基于模糊理论的图像分割算法研究（二）(2)

本文正是以遗传算法这一新的,融生命科学与工程科学于一体的全局搜索算法为主要的研究与讨论方向，重点讨论了基于遗传算法理论的图像分割问题。

5.1遗传算法的基本概念
遗传算法(GA-Genetic Algorithms)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，由Michigan大学的J. Holland教授于1975年首先提出。它将“适者生存”的进化理论引入串结构，并且在串之间进行有组织但又随机的信息交换。通过遗传操作，使优良品质被不断保留、组合，从而不断产生出更佳的个体。子代个体中包含父代个体的大量信息，并在总体上胜过父代个体，从而使种群向前进化发展，即不断接近最优解。由于遗传算法是自然遗传学和计算机科学相互结合渗透的产物，因此借用了许多自然进化的基础术语。

·种群(population)和个体(individuals) 

遗传算法处理的是染色体，或者叫基因型个体，通常以一维串结构资料来表现。一定数量的个体组成了种群(population )，或叫集团。

·种群规模(population size )

种群中个体的数目称为种群大小，也叫种群规模。

·适应度函数(fitness function )

各个个体对环境的适应程度叫做适应度。对于优化问题，适应度函数就是目标函数。遗传算法对适应度函数并不要求可导等条件，只要求适应度函数为可加以比较的非负函数。

·编码(coding)、译码(decoding)操作

遗传算法必须包含两个必须的资料转换操作，即把搜索空间中的参数或解转换成遗传空间中的染色体或个体，称为编码操作；反之，称为译码操作。

·选择(selection )、交叉(crossover)和变异(mutation)操作

这三个操作数是遗传算法的三个主要操作操作数，即遗传操作( genetic operation，是遗传算法的特点。(详细介绍将在下节。)

5.2遗传算法 5.2.1遗传算法的基本流程
标准遗传算法(( SGA)的基本流程如图所示，算法主要步骤如下图5.1示：

1)随机产生初始种群，作为第一代。个体长度、种群规模、交叉概率、变异概率为固定值;

2)对父代种群计算适应度值;

3)判断是否满足终止条件，是，则执行步骤4:否则，进行选择、交叉、变异操作形成子代种群，并将子代种群作为下一次叠代的父代种群，转入执行步骤2;

4)输出最佳个体，退出。

 SHAPE  \* MERGEFORMAT 

5.2.2遗传算法的要素
遗传算法具有5个基本要素:编码机制，初始种群的设定，适应度函数的设定，遗传操作，控制参数的设定。具体步骤如下：

1.编码机制

编码机制是遗传算法的基础。通常遗传算法不直接处理问题空间的资料，而是将各种实际问题变换为与问题无关的串个体。对染色体串的遗传操作只与遗传算法的理论、技术有关，而与具体实际问题无关。这一特性增大了遗传算法的适用性。当实际问题变化时，可只改变适应度函数，而无需改变其它操作，加强了代码的通用性。最常用的方法是二进制串结构编码。

2.初始化种群设定

遗传算法处理流程中，编码设计之后的任务是初始种群的设定，并以此为起点一代一代的进化直到按照某种进化终止准则终止。最常用的初始方法是无指导的随机初始化。

3.适应度函数

遗传算法在搜索过程中基本不采用外部信息，仅以适应度函数为依据引导搜索。它不受连续可微的约束且定义域可为任意集合。对目标函数的唯一要求是，对输入计算出能加以比较的非负结果。这使得遗传算法的应用范围非常广泛。个体的适应度值越大，表明该个体的生存能力越大，易于遗传产生后代。

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说计算机基于模糊理论的图像分割算法研究（二）(2)在线全文阅读。