有智能性 和本质并行性的显著特点 - 从数学角度讲, 进化算 法实质上是一种搜 索 寻 优 的 方 法[ 2 ]- 进 化 策 略 通 常采用实数编码, 广泛应用于各种非线性规划的 求解中 !# $" 问题的表达 个体由目标变量 # 和标准 差 ! 两部分 组 成, 每部分又有 $ 个分量 ( #, ( .’ , .* , …, .% , …, .$ ) , !) & ( ( %’ , …, …, ) %* , %% , %$ ) (7) 本文中, 每个个体对应于一种布局, 目标变量
图 () 简单映射的管线安装图
能够容纳下标注 信 息, 也不能侵占其它图元的空 间 ! 软 约 束 包 括: 同时应位于绘 ! 尽 量 充 满 图 面, 图区 中 间; " 尽 量 保 持 三 维 模 型 间 的 比 例 关 系; # 尽量减少无拓扑连接关系各图元间的碰撞 ! #$ %" 布局问题的数学模型 根据上面对布 局 约 束 的 分 析, 应用目标分解 的建模方法建立 数 学 模 型, 即对应于软约束分别 建立数学子模型, 并根据布局方案调整各个子模 型的权系数, 同时 将 硬 约 束 建 立 为 等 式 或 不 等 式 的约束条件, 最后 形 成 一 个 多 目 标 的 布 局 优 化 求 解问题 ! 在管线安装图 中, 管段是管线中方向没有改 变的一段, 即管段中不存在拐点及分支点 ! 在无比 例管线图中, 布局 问 题 的 实 质 是 确 定 各 管 段 的 长 度, 管段长度如果合适, 则整个图纸的布局就显得 美观 大 方, 反 之 则 影 响 到 读 图 的 方 便 性 ! 同 时, 根 据管线图的特点, 本文将三维模型抽象为一棵三 根 叉树, 树的结点为 管 段 的 端 点, 管 段 的 方 向 !( $ 据管线实际方 向 经 投 影 变 换 得 出 ) 、 计 算 长 度 ’ 0$ 记录在结点指针 中 ! 根 据 上 面 分 析 依 次 建 立 规 划 的约束条件及目标函数 ! 设管 线 图 中 根 节 点 为 " 1 , 则 由 拓 扑 关 系, 图 中任一点 " 可表示为
局应满足如下的规则: ( )保持原有设计的拓扑关系及方位不变; , )形变的有限性和整体性, 即在无统一比例 的前提下应该尽量保持原有的几何比例; - )表达清晰, 减少遮挡干涉; . )预留尺寸标注的空间 ! 由于布局求解过程的实质就是布局约束的处 理和使用, 所以布 局 约 束 在 布 局 求 解 中 起 着 非 常 重要的作用 ! 根据上述规则, 可以将约束简单地分 为硬约束和软约束 , 类[ / ]! 所 谓 硬 约 束 是 指 布 局 中必须被绝对满足的约束, 硬约束如果被违犯, 则 布局失败 ! 软约束 是 指 在 一 定 程 度 上 被 满 足 的 约 束, 对应于通常所说的目标函数 ! 具体的, 硬约束包括:! 位置约束, 即图 形 不 能超出绘图区, 同时应预留尺寸标注的空间, 使标 注能 合 理 分 布 在 绘 图 区 内;" 拓 扑 方 位 约 束, 即 二维工程图应保持三维模型连接关系、 角度关系, 如应 保 持 环 路 的 闭 合, 平 行 管 线 仍 旧 平 行 等; 由于图纸空间的有限性, 图面上 # 最大最小约束, 所有要表达的图 元 需 要 有 一 个 合 理 的 大 小, 既要
) 第 - 期 ) ) ) ) ) ) ) ) ) ) 李江涛等: 进化策略在无比例工程图布局优化中的应用
-32
以方便施工为 最 终 目 的, 无比例工程图的布
!" 管线安装图布局优化意义及难点
配管设计是化工及石化领域工厂设计的一个 重要组成部分, 如何能精确、 高效地提高配管设计 是整个工厂设计质量的核心所在 ! "#$ 图 为 单 根 管 线 的 无 比 例 等 轴 测 图, 要求 图纸 布 局 美 观、 元 件 之 间 关 系 表 达 清 晰、 不 干 涉! 然而, 通过从三维 模 型 到 二 维 图 纸 的 简 单 映 射 导 致的遮挡、 碰撞严重影响 "#$ 图的质量, 往往使 一 张图纸失去参考 价 值, 并大大增加了设计人员的 工作量, 降低了 %&’ 软件的实用性, 如图 (!
利用 Q8Z 进行 设 计 最 终 呈 现 给 用 户 的 是 各 种各样的工程图 纸 > 这 些 图 纸 是 用 户 用 来 进 行 最 后施工存档的重要依据, 是设计结果的最终表示, 它是否满足用户的要求直接影响到设计审核和工 程施工, 也直接影响到该工程 Q8Z 软件的前途 > Q8Z 的 设 计 对 象 有 " 大 类:一 类 是 工 程 设 计, 另一类是产品 设 计
" ( "1 )
"! ’
$ $((
0$
(()
+27
北 京 航 空 航 天 大 学 学 报6 6 6 6 6 6 6 6 6
6 6 6 6 6 *&&3 年 6
设 图 纸 的 边 界 为[ ( ! !"# , " !"# ) , ( ! !$% , " !$% ) ] , 则位置约束为
$
式中, 非连续的多目 $ 为 权 值 - 这 是 一 个 非 线 性、 标优化问题 -
!""#$%&’$() (* +,(#-’$()&./ 0’.&’+1/ $) #&/(-’ ("’$2$3&’$() (* )()40%&#+ +)1$)++.$)1 5.&6$)1
N0 &0+*26+’! N0( &0*2<(+
( O9<’’, ’- ;/9<+*09+, P*20*//)0*2 +*: 8(6’H+60’* ,./010*2 3*04/)5067 ’- 8/)’*+(6095 +*: 856)’*+(6095 ,./010*2 C###E% ,Q<0*+ )
相关文档
最新文档