BP神經網絡的電路最優(yōu)測試集的生成設計

　　對電路板進行仿真試驗，得到結果如表1，其指標衡量如表2。

　　運用神經網絡方法得到的種群中的個體元素仍比較分散，說明神經網絡在自主學習訓練 下要將當前的最優(yōu)解解出的能力相對較弱一些，表1 中給出的結果是應用神經網絡多次運算 得到的出現(xiàn)頻率較高的解。

　　在設定生成較少的測設點數(shù)量時，應用神經網絡能夠解出點集，但各項指標與使用進化 規(guī)劃算法的解相比相對較差，整體效果類似于陷入“早熟”。在設定生成較多的測試點數(shù)量時，應用神經網絡來對目標點集的查找解算較為困難，對目標求解的明晰性不強，目標集（樣本集）內的元素不趨同，求解精度不高。

　　應用傳統(tǒng)的 BP 神經網絡解決TSP 或集覆蓋等問題時，可行解獲得的效率低，網絡較難 收斂到可行解。隨著問題的復雜化，傳統(tǒng)的BP 神經網絡方法搜索到嚴格最優(yōu)解或近似最優(yōu) 解的困難加大，容易陷入局部最優(yōu)。求解速度較慢，網絡特性相對不夠穩(wěn)定。

　　5 結論

　　本文應用神經網絡對模擬電路最優(yōu)測試集生成上進行了初步實現(xiàn)。仿真結果說明當電路結構變得復雜以后，神經網絡的訓練和識別所需要的時間都比較長，運算時間大大增加，甚至在限定的最大時間內出現(xiàn)求不出參考解的情況。目前，應用進化規(guī)劃算法進行最優(yōu)測試集的生成對復雜電路結構求解問題上顯示出其優(yōu)越性，在設定的時間內求解精度高，在設定的 精度下運算時間短。

　　本文作者創(chuàng)新點：在復雜電路結構的求解問題上，應用進化規(guī)劃算法進行最優(yōu)測試集的 生成，在設定的時間內求解精度高，在設定的精度下運算時間短。