机器人视觉与遗传算法..doc

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。本文先是对标准遗传算法进行了详细的讲解，然后简单介绍了机器人视觉与其组成。再介绍了遗传算法和免疫遗传算法在机器人视觉上的简单应用。 关键词：遗传算法，机器人视觉，免疫遗传算法 Abstract Starting with the birth of the computer, the human hope that one day computer through visual observation and understanding of the world as human beings, have the ability to automatically adapt to the environment. First standard genetic algorithm in detail, and then briefly robot vision with its composition. Then introduce a simple application of genetic algorithms and immune genetic algorithm in robot vision. Keywords: genetic algorithm, robot vision, immune genetic algorithm. 1、遗传算法的简单介绍 1.1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。 1.2遗传算法常用术语 （1）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。 （2）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。 1.3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。 （2）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。 （3）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