模糊控制与智能控制控制论.pdfVIP

基于互信息理论遗传算法的图像匹配 一． 遗传算法原理： 遗传算法是一种仿生优化算法， 该算法的基本思想来源于达尔文 的进化论。 遗传算法的基本原理是首先对问题的可行性进行编码， 然 后随机生成一定规模的初代种群， 接着按照适者生存和优胜劣汰的原 理，逐代进行进化。在每一代进化中，根据问题域中个体的适应度大 小择优挑选个体，并按照一定的概率进行基因交叉和基因变异操作， 生成新一代种群。 像自然界进化一样， 遗传算法的后代种群会比前代 种群具有更大的适应度，更加适应环境，即更加接近问题的最优解。 最后，对末代种群的最优个体进行编码， 即可以作为问题的近似最优 解。 初始化参数 染色体编码 产生初始种 群 计算适应度 基金变异 N 最优化 选择个体 基因交叉 Y 染色体解码 结果输出 图 1. 遗传算法流程图 1.1 基因交叉 交叉是指对选择出来的优良个体通过基因交叉的方法以便生成与父代种群 不同的个体，交叉式遗产算法产生新个体的主要手段。 其主要的交叉方法有三种： 单点交叉、多点交叉、均匀交叉。 单点交叉：令 N为个体的基因个数，则单点交叉的实现过程如下：首先产生一个 区间为 [1 ，N-1] 的随机整数，该随机数就是交叉点，然后以交叉点为界，交换两 个个体的基因。 假设两个父个体为： 父个体 1: 1 0 1 0 1 1 0 0 1 0 父个体 2 ： 0 1 0 1 1 0 0 1 0 1 交叉点为 3，则交叉后生成的新个体为： 父个体 1: 1 0 1 1 1 0 0 1 0 1 父个体 2： 0 1 0 0 1 1 0 0 1 0 交叉概率 p 大小直接影响遗传算法的收敛性和有效性； p 越 c c 大，产生新个体的速度就越快，但遗传模式被破坏的可能性就越大， 具有较高适应度的个体基因会很快被破坏。 pc 越小，搜索速度就越 慢，对于本函数可使用自适应交叉概率，其表达式如下： ( p p )( f f ) c1 c 2 avg p c 1 pc fmax favg （1）