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 得到的出現頻率較高的解。

　　在設定生成較少的測設點數量時，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，傳統的BP 神經網絡方法搜索到嚴格最優解或近似最優 解的困難加大，容易陷入局部最優。求解速度較慢，網絡特性相對不夠穩定。

　　5 結論

　　本文應用神經網絡對模擬電路最優測試集生成上進行了初步實現。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求不出參考解的情況。目前，應用進化規劃算法進行最優測試集的生成對復雜電路結構求解問題上顯示出其優越性，在設定的時間內求解精度高，在設定的 精度下運算時間短。

　　本文作者創新點：在復雜電路結構的求解問題上，應用進化規劃算法進行最優測試集的 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。