Las redes generativas adversariales han logrado logros notables en tareas generativas. Sin embargo, la inestabilidad y el colapso de modos siguen siendo problemas frecuentes. Mejoramos el marco de las redes generativas adversariales evolutivas (E-GANs), llamándolas redes generativas adversariales evolutivas por fases (PEGANs), y adoptamos un módulo de autoatención para mejorar las desventajas de las operaciones convolucionales. Durante el proceso de entrenamiento, el discriminador jugará contra múltiples generadores simultáneamente, donde cada generador adopta una función objetivo diferente como operación de mutación. Cada vez después de un número especificado de iteraciones de entrenamiento, los individuos generadores serán evaluados y el mejor generador descendiente se conservará para la siguiente ronda de evolución. Basado en esto, el generador puede ajustar continuamente la estrategia de entrenamiento durante el entrenamiento, y el módulo de autoatención también permite que el modelo obtenga la capacidad de modelado de dependencias a largo plazo. Experimentos en dos conjuntos de datos mostraron que PEGANs mejoran la estabilidad del entrenamiento y son competitivos en la generación de muestras de alta calidad.