[发明专利]采用分布式遗传算法的优化处理方法

说明书

技术领域

本发明涉及用于从多种复杂组合中选择优化解的分布式遗传算法。

背景技术

JP-A-2001-195380中描述了一种已知的现有遗传算法。参照图8中的流程，对该现有遗传算法进行简要描述。

在图8中，步骤S1是输入诸如模式中元素数目、模式组中模式数目、适合度的目标值等各个设定值的初始值的步骤。之后的模式组产生步骤S2是产生包括多个互不相同的模式的模式组的步骤。之后的操作步骤S3是从模式组中提取预定数目的模式、并执行诸如对这些模式的元素进行杂交之类的操作以产生新的操作模式的步骤。之后的选择步骤S4是基于从所提取模式和所操作模式中获得的特性(适应度)、从这些模式中选择与所提取模式相同数目的、具有互不相同适应度的模式。之后的替代步骤S5是将选择步骤中所选的预定数目的模式加到模式组以取代所提取模式的步骤。之后的步骤S6是重复一系列算法过程步骤的步骤、直到在算法过程步骤中获得的步骤S6的先前模式组中的最优特性值可能落入所需值范围中，其中算法过程步骤包括操作步骤、选择步骤和替代步骤。

在使用上述遗传算法的优化方法中，重复图8中流程所示的计算，但是，因为可能所有模式属于同一模式组，该算法可能得到局部解而出现错误。因此，必须重复大量计算，以找到优化值，同时避免这种局部解。换言之，在提高要求的优化等级的情况下，涉及到花费大量时间，直到找到优化值。

发明内容

根据本发明的分布式遗传算法是一种优化处理方法，包括：形成多个岛，每个岛具有多个个体；以及通过对多个岛中的每一个应用遗传算法，对个体重复进行杂交、突变、评估和选择，直到满足了所需条件，从而获得优化解，其中通过将个体向每个岛迁移来获得优化解。

附图说明

图1是示出了本发明实施例中分布式遗传算法构思的图。

图2是示出了本发明实施例中光学滤波器结构的横截面图。

图3是示出了本发明实施例中个体基因与膜厚度之间关系的说明图。

图4是示出了本发明实施例中分布式遗传算法的流程图。

图5是本发明实施例中分布式基因算法中局部区域搜索的说明图。

图6是对所计算值与本发明实施例中获得的多层薄膜光学滤波器的增益特性的目标值进行比较的图。

图7是示出了杂交和突变的说明图。

图8是对现有遗传算法进行说明的流程图。

具体实施方式

(实施方式)

图1是表示根据本发明的分布式遗传算法构思的图。存在的个体为：岛1中的个体101、102、103等；岛2中的个体201、202、203等；以及岛3中的个体301、302、303等。随机地分别选择岛1中的个体101、岛2中的个体203和岛3中的个体302，并将个体101迁移至岛2，将个体203迁移至岛3，将个体302迁移至岛1。此后，在每个岛中评估和筛选所有个体，并重复该流程，直到获得优化值。

在本实施方式中，因为使用分布式遗传算法来确定包括多层薄膜的光学滤波器的优化膜厚度和优化层数，所以对如何确定膜厚度和层数进行描述。

图2是示出了光学滤波器结构的横截面图。在如图2所示的多层薄膜光学滤波器中，在玻璃基板10上交替形成二氧化硅和五氧化钽的薄膜，以使第一层11包括二氧化硅，第二层12包括五氧化钽，第三层13包括二氧化硅，第四层包括五氧化钽。通过形成各个二氧化硅和五氧化钽，并改变膜厚度，可以获得光学滤波器的所需透射率(波长和透射率)特性。

以下进一步详细描述对具有所需透射率特性的光学滤波器的每个层的膜厚度确定优化值的方法。

图3示出了岛中存在的每个个体与多层薄膜的膜厚度之间的关系。在图3中，个体A包括基因A1、A2、A3、A4、…和An，A1基因与膜厚度相对应，即，A1针对第一层，A2针对第二层，…，An针对第n层。在该岛中，个体有A到X，同时其他岛中存在多个个体，每个个体包括不同基因。

图4是示出了本发明实施例中的分布式基因算法的流程图。在图4中，在岛1中产生预定数目的初始个体，并随机选择要迁移至其他岛(在这种情况下，是岛2)的个体。关于随机选择的方法，有产生随机数并选择与产生的数相对应的个体的方法等，但是该方法不具有限制性，也可以采用其他方法，例如随机选择与选择处理的时间相对应的个体等。