遗传算法在图像处理中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来,由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,这种算法受到了国内外学者的广泛关注。本文介绍了遗传算法的基本理论,描述了它的主要特点和基本性质;重点综述了遗传算法在数字图像处理中的主要应用,特别是在图像分割和边缘检测、图像压缩、图像恢复、图像匹配、图像增强以及图像重建等方面的作用;探讨了目前遗传算法在图像处理领域中存在的问题及其在今后的发展方向。     

遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

基于遗传算法求任意函数的数值积分

针对复杂函数的数值积分问题,给出了若干个任意分割积分区间的数值积分的误差结果,并提出一种基于遗传算法的不等距节点分割的数值积分方法。该方法初始时在积分区间内任意选取一定的节点,通过遗传算法优化这些节点,在相邻节点间利用Simpson公式近似计算积分,最后得到较准确的积分结果。数值计算结果表明,该方法计算精度高,而且可以计算奇异函数及震荡函数的积分。     

选择和变异操作下遗传算法的收敛性研究

文中分析了选择和变异操作下遗传算法的收敛性问题，以较简洁的方式给出了连续空间中群体概率密度演变公式的证明，给出了离散空间中群体的演变过程收敛到全局最优状态的一个充分条件。     

Matlab下一种新型神经网络的实现

为解决神经络结构和参数难以确定的问题.提出用工程领域的田口设计方法和人工智能领域的遗传算法相结合的方法,用来同时确定神经网络结构和参数.并给出了在Matlab环境下实现该算法等各步骤的编程方法.最后用一个实例说明了田口一遗传算法确定的神经网络在期货预测方面的应用.     

一种求解布尔不可满足子式的局部搜索算法

解释布尔公式不可满足的原因在众多领域都具有非常重要的理论与应用价值,而不可满足子式能够为公式不可满足的原因提供精确的解释,帮助应用领域的自动化工具迅速定位错误,诊断问题失败的本质缘由。近年来涌现了许多基于SAT求解器DPLL回溯搜索过程的完全算法,但关于不完全方法提取不可满足子式的研究相对较少。因此,本文提出一种采用启发式局部搜索过程从公式的不可满足性证明中求解布尔不可满足子式的算法。该算法根据公式的消解规则通过局部搜索过程直接构造证明不可满足性的消解序列,并融合了布尔推理技术以提高搜索效率;而后通过一个递归过程遍历证明序列从而得到不可满足子式。通过实验与贪心遗传算法进行对比,结果表明本文提出的算法优于贪心遗传算法。     

基于遗传算法的QoS组播路由算法的适应度函数改进探索

近年来,许多研究者尝试采用遗传算法来解决多QoS约束的组播路由问题,其中构造适应度函数公式是特定算法能否成功搜索到QoS最佳组播路由的重要环节。提出了一种新的基于遗传算法QoS组播路由算法的适应度函数公式,通过仿真试验证明了该适应度函数改进方法能够避免原有适应度函数公式可能造成的不合理解。     

构建在最大熵原理上的分布估计算法及其应用研究

分布估计算法是进化计算领域的一个新方向.它主要用概率模型来建造进化计算中的遗传算法,它不再依赖于交叉与变异,而是估计较好个体的概率分布,用概率分布来引导对搜寻空间的探索.本文提出一类基于最大熵的分布估计算法.实验结果表明,在解决某些较复杂问题时,本文算法比遗传算法更具优势.     

图像识别处理中的遗传算法分析

图像识别处理研究领域,遗传算法在优化计算方面发挥着重要作用,目前已在图像恢复、几何形状识别、图像边缘特征提取和图像分割等方面发挥着重要作用。基于此,以图像识别处理中的遗传算法为研究对象,简单阐述分析了遗传算法概念,讨论了遗传算法的特点,重点探讨分析了图像识别处理中遗传算法的具体应用,以期为相关人士提供参考。     

基因表达式编程GEP算法及其应用研究

基因表达式编程算法GEP,作为一种很好的遗传算法,因其在公式挖掘、函数发现等方面问题求解时所表现出的优良特性,已受到学界和业界的广泛关注。尤其在对诸多涉及工程中最优解问题的求解上,表现出良好的收敛性,使之在很多不同的应用领域,具有很好的应用前景。     

基因表达式编程算法的改进及其应用研究

基因表达式编程（GEP）算法采用简单编码方式解决了复杂的公式发现问题。本文分析了基本的GEP算法中关键参数、常数集、符号集等设置对公式发现的影响和规律,提出了GEP算法的改进方法,并将其应用在隧道工程领域,得到了双圆盾构施工横向和纵向的地面沉降预测公式,与实测值的比较表明所发现的公式有很好的吻合度。     

基于网格服务的GEP分布式函数挖掘算法

提出了一种基于网格服务的GEP分布式函数挖掘算法(DFMGEP-GS),它将网格服务与GEP算法相结合,既成功地实现了在网格平台下的GEP函数挖掘,又提高了每个网格节点上GEP算法的全局寻优性;同时证明了在网格环境下由局部数据模型生成全局数据模型的方法.仿真实验结果表明,对于函数类型已知的数据,随着数据集的增大,在成功挖掘到目标函数的情况下,DFMGEP-GS算法的平均耗时最少,而且随着网格节点的增加,DFMGEP-GS的收敛速度最大提高了约17倍;对于函数类型未知的复杂数据集,DFMGEP-GS算法挖掘所得到的模型的误差最小.     

基于基因表达式编程的知识发现--沿革、成果和发展方向

综述了基于基因表达式编程(Gene Expression Programming，GEP)的知识发现技术的沿革、特色和成果。剖析了GEP中通过简单编码解决复杂问题的关键技术。特别介绍了在这一领域的工作成果，如基于GEP的多项式因式分解，频繁函数挖掘，抗噪声数据的函数挖掘，太阳黑子预测等。对进一步开展基于GEP的知识发现技术的发展策略提出了自己的见解。     

一种基于GEP的分类规则挖掘算法

基于一种新的自动程序设计方法基因表达式程序设计（GEP），通过设计适应函数、初始化群体的优化、增加新的遗传算子以及采用演化策略中的（λ+μ）淘汰策略等对原始GEP算法进行有效的改进，设计出一种新的数据挖掘算法。采用UCI机器学习知识库中的数据集对该算法进行了实验，并通过与C4.5及文献[3]的比较，检验了该算法的准确性。     

基因表达式程序设计进行复杂函数参数识别

在介绍了基因表达式程序设计方法的基础上,采用基因表达式程序设计建立了复杂函数参数识别的模型,给出了算法结构与算法程序流程,并利用基因表达式程序设计方法进行未知函数拟合的实验,定义合适的终止条件,得到精确的预测结果.实验结果表明,此方法具有很高的预测精度,明显优于传统方法.最后指出该方法只需要提供足够的实验或实验数据,知道目标函数,就可以达到准确预测的目的,因而可以广泛应用于复杂函数拟合中,具有广阔的应用前景.     

基因表达式编程在环氧酶抑制剂定量构效关系中的应用

基因表达编程方法(GEP)是1种较新的进化计算算法,是1种较好的数据挖掘和建模工具。因其出色的数据挖掘能力并能以数学模型表达数据关系而广受关注,但在化学领域的应用还较少。本文应用GEP方法研究环氧酶抑制剂活性和选择性的构效关系(QSAR),选择变量和建立模型,同时与BP人工神经网络(BP-ANN)和遗传算法-多元线性回归(GA-MLR)方法比较。结果发现,GEP方法的预测较好,且模型稳定。研究显示GEP在定量构效关系研究中,具有广阔的应用前景。     

基于协同进化基因表达式编程的函数发现研究

基因表达式编程（GEP）算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法（GEP-DE）,该算法的最大改进在于一种新的常量优化方法：在每一代中将函数发现的过程分为两个阶段：第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法（DE）对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。     

基因沉默机制的基因表达式编程

基因表达式编程（Gene Expression Programming,GEP）对多项式函数为目标的符号回归问题计算效果良好,而对包含多种运算目数、非多项式函数的计算效果欠佳。受转基因生物工程中基因沉默现象的启发,提出一种GEP拓展算法SFGEP（Gene Expression Programming of Symbol Field,SFGEP）。SFGEP染色体由表达因子域与表达基因域组成,按“深度优先”原则解释染色体,利用不同操作符目数,形成基因表达的抑制因子和位置效应,实现染色体解释中基因沉默的机制。实验结果表明,相较传统多基因染色体GEP,SFGEP既保持了一定多项式函数挖掘的能力,又在包含不同运算目数操作符的非多项式函数挖掘方面具有更好的效能,SFGEP的成功率更高、收敛速度更快。     

基于通用多核处理器平台的并行基因表达式编程算法

基因表达式编程(Gene Expression Programming, GEP)是一种计算量大且通用性强的新型进化算法,其传统计算形式不能充分利用目前主流的多核处理器。为提高算法效率,提出了基于通用多核处理器平台的并行基因表达式编程算法(Parallel Gene Expression Programming Based on General Multi-core Processor, PGEP-MP)。主要工作包括:O)分析通用多核处理器平台下并行基因表达式编程算法的机理;(2)利用MPI和()pcnMP混合编程模型设计基于通用多核处理器平台的基因表达式编程算法的粗粒度与细粒度相结合的并行模型;(3)提出改进PEEP-MP算法效率的进化策略;(4)通过对函数挖掘和分类的实验证明,PEEP-Ml〕算法提高了函数挖掘和分类的效率,在并行双核处理器数为4的情况下,PEEP-MP的平均并行加速比分别是传统GEP算法的4. 22倍和 4. 06倍。