一种基于种群进化的复杂产品系统自适应更改方法

技术领域

本发明涉及一种复杂产品系统更改方法，尤其是涉及一种基于种群进化的复杂产品系统自适应更改方法。

背景技术

复杂产品是指研发成本高、规模大、技术含量高、涉及多学科技术知识、制造装配所需资源非常多的一种产品。实际工作中，并非所有复杂产品都是从无到有进行设计，Meyer等人研究发现，大约70％的产品设计可归类为适应性设计，即产品设计更改。为消减设计更改带来的影响，Vito Latora引入小世界中的有效行为概念以解释设计变更，Yongsheng Ma使用功能建模实现更改传播算法。在国内，高琦教授主要研究了设计变更在工程中的影响，张树有教授提出了面对更改传播的滚雪球效应，郝泳涛教授基于FBS模型及行为流理论对设计变更进行功能、行为、结构上的分解。但是，以上研究多着重于设计变更带来的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于种群进化的复杂产品系统自适应更改方法。

本发明的目的可以通过以下技术方案来实现：

一种基于种群进化的复杂产品系统自适应更改方法，该方法包括如下步骤：

(1)建立复杂产品系统的行为网络模型，当复杂产品系统设计要求变化时，确定复杂产品系统中待更改个体，执行步骤(2)；

(2)采用遗传算法对待更改个体进行自适应更改，执行步骤(3)；

(3)待更改个体自适应更改完成后形成已更改个体，遍历步骤(1)中的行为网络模型，确定与所述的已更改个体关联的个体，执行步骤(4)；

(4)判断步骤(3)中与所述的已更改个体关联的个体是否存在，若是则将与 所述的已更改个体关联的个体确定为待更改个体，返回步骤(2)，否则复杂产品系统自适应更改结束。

所述的步骤(2)具体包括如下子步骤：

(201)根据待更改个体确定第一代进化种群X(0)，并将进化种群记作X(t)，其中t为迭代次数，赋值迭代次数t＝0，执行步骤(202)；

(202)计算待进化种群X(t)中的每个个体适应度，执行步骤(203)；

(203)根据待进化种群X(t)中每个个体适应度确定个体被选择的概率，并进行交叉变异产生下一代进化种群X(t+1)，执行步骤(204)；

(204)根据进化终止准则判断进化是否结束，若是终止进化，并获取更改后的个体，否则赋值t＝t+1，返回步骤(202)。

步骤(201)中根据待更改个体确定第一代进化种群X(0)具体为：

(201a)确定种群规模：种群规模最大值为MAX，最小值MIN，执行步骤(201b)；

(201b)确定待更改个体所在种群内实际个体总数为N，执行步骤(201c)；

(201c)判断MIN≤N≤MAX是否成立，若是将N个实际个体作为第一代进化种群X(0)，并结束，否则执行步骤(201d)；

(201d)判断N>MAX是否成立，若是从N个实际个体中选取MAX个个体作为第一代进化种群X(0)，并结束，否则N<MIN，随机补充(MIN-N)个个体，并将N个实际个体与补充的(MIN-N)个个体组成第一代进化种群X(0)。

步骤(202)采用适应度函数计算个体适应度，具体地将待进化种群X(t)中第i个个体记作PI_i，i＝1,2……Num，Num为待进化种群X(t)中个体个数，通过下式计算个体PI_i对系统环境的适应度：

$\gamma \left({\mathrm{PI}}_i\right)=\underset{k=1}{\overset{n}{\Sigma }}{\omega }_k·est(S_{obj},f({\mathrm{CPN}}_k,{\mathrm{PI}}_i\left)\right),$

其中CPN_k为系统环境中的第k个组成因子，ω_k第k个组成因子权重，k＝1,2……n，n为组成因子总个数，S_obj为个体PI_i的结构信息，f(CPN_k,PI_i)为关系函数，计算生成个体PI_i与第k个组成因子CPN_k适应度值最大的相似个体结构信息，est(S_obj,f(CPN_k,object))为个体PI_i的结构与生成的相似个体结构的相似性度量函数。

步骤(203)具体为：

(203a)根据个体适应度值，计算待进化种群X(t)中第i个体被选择的概率p_i， i＝1,2……Num，Num为待进化种群X(t)中个体个数，淘汰p_i值小于设定值p_imin的个体，同时增加p_i值大于设定值p_imax的个体个数；

(203b)根据给定的交叉概率p_c执行交叉形成中间个体；

(203c)对各中间个体根据给定的变异概率p_m进行变异形成M个候选个体；

(203d)将步骤(203c)中M个候选个体组合形成下一代进化种群X(t+1)。

根据下式计算第i个体被选择的概率p_i：

$p_i=\frac{{p_i}^{\prime }}{\underset{j=1}{\overset{Num}{\Sigma }}{p_j}^{\prime }},$

${p_i}^{\prime }=\frac{\underset{j=1}{\overset{Num}{\Sigma }}{\gamma }_j}{{\gamma }_i}.$

步骤(204)中进化终止准则为迭代次数t达到最大迭代次数或下一代进化种群X(t+1)中出现个体PI_x适应度值γ(PI_x)满足γ(PI_x)≤γ₀，其中γ₀为复杂产品系统更改前待更改个体对系统环境的适应度。

与现有技术相比，本发明具有如下优点：

(1)通过行为网络模型建立个体的关联关系，并通过遗传算法进行反复的迭代更改，直至系统内没有待更改的个体，实现自适应更改，自动化程度高、更改后的个体更适应整个复杂产品系统；

(2)复杂产品系统中子结构众多、子结构之间关系复杂，在设计更改时理解和描述起来比较困难，而生态系统结构与复杂产品系统结构有很大的相似之处，所以借助生态系统中的环境、种群和个体等来描述复杂产品，不仅易于理解和描述而且可以使用生态系统领域的现有研究成果来解决复杂产品领域的相关问题；

(3)将种群理论引入到复杂产品系统设计领域，借助生物进化的自适应机制来解决复杂产品的设计问题，具有很好创新性和可借鉴意义；

(4)本发明自适应更改方法简单、易于实现，且更改结果可靠。

附图说明

图1为本发明自适应更改方法的流程图；

图2为发动机曲柄连杆机构行为网络模型结构示意图。

图中A1为气缸体，A2为活塞，A3为活塞环，A4为活塞销，A5为连杆，A6 为曲轴，A7为飞轮。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

为实现复杂产品系统自适应更改，首先定义组成因素，并建立复杂产品系统行的为网络模型。复杂产品生态系统的组成元素分为产品类元素和环境。

环境(Environment,ENV)：环境指某一特定个体或产品群体周围一切的总和，包括直接或间接影响产品群体生存的各种因素。

对产品生态系统而言，环境指周围一切非产品元素的总和，包括直接或间接影响产品群体生存的各种因素。环境为产品元素提供物质及能量。

环境针对于某特定对象，随时间变化而变化。故环境表述为：

ENV＝{object,t,n,CPN-E}，

$CPN-E=\underset{i=1}{\overset{n}{\cup }}\{{\mathrm{CPN}}_i,{\omega }_i,f({\mathrm{CPN}}_i,object)\};$

式中，object表示环境针对的对象；t表示时刻，初始值为0；n表示环境中组成因子的数目；CPN-E表示环境中包含的所有因子，是组成因子CPN_i、组成因子影响权重ω_i、组成因子与对象间的影响关系f(CPN_i,object)的集合。其中，组成因子指与对象直接相关的个体、种群、群落或其他物质因素，对对象影响越大，权重越大，对对象的影响关系可定义方程组表示。

产品元素，即“零件”：组成机械和机器的不可分拆的单个制件，其制造过程一般不需要装配工序。零件是组成机器的最基本的单位。如，一个螺母即为一个零件。

PI-obj＝{object,S_obj,F_obj,RES_obj,ENV-obj}，

S_obj＝{是否可更改|材质|对外形状|尺寸...}；

其中，object代表具体个体，S_obj代表个体的结构信息，F_obj代表个体的功能信息，取值范围为连接、传递、支撑、储能、其他。RES_obj代表个体本身的限制条件。ENV-obj代表个体所处的环境，可使用环境表达式表示。

产品种群(Product Population,PP)：同种群的零件具有相同的结构、功能特性，可表示为：

PP＝{object,n,F_obj,∪PI,ENV-PP}，

式中object表明是什么个体的种群，n为种群中个体数目，F_obj为种群中个体共同的功能，PI为种群内的个体，∪PI即为种群内现有个体的集合，ENV-PP代表种群所处的环境。

结合生态系统中维持动态平衡、实现自适应的过程，可知，个体之间具有一定关系，而且通过特定的关系进行相互选择、相互影响。分析其反馈机制可得，根据种群间相互影响的性质，选择分为正选择(一方的增加促进另一方的增加)和负选择(一方的增加抑制另一方的增加)。在产品生态系统中，个体间也存在类似关系，根据个体间的关系进行选择类别的划分：

共生：个体不可单独存在，共同存在时完成功能F，个体间为正选择关系。

共栖：个体可单独存在，共同存在时对彼此有利且完成功能F，个体间为正选择关系。

捕食：B的输入依赖于A的输出，个体间存在正选择关系。

寄生：A依赖于B完成功能F，且A的存在取决于B，B的存在与A是否存在无关。寄生关系中，B对A是正选择关系，A对B的影响则忽略不计。

竞争：个体均可实现功能F，个体间存在负选择关系。

种群、个体间的相互选择是并行存在的，为模拟该进化过程，引入协同进化算法。

每次设计变更影响的种群可能不止一个，确定需要更改的种群后，考虑种群间的联系，本文使用协同算法模拟系统进化。

协同进化算法同时建立并维持多个子种群,并令它们共同进化。各个种群的进化过程并不是彼此孤立的,各种群相互影响、相互选择、共同进化,这种现象被称为协同进化或共进化。协同进化算法借鉴了自然界中这种协同进化机制,它使用多个独自进化的子种群来模拟自然界中的多个物种,并在进化过程中令这些子种群之间相互影响，相互选择,以模拟自然界中物种之间的协同进化机制。

协同进化算法之所以区别于多种群进化算法的简单叠加，关键在于：多个种群在个体层面上相互影响，双方对对方都产生或积极或消极的选择压力，相互促进各自的性能及复杂度，最终达到共同进化。

为消减产品个体PI与环境ENV-PI之间的矛盾，将协同进化算法应用在产品生态系统中。根据上文中我们对种群间关系的划分，产品生态、系统中存在共生、共栖、捕食、寄生、竞争五种基本关系。根据种群间相互影响的性质，分为正选择(一 方的增加促进另一方的增加)和负选择(一方的增加抑制另一方的增加)：

根据以上划分，分别讨论正选择和负选择关系下的协同进化算法。

1)多种群(种群间)协同进化

若种群间具有正选择关系，被动更改方随主动更改方的变动而变动：若主动更改方种群数量变大或呈现其他有利变化，则被动更改方的遗传操作中，扩大种群规模、减小交叉频率和变异频率，为种群创造良性生存环境。若主动更改方种群呈现不利变化，则对于被动更改方，减小其种群规模，增大其交叉、编译概率，实现严格的“优胜劣汰”。此时，环境根据种群内个体对环境的适应度进行选择，适应度越高，保留该个体的几率越大。

举例说明参数的变化：如A、B种群间具有捕食关系，且每个A零件可提供e_A的能量，每个B零件需消耗e_B的能量，则如果A种群数量变化为Δn₁，则相应的设置B种群的初始规模为n_B+(Δn₁×e_A)/e_B，其中n_B为种群B的原本的种群规模。

种群中个体PI_i对环境ENV-obj＝{object,t,n,CPN-E}的适应度：

$\gamma ({\mathrm{PI}}_i,ENV-obj)=\underset{k=1}{\overset{n}{\Sigma }}{\omega }_k·est(S_{obj},f({\mathrm{CPN}}_k,object\left)\right),$

其中i＝1,2……Num，Num为种群中个体个数，计算个体对环境中每个组成因子CPN_k的适应度，结合其组成因子权重ω_k，所有适应度的总和即为个体对整个环境的适应度。est()函数代表度量函数，用以衡量个体对环境的适应度，模拟实现时可使用相似性度量算法实现：通过关系函数f(CPN_k,object)得出与环境因子最适合的个体结构信息，与当前个体结构进行相似度比较，相似度越高，适应性越好。

若种群间具有负选择关系，被动更改方随主动更改方的变化而出现反方向变化：个体的适应值是通过和其他种群中的个体竞争得到的。因此，将种群内个体的适应度设置为击败另一种群内个体的个数。即

$\gamma \left({\mathrm{PI}}_i\right)=\underset{i=1}{\overset{Num}{\Sigma }}\Phi ({\mathrm{PI}}_i,P),\Phi ({\mathrm{PI}}_i,P)=\left(\begin{array}{c}0,if\left(f\right(P)\ge f({\mathrm{PI}}_i\left)\right)\\ 1,f\left(f\right(P)<f({\mathrm{PI}}_i\left)\right)\end{array}\right)$

其中P指与个体PI_i具有负选择关系的种群内的个体。f(P)或f(PI_i)指针对特定功能的函数。

2)种内遗传操作与普通进化操作没有大的不同：繁殖分为交叉与变异两个独立的步骤进行。

a)参数初始化：确定种群规模N(种群规模最大值MAX、最小值MIN)、交叉 概率Pc、变异概率Pm和终止进化准则；

选取系统内该种群个体数目N作为种群规模，所有个体作为初始种群X(0)(为降低计算量，同时保证有足够的个体可供环境选择，若个体数目N>MAX，则设定种群规模为MAX，在N个个体中随机选取MAX个个体作为初始种群；若个体数目N<MIN，随机补充生成MIN-N个个体，所有个体作为初始种群)；

设进化代数计数器t＝0。

b)产品编码：

为将产品结构信息数字化，需要定义产品的信息翻译表。二进制编码易于进行交叉、变异等操作，同时可用于保存结构信息，为便于计算，将个体表示为基于符号集：{0，1}的二进制编码形式。举例如下：以10cm×15cm×5cm的木质平板PI₁为例(尺寸单位默认为cm)，个体限制条件为长：宽：高＝2:3:1。表1为编码翻译表，设翻译表中参数集为PA，参数值为PV。

表1编码翻译表

按照给出的编码翻译表对平板进行编码，并将编码转变为二进制形式，根据上表可知，该平板PI₁＝{平板，S_PI1＝(1|1|1|10>PI1＝支撑，R_PI1＝(长：宽：高＝2:3:1)}，遗传操作中使用结构编码为01|01|01|1010|1111|0101。进化结束后，通过对产品的结构编码进行反向翻译，可还原产品个体的结构信息。

c)个体评价：

分析种群内部个体关系可知，个体间具有互助及竞争两种关系：种内互助的根本目的在于种群的增长，即个体数目的增加；种内竞争本质是指由环境适应性来进行优胜劣汰，即在进化过程中，倾向于保存优质个体。为实现该过程，进行下列操作：计算或估价X(t)中各个体的适应度。适应度函数可由种群间关系决定。当只有单种群进行进化操作时，采用正选择关系下的适应度函数进行评估。

d)种群进化：

(1)选择(母体)。根据个体适应度的计算值，计算每个个体被选择的概率p。淘汰适应度低得个体，增加适应度高的个体的数目。

(2)交叉。依据选择概率挑选母体,依概率Pc执行交叉形成中间个体。

(3)变异。对中间个体分别独立依概率Pm执行变异,形成M个候选个体。

(4)选择(子代)。从上述所形成的候选个体即为新一代种群X(t+1)。

e)终止检验。

设计未发生变更时，系统具有最适应当前环境的个体及结构，此时，个体具有对环境的初始最优适应度，设为γ₀。环境变更后，个体进化以适应环境。每次进化完成后，计算当前进化后的结构对环境的适应度γ，当γ≥γ₀时，认为个体适应当前环境，保留该个体，淘汰其他个体，种内进化结束。

如已满足终止准则,则输出X(t+1)中具有最大适应度的个体作为最优解,终止计算；否则置t＝t+1并转c)。

根据上述分析可以得到本发明基于种群进化的复杂产品系统自适应更改方法。如图1所示为该方法的结构流程图，该方法具体为：

一种基于种群进化的复杂产品系统自适应更改方法，该方法包括如下步骤：

步骤1：建立复杂产品系统的行为网络模型，当复杂产品系统设计要求变化时，确定复杂产品系统中待更改个体，执行步骤2；

步骤2：采用遗传算法对待更改个体进行自适应更改，执行步骤3；

步骤3：待更改个体自适应更改完成后形成已更改个体，遍历步骤1中的行为网络模型，确定与所述的已更改个体关联的个体，执行步骤4；

步骤4：判断步骤3中与所述的已更改个体关联的个体是否存在，若是执行步骤5，否则执行步骤6；

步骤5：则将与所述的已更改个体关联的个体确定为待更改个体，返回步骤2；

步骤6：复杂产品系统自适应更改结束。

所述的步骤2具体包括如下子步骤：

(201)根据待更改个体确定第一代进化种群X(0)，并将进化种群记作X(t)，其中t为迭代次数，赋值迭代次数t＝0，执行步骤(202)；

(202)计算待进化种群X(t)中的每个个体适应度，执行步骤(203)；

(203)根据待进化种群X(t)中每个个体适应度确定个体被选择的概率，并进行交叉变异产生下一代进化种群X(t+1)，执行步骤(204)；

(204)根据进化终止准则判断进化是否结束，若是终止进化，并获取更改后的个体，否则赋值t＝t+1，返回步骤(202)。

步骤(201)中根据待更改个体确定第一代进化种群X(0)具体为：

(201a)确定种群规模：种群规模最大值为MAX，最小值MIN，执行步骤(201b)；

(201b)确定待更改个体所在种群内实际个体总数为N，执行步骤(201c)；

(201c)判断MIN≤N≤MAX是否成立，若是将N个实际个体作为第一代进化种群X(0)，并结束，否则执行步骤(201d)；

(201d)判断N>MAX是否成立，若是从N个实际个体中选取MAX个个体作为第一代进化种群X(0)，并结束，否则N<MIN，随机补充(MIN-N)个个体，并将N个实际个体与补充的(MIN-N)个个体组成第一代进化种群X(0)。

步骤(202)采用适应度函数计算个体适应度，具体地将待进化种群X(t)中第i个个体记作PI_i，i＝1,2……Num，Num为待进化种群X(t)中个体个数，通过下式计算个体PI_i对系统环境的适应度：

$\gamma \left({\mathrm{PI}}_i\right)=\underset{k=1}{\overset{n}{\Sigma }}{\omega }_k·est(S_{obj},f({\mathrm{CPN}}_k,{\mathrm{PI}}_i\left)\right),$

其中CPN_k为系统环境中的第k个组成因子，ω_k第k个组成因子权重，k＝1,2……n，n为组成因子总个数，S_obj为个体PI_i的结构信息，f(CPN_k,PI_i)为关系函数，计算生成个体PI_i与第k个组成因子CPN_k适应度值最大的相似个体结构信息，est(S_obj,f(CPN_k,object))为个体PI_i的结构与生成的相似个体结构的相似性度量函数。

步骤(203)具体为：

(203a)根据个体适应度值，计算待进化种群X(t)中第i个体被选择的概率p_i，i＝1,2……Num，Num为待进化种群X(t)中个体个数，淘汰p_i值小于设定值p_imin的个体，同时增加p_i值大于设定值p_imax的个体个数；

(203b)根据给定的交叉概率p_c执行交叉形成中间个体；

(203c)对各中间个体根据给定的变异概率p_m进行变异形成M个候选个体；

(203d)将步骤(203c)中M个候选个体组合形成下一代进化种群X(t+1)。

根据下式计算第i个体被选择的概率p_i：

$p_i=\frac{{p_i}^{\prime }}{\underset{j=1}{\overset{Num}{\Sigma }}{p_j}^{\prime }},$

${p_i}^{\prime }=\frac{\underset{j=1}{\overset{Num}{\Sigma }}{\gamma }_j}{{\gamma }_i}.$

步骤(204)中进化终止准则为迭代次数t达到最大迭代次数或下一代进化种群X(t+1)中出现个体PI_x适应度值γ(PI_x)满足γ(PI_x)≤γ₀，其中γ₀为复杂产品系统更改前待更改个体对系统环境的适应度。

发动机作为一种典型的复杂产品，其结构十分复杂。针对上述方法对发动机中的曲柄连杆机构进行自适应更改。曲柄连杆机构由机体组、活塞连杆组、曲轴飞轮组三部分组成。因机体组主要用于组成燃烧室，承受高温、高压气体的作用，为能量的转化提供空间场所，且结构复杂，尤其是汽缸盖结构零碎、繁琐，故不再对个别部件具体建模。以曲柄连杆机构中的重要相关部件为例，定义产品个体，并建立行为网络模型如图2所示，该行为网络模型展示了个体间的关联关系。其中气缸体A1表示为PI-CB，活塞A2表示为PI-PT，活塞环A3表示为PI-PR，活塞销A4表示为PI-PP，连杆A5表示为PI-CR，曲轴A6表示为PI-BA，飞轮A7表示为PI-FW，各部件具有下列关联关系：，PI-PT∪PI-CB，PI-CR∪PI-CB，PI-CB∪PI-BA，PI-CR∪PI-BA，PI-BA→PI-FW。其中上述关联关系中表示寄生关系，如PI-PRPI-PT表明PI-PR依赖于PI-PT且PI-PR的存在取决于PI-PT，PI-PT的存在与PI-PR是否存在无关；表示共生关系，如表明PI-PT和PI-PP不可单独存在，两者共同完成某项功能；∪表示共栖关系，如PI-PT∪PI-CB表明PI-PT和PI-CB可单独存在，共同存在时对彼此有利且完成某项功能；→表示捕食关系，如PI-BA→PI-FW表明PI-BA和PI-FW可单独存在，PI-FW的输入依赖于PI-BA的输出。

对气缸总体设计要求发生变化，由现有排量变化为2.0L，则设计更改传播过程如下：

1)设计要求发生变化，则总体环境发生改变，即排量VL减小为2.0L。此时系统状态如下：待更改个体：PI-CB；迭代次数：T＝0；系统矛盾值：

Γ⁰＝ω_PI-CB·Λ(PI-CB,ENV-SYS')

＝1×(0.7854×100²×90×4)/1000/1000-2.0＝0.9845

个体进化：由排量计算公式计算出现有排量接近于3.0L，可通过改变气缸结构或改变气缸数目以适应环境变化需求，这里我们以更改气缸结构为例进行实验。同时，不要忽略气缸PI-CB自身的约束RES_obj。对于单种群的进化，遵循传统的遗传算法，进化过程如下：

a)参数初始化：确定种群规模N＝6，交叉概率Pc＝0.5，变异概率Pm＝0.3和进化代数计数器t＝0。设置终止进化准则为迭代计算器t<100或适应度γ(PI_i)≤γ₀，此时，γ越小，越符合环境要求。其中γ₀为未更改前对系统的适应度，未更改前，γ₀＝0.0155。

b)产品编码：

结合表2所示的气缸体编码翻译表对产品个体进行编码，并将其转化为二进制形式。此时，原编码为{01|01|01|0110111001010110010001011010000100101100}。

表2气缸体编码翻译表

因系统内气缸个体不足6个，故随机生成其他5个并进行编码转换，见下表3。

c)个体评价：

设置个体适应度函数为γ(PI_i)＝abs(VL/1000-2.0)。根据现有个体进行适应度计算，具体可见表3，可以看出没有个体符合结束条件。

d)种群进化：

(1)选择(母体)：

根据下式计算第i个体被选择的概率p_i：

$p_i=\frac{{p_i}^{\prime }}{\underset{j=1}{\overset{Num}{\Sigma }}{p_j}^{\prime }},$

${p_i}^{\prime }=\frac{\underset{j=1}{\overset{Num}{\Sigma }}{\gamma }_j}{{\gamma }_i},$

p_i即为第i个个体的选择概率，或者，也可以采用轮盘赌选择算法随机选择，选择概率见表3，由表3中的选择概率可知，个体2和3选择概率远小于其他个体，被淘汰，个体4、6选择概率最高，个体数目增加1个。

(2)交叉、变异：

首先对群体进行随机配对，然后在配对个体中随机设定交叉点，配对个体交换彼此信息，如上表所示，本例中配对个体分别为1和3、2和6、4和5。设定编译概率为0.3，因此，变异个体为6*0.3＝1.8，四舍五入取2，即两个个体中会发生变异。随机选取两个个体进行变异。

表3选择、交叉、变异过程图

e)终止检验：

对新一代群体X(1)自C)起重新进行个体评价、选择、交叉，再次生成下一代群体，直至群体中有个体的适应度达到终止约束条件，或迭代次数达到100次。在本次试验中，在第三次迭代，即第4次群体中，产生个体11|01|01|01011111 0100 01010101 01011000 000100101100，它的适应度γ＝0.0026≤γ₀，迭代终止。此时，个体为外径95、壁厚5、内径85、冲程88、高300。设置个体为已更改，不可二次更改。

2)气缸更改后，气缸内、外径发生变化。遍历所有与气缸相关的行为，确定受影响的个体为活塞PI-PT及连杆PI-CR。根据活塞外径d与缸体内径D的关系式：d＝D，以及连杆大头直径d与气缸内径D关系式：d＝D*(0.5～0.7)，更改活塞及连杆以适应环境，此时，系统状态如下：待更改个体：PI-PT，PI-CR；迭代次数：T＝1；系统矛盾值：

$\begin{array}{c}{\Gamma }^1={\omega }_{PI-PT}·\Lambda (PI-PT,ENV-{\mathrm{PT}}^{\prime })+{\omega }_{PI-PT}·\Lambda (PI-CR,ENV-{\mathrm{CR}}^{\prime })\\ =0.5\times (100-85)/10+0.5\times (70-85\times 0.7)/10=1.25\end{array},$

个体进化：

活塞、连杆与气缸体均为共栖关系：PI-PT∪PI-CB、PI-CR∪PI-CB。因此，活塞与气缸体、连杆与气缸体具有正选择关系。设置活塞、连杆的遗传算法的参数时，应注意气缸体的影响。

3)重复进行2)，遍历系统内所有与活塞及连杆直接相关的行为，确定更改后受影响的个体。此过程中，应注意，活塞变化同样可能影响连杆，因此，要检查变化后的连杆是否满足活塞要求，若不满足，则说明上一步的变化是不合理的，应返回1)更改变化路径，若没有其他变化路径，则返回错误，即该设计更改是无法实现的，需人为判断及帮助。不断重复该步，直至系统内没有待更改个体，自适应更改结束或系统返回错误。