Genetic Network Programming (GNP) is a relatively recently proposed evolutionary algorithm which is an extension of Genetic Programming (GP). However, individuals in GNP have graph structures. This algorithm is mainly used in decision making process of agent control problems. It uses a graph to make a flowchart and use this flowchart as a decision making strategy that an agent must follow to achieve the goal. One of the most important weaknesses of this algorithm is that crossover and mutation break the structures of individuals during the evolution process. Although it can lead to better structures, this may break suitable ones and increase the time needed to achieve optimal solutions. Meanwhile, all the researches in this field are dedicated to test GNP in deterministic environments. However, most of the real-world problems are stochastic and this is another issue that should be addressed. In this research, we try to find a mechanism that GNP shows better performance in stochastic environments. In order to achieve this goal, the evolution process of GNP was modified. In the proposed method, the experience of promising individuals was saved in consecutive generations. Then, to generate offspring in some predefined number of generations, the saved experiences were used instead of crossover and mutation. The experimental results of the proposed method were compared with GNP and some of its versions in both deterministic and stochastic environments. The results demonstrate the superiority of our proposed method in both deterministic and stochastic environments.

遗传网络编程（GNP）是最近提出的一种进化算法，它是遗传编程（GP）的扩展。但是，GNP中的个体具有图结构。该算法主要用于智能体控制问题的决策过程。它使用图形制作流程图，并将该流程图用作座席必须遵循的决策策略。该算法最重要的弱点之一是，在进化过程中，交叉和突变会破坏个体的结构。尽管它可以导致更好的结构，但这可能会破坏合适的结构并增加获得最佳解决方案所需的时间。同时，该领域的所有研究都致力于在确定性环境中测试GNP。然而，大多数现实世界中的问题都是随机的，这是应该解决的另一个问题。在这项研究中，我们试图找到一种机制，即GNP在随机环境中表现出更好的性能。为了实现这一目标，对国民生产总值的演变过程进行了修改。在提出的方法中，有前途的个人的经验被保存在连续的世代中。然后，为了生成预定数量的后代，使用保存的经验而不是交叉和变异。将该方法的实验结果与GNP及其在确定性和随机环境中的某些版本进行了比较。结果证明了我们的方法在确定性和随机环境中的优越性。我们试图找到一种机制，使GNP在随机环境中表现出更好的性能。为了实现这一目标，对国民生产总值的演变过程进行了修改。在提出的方法中，有前途的个人的经验被保存在连续的世代中。然后，为了生成预定数量的后代，使用保存的经验而不是交叉和变异。将该方法的实验结果与GNP及其在确定性和随机环境中的某些版本进行了比较。结果证明了我们的方法在确定性和随机环境中的优越性。我们试图找到一种机制，使GNP在随机环境中表现出更好的性能。为了实现这一目标，对国民生产总值的演变过程进行了修改。在提出的方法中，有前途的个人的经验被保存在连续的世代中。然后，为了生成预定数量的后代，使用保存的经验而不是交叉和变异。将该方法的实验结果与GNP及其在确定性和随机环境中的某些版本进行了比较。结果证明了我们的方法在确定性和随机环境中的优越性。有前途的人的经验被连续几代保存下来。然后，为了生成预定数量的后代，使用保存的经验而不是交叉和变异。将该方法的实验结果与GNP及其在确定性和随机环境中的某些版本进行了比较。结果证明了我们的方法在确定性和随机环境中的优越性。有前途的人的经验被连续几代保存下来。然后，为了生成预定数量的后代，使用保存的经验而不是交叉和变异。将该方法的实验结果与GNP及其在确定性和随机环境中的某些版本进行了比较。结果证明了我们的方法在确定性和随机环境中的优越性。