cma-es算法数值实验流程的第一步即是策略参数的设置.需要设置的参数一般有种群大小，父代个体数，重组权值以及自适应调整时所需的常量等策略参数的取值对算法的性能具有重要的影响.文献[1]中对上述参数进行了详细的讨论，并给出了各个参数的建议值；本文主要着眼于种群大小和父代个体数的不同取值对算法性能的影响展开讨论，针对不同问题探究策略参数对算法性能的影响.

首先，我们在分析单峰值测试函数和多峰值函数代表性特征的基础上，通过测试在达到收敛条件的情况下的函数评价次数，对比迭代最后一步的最优解的精度并分析寻优效率图，我们得到cma-es算法具有良好的全局寻优性能的结论。其中，单峰值函数集来自于文献[8]，多峰值函数集来自于文献[9].

接着，我们以达到收敛条件的平均函数评价次数（m-fes）和迭代最后一步的平均最优值（m-best）为判断依据，通过改变种群大小λ和样本大小μ时m-fes的变化，寻找策略参数λ和μ对算法性能影响，并给出了测试函数集的算法策略参数的优化结果。

3. 实施方案、进度安排及预期效果

第1周：确定论文主题方向，进行论文题目的筛选。

第2周：以论文题目为核心，对相关资料进行收集和翻阅。

第3周：对已搜集的资料加以整理，论证分析论文的可行性、实际性，将论文题目和大致范围确定下来，进行开题报告。

4. 参考文献

[1] n.hansen. the cma evolution strategy:a comparing review[c]//towards a new evolutionary computation: advances on estimation of distribution algorithms. berlin: springer, 2006: 75-102.

[2] 黄亚飞，梁昔明，陈义雄. 求解全局优化问题的正交协方差矩阵自适应进化策略算法 [j]. 计算机应用，2012，32（4）：981-985.