机器人视觉及遗传算法.docVIP

遗传算法在机器人视觉上的应用 2012控制科学与工程 张凤云 20120208110013 摘要： 从计算机诞生开始，人类就希望有朝一日计算机能够像人类那样通过视觉观察和理解世界，具有自动适应环境的能力。遗传算法的简单介绍 遗传算法 遗传算法（Genetic Algorithm，GA）起源于对生物系统所进行的计算机模拟研究。在20世纪60年代，美国密西根大学的Holland教授及其学生们受到这种生物模拟技术的启发，创造出了一种基于生物和进化机制的适合于复杂系统优化计算的自适应概率优化技术——遗传算法。随后，由于实践中复杂系统优化计算问题的大量出现和遗传算法本身的优点，国内外有许多学者对遗传算法进行研究，引起了遗传算法研究的热潮。 遗传算法常用术语 基因（gene） 基因是染色体的一个片段，通常为单个参数的编码值。例如个体S=10111，则其中的10111这五个元素分别称为基因。 染色体（chromosome） 染色体是携带着基因信息的数据结构，也叫基因串，简称个体，一般表示为二进制位串或整数数组。 （3）种群（population） 个体的几何称为种群，个体是种群中的元素。 （4）种群大小（population size） 在种群中个体的数量称为种群的大小，也叫群体规模。 （5）搜索空间（search space） 如果问题的解能用N个实值参数集来表示的话，则认为搜索工作是在N维空间进行，这个N维空间称为问题的搜索空间。 （6）适应度（fitness） 反映个体性能的一个数量值，表示某一个体对于生存环境的适应程度，对生存环境适应程度较高的个体将获得更多的繁殖机会，而对生存环境适应程度较低的个体，其繁殖机会就会相对减少，甚至逐渐灭绝。 （7）基因型（genetype） 基因组合的模型叫基因型，它是染色体的内部表现。 （8）表现型（phenotype） 由染色体决定性状的外部表现，或者说，根据基因型形成的个体。 （9）编码（coding） 从表现型到基因型的映射。 （10）解码（decoding） 从基因型到表现型的映射。 遗传算法就是从代表问题的可能潜在解集的一个种群出发，而一个种群则由基因编码的一定数目个体组成。每个个体其实是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因的结合，它决定了个体的外部表现形状。 遗传算法基本要素 （1）编码 由于遗传算法不能直接处理空间的数据，因此必须通过编码将它们表示成遗传空间的基因型串结构数据。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其基因是由二进制符号{0，1}组成。 初始种群的产生 由于遗传算法的群体操作需要，所以进化开始前必须准备一个由若干初始解组成的初始群体。 遗传算子 基本遗传算法使用三种遗传算子： 选择运算：以一定概率从种群中选择若干个体的操作。选择运算的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代繁殖后代子孙。判断个体优劣的准则是个体的适应度值。选择运算模拟了达尔文适者生存、优胜劣汰原则，个体适应度越高，被选择的机会也就越多。 交叉运算：两个染色体之间通过交叉而重组成新的染色体。交叉运算相当于生物进化过程中的有性繁殖的基因重组过程。 变异运算:染色体的某一基因发生变化，产生新的染色体，表现出新的性状。变异运算模拟了生物进化过程中的基因突变方法，将某个基因上的基因变异为其等位基因。 终止条件 终止条件就是遗传进化结束的条件。基本遗传算法的终止条件可以是最大进化代数或最优解所需满足的精度。 运行参数 基本遗传算法主要有群体规模n、交叉概率pc、变异概率pm。 标准遗传算法及流程图 （1）群体初始化：生成一定规模的初始染色体集合P，开始时P中每个个体都是随机生成。 （2）计算个体适应值：群体中的每个个体根据其最优化任务赋予一个称为适应值的数量值。 （3）选择：根据每个个体的适应值和选择原则进行选择复制操作。在此过程中，低适应值的个体将从群体中去除，高适应值的个体将被复制，其目的是使得搜索朝着搜索空间的解空间靠近。 （4）交叉：根据交叉原则和交叉概率进行双亲结合以产生后代。 （5）变异：根据变异原则和变异概率，对个体编码中的部分信息实施变异，从而产生新的个体。 （6）判断终止条件到否，若否转至（2），否则执行（7）。 （7）输出：最后，群体中的最好个体或整个演化过程中的最好个体作为遗传算法的解输出。 图 标准遗传算法流程图标准遗传算法有关参数的确定 （1）群体规模n 群体规模影响遗传优化的最终结果，以及遗传算法的执行效率，当群体规模太小时，遗传算法的优化性能一般不会太好，而采用较大的群体规模可以减少遗传