人工智能控制14520450729-李青松.doc

《人工智能》期末考查报告 题 目： 基于遗传算法的图像阈值分割 学 院： 物理与电子工程学院 专业班级： 自动化14级7班 姓 名： 李青松 学 号： 14520450729 成 绩： 任课教师： 刘 伟 摘?要 遗传算法是基于自然界生物进化基本法则而发展起来的一类新算法。本文在简要介绍遗传算法的起源与发展、算法原理的基础上,对算法在优化、拟合与校正、结构分析与图谱解析、变量选择、与其他算法的联用等方面的应用进行了综述。该算法由于无需体系的先验知识,是一种全局最优化方法,能有效地处?理复杂的非线性问题,因此有着广阔的应用前景。?? ?关键词:?遗传算法;优化? 第一章 前言 遗传算法(genetic?algorithm，GA)是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。使用遗传算法求解科学研究工作和工程技术中各种组合搜索和优化计算问题这一基本思想早在20世纪60年代初期就由美国Michigan大学的Holland教授提出，其数学框架也于20世纪60年代中期形成。由于GA的整体搜索策略和优化计算不依赖于梯度信息，所以它的应用范围非常广泛，尤其适合于处理传统方法难以解决的高度复杂的非线性问题。?? 第二章??遗传算法简介?? 2.1?历史与发展? 二十世纪六十年代，I.Rechenberg在他的《演化战略》中第一次引入了进化算法的思想（起初称之为Evolutionsstragegie）。他的这一思想逐渐被其他一些研究者发展。遗传算法（Genetic?Algorithms）?是John?Holland?发明的，后来他和他的学生及他的同事又不断发展了它。终于，在1975年John?Holland?出版了专著《自然系统和人工系统中的自适应》（Adaption?In?Natural?and?Artificial?Systems）。? 1992年，John?Koza?曾经使用遗传算法编出新的程序去做一些具体的工作。他称他的这种方法为“进化规划”（Genetic?Programming，简称GP）。其中使用了LISP规划方法，这是因为这种语言中的程序被表示为“分析树”（Parse?Tree），而这种遗传算法就是以这些分析树为对象的。? 2.2??遗传算法的基本原理 遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。? 这里所指的某种结束准则一般是指个体的适应度达到给定的阀值；或者个体的适应度的变化率为零。? 图2-1中表示了遗传算法的执行过程。 2.3???遗传算法特点 （1）遗传算法的操作对象是一组可行解，而非单个可行解；搜索轨道有多条，而非单条， 因此具有良好的并行性。? （2）遗传算法只需利用目标函数取值信息，而无须梯度等高价信息，因而实用用于大规 模高度非线形的不连续多峰值函数的优化以及无解析表达式的目标函数的优化，具有很强的通用性。? （3）遗传算法的择优机制是一种“软“策略，加上其良好的并行性使其具有良好的全局 优化性能和稳健性鲁棒性。? （4）遗传算法的可行解集是经过编码的，目标函数可解释为编码化个体的适应值因而具 有良好的可操作性与简单性。? 2.4? 遗传算法的应用? ?遗传算法已经在很多复杂问题（比如说NP-难题）、机器学习和简单的进化规划中得到了使用。遗传算法在一些艺术领域也取得了很大成就，比如说进化图片和进化音乐。遗传算法的优势在于他的并行性。遗传算法在搜索空间中非常独立地移动（按照基因型而不是表现型），所以它几乎不可能像其它算法那样“粘”在局部极值点。?? 遗传算法更容易实现。一旦你有了一个遗传算法的程序，如果你想解决一个新的问题，你只需要针对新的问题重新进行基因编码就行。如果编码方法也相同，那你只需要改变一下适应度函数就可以了。当然，选择编码方法和适应度函数是一件非常难的问题。遗传算法的缺点是它的计算时间太长。它们可能比其他任何算法需要的时间都长。当然，对于今天的高速计算机来说，这已经不是个大问题了。这里有一个关于遗传算法应用的小列表:（1）非线性动态系统——预测，数据分析；（2）神经网络的结构和权重设计；（3）自动控制导弹的轨道设计；（4）进化LISP规划（遗传规划）；（5）战略计划；（6）蛋白质分子的形状的寻找；（7）旅行商问题和时间序列排序问题； 第三章 基于遗传算法的图像阈值分割 3.1图像阈值 一幅图像通常包括