第二章基本遗传算法及改进
Holland创建的遗传算法是一种概率搜索算法，它利用某种编码技术作用于称为染色体的数串，其基本思想是模拟由这些串组成的个体进化过程。该算法通过有组织地、然而是随机地进行信息交换，重新组合那些适应性好的串。在每一代中，利用上一代串结构中适应好的位和段来生成一个新的串的群体；作为额外增添，偶尔也要在串结构中尝试用新的位和段来替代原来的部分。
遗传算法是一类随机优化算法，但是它不是简单的随机走动，它可以有效地利用已经有的信息处理来搜索那些有希望改善解质量的串。类似于自然进化，遗传算法通过作用于染色体上的基因，寻找好的染色体来求解问题。与自然界相似，遗传算法对待求解问题本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价，并基于适应度值来改变染色体，使适用性好的染色体比适应性差的染色体有更多的繁殖机会。
2.1 遗传算法的运行过程
遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群(population)出发，通过随机选择、交叉和变异操作，产生一群更适应环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群最适应环境的个体(Individual)，求得问题的最优解。
2.1.1 完整的遗传算法运算流程
完整的遗传算法运算流程可以用图2.2来描述。
由图2.2可以看出，使用上述三种遗传算子(选择算子、交叉算子、变异算子) 的遗传算法的主要运算过程如下：
(1) 编码：解空间中的解数据x，作为遗传算法的表现型形式。从表现型到基因型的映射称为编码。遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合就构成了不同的点。
(2) 初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N 个个体构成了一个群体。遗传算法以这N个串结构作为初始点开始迭代。设置进化代数计数器t←0；设置最大进化代数T；随机生成M个个体作为初始群体P(0) 。
(3) 适应度值评价检测：适应度函数表明个体或解的优劣性。对于不同的问题，适应度函数的定义方式不同。根据具体问题，计算群体P(t) 中各个个体的适应度。
(4) 选择：将选择算子作用于群体。
(5) 交叉：将交叉算子作用于群体。
(6) 变异：将变异算子作用于群体。群体P(t) 经过选择、交叉、变异运算后得到下一代群体P(t+1)。
(7) 终止条件判断：若t≤T，则t←t+1，转到步骤（2）；若t T，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止运算。
从遗传算法运算流程可以看出，进化操作过程简单，容易理解，它给其他各种遗传算法提供了一个基本框架。
一个简单的遗传算法被Goldberg用来进行轮廓描述，并用来举例说明遗传算法的基本组成。t代种群用变量P(t)表示，初始种群是随机设计的P(0)。简单遗传算法的伪代码描述如下：
2.1.2 遗传算法的三个基本操作
遗传算法有三个基本操作：选择(Selection)、交叉(Crossover)和变异(Mutation)。
(1) 选择。选择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为下一代繁殖子孙。根据各个个体的适应度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代群体中。遗传算法通过选择运算体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。这样就体现了达尔文的适者生存原则。
(2) 交叉。交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了父辈个体的特性。将群体内的各个个体随机搭配成对，对每一个个体，以某个概率(称为交叉概率，Crossover Rate)交换它们之间的部分染色体。交叉体现了信息交换的思想。
(3) 变异。变异操作首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机改变串结构数据中某个串的值，即对群体中的每一个个体，以某一概率(称为变异概率，mutation rate) 改变某一个或某一些基因座上的基因值为其他的等位基因。同生物界一样，遗传算法中变异发生的概率很低。变异为新个体的产生提供了机会。
2.2 基本遗传算法
基本遗传算法(也称标准遗传算法或简单遗传算法，Simple Genetic Algorithm，SGA) 是一种群体型操作，该操作以群体中的所有个体为对象，只使用基本遗传算子(Genetic Operator)：选择算子(Selection Operator)、交叉算子(Crossover Operator)和变异算子(Mutation Operator)，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。选择、交叉和变异是遗传算法3个主要操作算子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法没有的特点。
2.2.1 基本遗传算法的数学模型
基本遗传算法可表示为：
)
,,,,,,,(0T ΦM P E C SGA ψΓ= (2.1)
式中：C ——个体的编码方法；
E ——个体适应度评价函数；
0P ——初始种群；
M ——种群大小； Φ——选择算子；
Γ——交叉算子； ψ——变异算子； T ——遗传运算终止条件。
图2.3为基本遗传算法的流程图。
2.2.2 基本遗传算法的步骤
1．染色体编码与解码
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，其等位基因是由二值{0，1}所组成。初始群体中各个个体的基因可用均匀分布的随机数来生成。例如：X =100111001000101101就可表示一个个体，该个体的染色体长度是n =18。
(1) 编码：设某一参数的取值范围为[1
2
,U
U ]，我们用长度为k 的二进制编码符号来表示该
参数，则它总共产生k
2种不同的编码，可使参数编码时的对应关系为：
其中，1
212--=k
U U δ。
(2) 解码：假设某一个体的编码为1221b b b b b k k k --，则对应的解码公式为：
1
2)2
(121
1
1--?
?+=∑=-k
k
i i i U U b U X (2.2)
例如：设有参数]4,2[∈X ，现用5位二进制编码对X 进行编码，得3225=个二进制串(染色体) ：
00000，00001，00010，00011，00100，00101，00110，00111 01000，01001，01010，01011，01100，01101，01110，01111 10000，10001，10010，10011，10100，10101，10110，10111 11000，11001，11010，11011，11100，11101，11110，11111
对于任一个二进制串，只要代入公式(2.2) ，就可得到对应的解码，如1010122=x ，它
对应的十进制为
212120212012
4
325
1
1
=?+?+?+?+=?∑=-i i i
b
，则对应参数X 的值为
3548.31
2242125
=--?+。
2． 个体适应度的检测评估
基本遗传算法按与个体适应度成正比的概率来决定当前群体中各个个体遗传到下一代群体中的机会多少。为了正确估计这个概率，要求所有个体的适应度必须为非负数。所以，根据不同种类的问题，需要预先确定好由目标函数值到个体适应度之间的转换规律。特别是要预先确定好当目标函数值为负数时的处理方法。例如，可选取一个适当大的正数c ，使个体的适应度为目标函数值加上正数c 。
3． 遗传算子
基本遗传算法使用下列三种遗传算子：
(1) 选择运算使用比例选择算子。比例选择因子是利用比例于各个个体适应度的概率决定其子孙的遗留可能性。若设种群数为M ，个体i 的适应度为i f ，则个体i 被选取的概率为
∑==M
k k i i f f P 1
/。当个体选择的概率给定后，产生[0，1]之间的均匀随机数来决定哪个个体参
加交配。若个体的选择概率大，则能被多次选中，它的遗传基因就会在种群中扩大；若个体的选择概率小，则被淘汰。
(2) 交叉运算使用单点交叉算子。只有一个交叉点位置，任意挑选经过选择操作后种群中两个个体作为交叉对象，随机产生一个交叉点位置，两个个体在交叉点位置互换部分基因码，形成两个子个体，如图2.4所示。
图2.4 单点交叉
(3) 变异运算使用基本位变异算子或均匀变异算子：为了避免问题过早收敛，对于二进制的基因码组成的个体种群，实现基因码的小概率翻转，即0变为1，而1变为0，如图2.5所示。
精品毕业设计感谢信二篇 我们眼下的社会，我们都可能会用到感谢信，可以通过寄送一封感谢信来表达谢意。说到写感谢信，相信很多人都是毫无头绪的状态吧，以下是作者为大家收集的毕业设计感谢信3篇，供大家参考借鉴，希望可以帮助到有需要的朋友。 毕业设计感谢信篇1 当我的学士论文完成时，要感谢的人实在很多。 首先，我要感谢冯·诺依曼先生。正是他发明了电脑，才使我等鸟Q换大炮，从简单的剪报加摘抄进化成复制加粘贴。大大提高了论文速度，在此代表千万学子表示感谢。 其次，更要感谢比尔盖茨先生，他研制的WINDOWS进一步节约了我们的时间，通过互联网，我们能轻轻敲下键盘就能搜索到大量的资料。从此再也不要去图书馆漫山遍野的浪费时间了。当然，顺便感谢百度和GOOGLE公司。正是由于他们强大的搜索功能才能寻找到那么多资料。 另外，当然不能忘记免费提供论文的小网站，他们为我们提供了大量的论文蓝本，坚持着为人民服务的宗旨，想人之所想，急人之所急，保证贫穷的我们也能及时共享资源。相比之下，那些收费的站应该放下架子，端正服务态度，变收费为免费，向免费网站学习！大家共同发扬精神共同分享资源，共建和谐社会！ 最不能忘记的是我亲爱的导师。他放下神圣的师尊，象朋友一样与我们亲切探讨论文，纠正论文错误，指导我如何嫁接整合抄来的资料，使我的论文如何不被查出有剽窃现象。在此我深深鞠躬。 当然还有论文的答辩老师。他们和蔼可亲，关心学生，答辩会上善解人意，只提出一个问题：你知道你这篇文章写了什么吗？我说：知道……然后我就顺利通过了答辩。当我拿到学位的时候，老师的音容笑貌始终浮现在我眼前，我想大声的呼喊：啊！老师，我爱你们！、 一次次徘徊，一次次绝望。同学们都给我了巨大的鼓励！论文完成过程中，同学们互相鼓励，互相帮助，互相分享资源，探讨论文，空前团结，及时避免了论文内容的撞车。每当我对抄袭内容太多而受良心谴责的时候，同学们总会及时
遗传算法在图像处理中的应用 束道胜 P201002117 1引言 遗传算法( genetic algorithm, GA)是一种自适应启发式群体型概率性迭代式的全局收敛搜索算法,其基本思想来源于生物进化论和群体遗传学,体现了适者生存、优胜劣汰的进化原则。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。它在自适应控制、组合优化、模式识别、机器学习、规划策略、信息处理和人工生命等领域的应用中越来越展示出优越性。 图像处理是计算机视觉中的一个重要研究领域,在图像处理过程中,如扫描、特征提取、图像分割等不可避免地会存在一些误差,从而影响图像的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求, GA 在这些图像处理中的优化计算方面找到了用武之地,目前已在图像分割、图像恢复、图像重建、图像检索和图像匹配等方面得到了广泛的应用。 2 遗传算法的原理、基本性质和改进 GA把问题的解表示成染色体(也称串) , GA的求解步骤如下: (1) 编码定义问题的解空间到染色体编码空间的映射,一个候选解(个体)用一串符号表示。 (2) 初始化种群在一定的限制条件下初始化种群,该种群是解空间的一个子空间。 (3) 设计适应度函数将种群中的每个染色体解码成适于计算机适应度函数的 形式,计算其数值。 (4) 选择根据适应度大小选择优秀个体繁殖下一代,适应度越高,则选择概率越大。 (5) 交叉随机选择两个用于繁殖下一代的个体的相同位置,在选中的位置实行交换。 (6) 变异对某个串中的基因按突变概率进行翻转。 (7) 从步骤4开始重复进行,直到满足某一性能指标或规定的遗传代数。 步骤1、2和3是实际应用中的关键,步骤4～步骤6进行3种基本基因操作,选择实现
自动化专业毕业设计题目汇总大全 【本文由大学生电脑主页( )收集整理，大学生电脑主页——大学生的百事通】基于PLC的电梯控制系统设计直流电机调速系统的鲁棒控制 2-D 状态滞后系统的保性能控制 智能型互感器校验仪的设计研究 粒子群优化算法在图像分割中的应用 热力网预测控制系统的研究 电梯群控系统的模糊控制技术研究 EP-2600磨边机计算机控制系统的设计 无线网络拥塞控制源端算法研究 足球机器人基本动作和策略研究 基于西门子6RA70的直流调速系统的实验研究 机器人虚拟样机的自动生成 《工业控制网络》教案的设计 六维力传感器动态性能的仿真研究 450可逆冷轧机主传动控制系统设计 用MCGS组态软件的热交换站PLC监控系统设计 基于计算力矩结构的不确定机械手轨迹跟踪控制 基于蚁群算法的物流运输车辆优化调度研究 PLC在4000T压力机的控制系统中应用研究 基于遗传算法的多级阈值图像分割 防盗报警系统的设计 岩芯钻探工程单片机故障检测控制系统设计 二自由度PID控制系统设计与研究 基于MapObjects城市智能交通信息系统的研究 基于数据融合的高炉炉衬超声测厚系统研究 发电厂燃煤锅炉燃烧单片机控制系统设计 腈纶水洗牵伸机组变频调速系统设计 线性二次型最优控制器的设计与应用 不确定机械手变结构控制 机器人网站设计 利用径相基网络、BP网络逼近函数的研究 Delta算子控制及系统设计研究
高带宽时延积网络的主动队列管理算法研究 西门子PLC与调速装置的通讯及调速控制的实现 风力驱动的永磁同步发电机系统的建模与控制 灰色广义预测控制研究 基于MATLAB的反馈控制理论CAI软件制作 无线传感器网络跨层优化与控制 脂硬砂水玻璃造型生产线PLC控制系统的设计 水洗牵伸机组直流传动控制系统设计 PAC在锅炉控制系统中的应用研究 650可逆冷轧机液压厚控系统设计 超声波开式流量计的设计 超导线材轧机卷取控制 基于模糊神经网络算法的倒立摆控制系统 实时内核中任务之间的通信与同步的研究 基于T-S模型的非线性系统模糊建模方法及其应用研究模糊控制器的仿真研究 高强度rijndael密码的JAVA软件设计 网络控制系统的Markov建模、分析与设计 网络控制系统的性能分析及仿真研究 篦冷机熟料冷却风优化分配模型研究 多通道脑电信号动力学相似性研究 TLJ900型架桥机控制系统设计 梭床PLC控制系统研究 三角型结构非线性系统的参数辨识与控制 五层液压电梯微机控制系统 二维机器蛇控制技术研究 钢板打印机电气控制系统设计 五层XPM型电梯改为PLC控制 数字直流双闭环控制系统的研究 脑电信号源定位成像软件设计 EP-2600自动晶片磨边机控制软件设计 四辊可逆冷轧机可控制硅直接张力自适应控制研究RSA密码JAVA软件编程及FPGA芯片设计
1、简述可拓思想及其拓展工具 可拓思想是利用物元理论、事元理论和可拓集合理论，结合各应用理论和方法去处理该领域中的矛盾问题，以化不可行为可行，不可知为可知，化不属于为属于、化对立为共存。 可拓拓展工具定性工具物元和事元是可拓学的基本概念，可拓变换是解决矛盾问题的基本工具，可拓分析方法是寻求可拓变换的依据。利用它们可以从定性的角度分析事物开拓的可能性。 定量工具可拓集合是描述事物具有某种性质的程度和量变与质变的定量化工具。 2、什么是云计算？云计算为什么备受关注？为什么要实现云计算？ 云计算的基本原理是通过使计算分布在大量的分布式计算机上，而非本地计算机或远程服务中，企业数据中心的运行将更与互联网相似。这使得企业能够将资源切换到需要的应用上，根据需求访问计算机和存储系统 云计算是一种革命性的举措，打个比方，这就好比是从古老的单台发电机模式转向了电厂集中供电的模式。它意味着计算能力也可以作为一种商品进行流通。它最大的不同在于它是通过互联网进行传输的。 在未来只需一台笔记本或者手机，就可以通过网络服务来满足人们一切甚至包括超级计算这样的任务。最终用户才是云计算的真正拥有者。云计算的思想：把力量联合起来，给其中的每一个成员使用。 3、简述粗集理论. ①利用抽象代数来研究粗糙集代数空间这种特殊的代数结构。②利用拓扑学描述粗糙空间。 ③还有就是研究粗糙集理论和其他软计算方法或者人工智能的方法相接合，例如和模糊理论、神经网络、支持向量机、遗传算法等。④针对经典粗糙集理论框架的局限性，拓宽粗糙集理论的框架，将建立在等价关系的经典粗糙集理论拓展到相似关系甚至一般关系上的粗糙集理论 4、比较协同进化遗传算法与普通遗传算法。 遗传算法虽然实现简单，操作方便，但是存在很多的缺陷：①很容易导致“早熟”，陷入局部最优；②随着问题规模的增大，其计算复杂度明显增加，收敛性显著降低，搜索问题空间能力也下降；③依靠简单的交叉、变异操作，很容易产生不可行解；④交叉产生的子代可能一个适应度很高，另一个很低，低的个体虽然含有较好的基因，但是会被淘汰。 两种算法的比较结果很明显就可以看出两种算法的优劣：CGA、要明显优于GA，计算是时间短，收敛速度快，而且收敛精度也比较高。在求解分类神经网络训练问题计算工作量大大减少，同样达到90%的分类精度，CGA的遗传代数只有GA的1/3.在求解Manipulator Path Planning问题CGA占用CPU的时间只有GA的1/9 5、比较免疫算法与遗传算法。 (1)免疫算法与遗传算法起源于抗原与抗体之间的内部竞争，其相互作用的环境既包括外部也包括内部的环境；而遗传算法起源于个体与自私基因之间的外部竞争。(2)免疫算假设免疫元素互相作用，即每一个免疫细胞等个体可以相互作用，而遗传算法不考虑个体之间的作用。(3)免疫算法中，基因可以由个体自己选择，而在遗传算法中基因有环境选择。(4)免疫算法中，基因组合是为了获得多样性，一般不用交叉算子，因为免疫算法中基因是在同一代个体进行进化，这种情况下设交叉概率为0；而遗传算法后代个体基因通常是由父代交叉的结果，交叉用于混合基因(5)免疫算法选择个变异阶段明显不同，而遗传算法中它们是交替进行的。 6、请描述遗传算法特点。 (1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传
一种基于遗传算法的K-means聚类算法 一种基于遗传算法的K-means聚类算法 摘要：传统K-means算法对初始聚类中心的选取和样本的输入顺序非常敏感，容易陷入局部最优。针对上述问题，提出了一种基于遗传算法的K-means聚类算法GKA，将K-means算法的局部寻优能力与遗传算法的全局寻优能力相结合，通过多次选择、交叉、变异的遗传操作，最终得到最优的聚类数和初始质心集，克服了传统K-means 算法的局部性和对初始聚类中心的敏感性。关键词：遗传算法；K-means；聚类 聚类分析是一个无监督的学习过程，是指按照事物的某些属性将其聚集成类，使得簇间相似性尽量小，簇内相似性尽量大，实现对数据的分类[1]。聚类分析是数据挖掘 技术的重要组成部分，它既可以作为独立的数据挖掘工具来获取数据库中数据的分布情况，也可以作为其他数据挖掘算法的预处理步骤。聚类分析已成为数据挖掘主要的研究领域，目前已被广泛应用于模式识别、图像处理、数据分析和客户关系管理等领域中。K-means算法是聚类分析中一种基本的划分方法，因其算法简单、理论可靠、收敛速 度快、能有效处理较大数据而被广泛应用，但传统的K-means算法对初始聚类中心敏 感，容易受初始选定的聚类中心的影响而过早地收敛于局部最优解，因此亟需一种能克服上述缺点的全局优化算法。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化搜索算法。在进化过程中进行的遗传操作包括编码、选择、交叉、变异和适者生存选择。它以适应度函数为依据，通过对种群个体不断进行遗传操作实现种群个体一代代地优化并逐渐逼近最优解。鉴于遗传算法的全局优化性，本文针 对应用最为广泛的K-means方法的缺点，提出了一种基于遗传算法的K-means聚类算法GKA(Genetic K-means Algorithm)，以克服传统K-means算法的局部性和对初始聚类中心的敏感性。用遗传算法求解聚类问题，首先要解决三个问题：(1)如何将聚类问题的解编码到个体中；(2)如何构造适应度函数来度量每个个体对聚 类问题的适应程度，即如果某个个体的编码代表良好的聚类结果，则其适应度就高；反之，其适应度就低。适应度函数类似于有机体进化过程中环境的作用，适应度高的个体 在一代又一代的繁殖过程中产生出较多的后代，而适应度低的个体则逐渐消亡；(3) 如何选择各个遗传操作以及如何确定各控制参数的取值。解决了这些问题就可以利
沈阳大学 毕业设计 题目模拟交通灯 系别机电系 专业电气自动化技术 班级电气0401 姓名××× 学号×××××× 指导教师××× 日期 2007年12月
设计任务书 设计题目： 模拟交通灯 设计要求： 1.在十字路口的两个方向上各设一组红绿黄灯,显示顺序为：其中一个方向是绿灯、黄灯、红灯,另一个方向是红灯、绿灯、黄灯。 2.设置一组数码管,以倒计时的方式显示允许通过或禁止通行的时间,其中左转灯、绿灯、黄灯、红灯的持续时间分别是15S、30S、3S、48S。 3.当各条路上任意一条出现特殊情况,例如消防车、救护车或其他需要优先放行的车辆时,各方向上均是红灯亮,倒计时停止,且显示数字在闪烁,当特殊运行状态结束后,控制器恢复原来状态,继续正常运行。 设计进度要求： 第一周 第二周 指导教师（签名）：
摘要 设计以单片机为核心部件的模拟交通灯，利用74LS244作为断码驱动器，74LS07作为位码驱动，LED七断数码管作为计时显示用，用发光二极管指示交通的通行，用按键进行紧急事件的发生，使两个方向都亮红灯，绿灯亮通行，红灯亮停止通行。 本设计利用定时器进行定时，使定时器工作于方式一定时50ms，配合软件计数器，调用中断程序使定时器定时20此，达到定时1S的目的，同时调用显示程序，显示到计时的时间，用单片机Intel89S51作为核心部件,8路74ls244总线驱动器作为字形驱动芯片和6路驱动74ls07位选码作为中心器件来设计交通灯控制器，实现了交通灯的控制，显示时间直接通过89S51的P0、P1口输出；交通灯信号通过P3口输出；按件通过p3口输入，本交通灯系统简单，实用性强，成本低，使用维护方便，软件功能强，运行稳定可靠等优点。 关键词：单片机，交通灯，位码，段码，显示
人工智能实验—智能算法 实验一蚂蚁算法 一、实验目的： 理解蚂蚁算法的本质，会编写蚂蚁算法来求解TSP问题。 二、实验原理： 蚂蚁在寻找食物源时，能在其走过的路上释放一种特殊的分泌物——信息素(随着时间的推移该物质会逐渐挥发), 后来的蚂蚁选择该路径的概率与当时这条路径上该物质的强度成正比。当一定路径上通过的蚂蚁越来越多时，其留下的信息素轨迹也越来越多，后来蚂蚁选择该路径的概率也越高，从而更增加了该路径的信息素强度。 而强度大的信息素会吸引更多的蚂蚁，从而形成一种正反馈机制, 通过这种正反馈机制，蚂蚁最终可以发现最短路径。特别地，当蚂蚁巢穴与食物源之间出现障碍物时，蚂蚁不仅可以绕过障碍物，而且通过蚁群信息素轨迹在不同路径上的变化，经过一段时间的正反馈，最终收敛到最短路径上。 三、实验内容： #include
课程：新技术讲座 题目：遗传算法在图像处理中的应用XX： 学号：
目录 摘要2 1.引言3 2.遗传算法的基本原理和基本性质4 3.遗传算法在图像处理中的应用6 3.1在图像增强中的应用6 3.2在图像恢复中的应用7 3.3在图像分割中的应用8 3.4在图像压缩中的应用10 3.5在图像匹配中的应用11 4.遗传算法在图像处理中的问题及发展方向12 参考文献12
遗传算法在图像处理中的应用 摘要 遗传算法是一种模拟生命进化机制，基于生物自然选择与遗传机理的随机搜索与优化方法。近几年来，遗传算法广泛应用在生物信息学、系统发生学、计算科学、工程学、经济学、化学、制造、数学、物理、药物测量学和其他领域之中，这种算法得到快速发展，尤其是在计算机科学人工智能领域中。本文将在系统并且深入的介绍遗传算法基本理论的基础上，重点综述遗传算法在数字图像处理中的主要应用，深入研究目前遗传算法在图像处理领域中存在的问题，并对这些问题作出了一些个人的见解，阐述了遗传算法在图像处理应用的发展方向。 关键词：遗传算法，数字图像处理 Abstract Genetic Algorithm is a simulation of the life evolution mechanism,random search and optimization method which is based on the natural selection and genetic mechanism.In recent years,due to the enormous potential of solving plex optimization problems and the successful applications in the industrial field,the Genetic Algorithm developed rapidly,Especially in the field of artificial intelligence in puter science.This article not only describes the basic theoretical foundation of genetic algorithms,but also focus on
信息工程学院毕业设计商业网站的设计与制作 专业：计算机应用技术 班级： 学号： 学生姓名： 校外指导教师： 校内指导教师: 二零一零年十月
目录 摘要：?2 关键字: (2) 第一章绪言?3 第二章网站设计分析..................................................... ４2.1网站设计概述 .. (4) 2.2开发工具的选用及介绍 (4) 2.2.1 Ｄｒｅamｗeａver8.0?4 ２．２.2 Photoｓhoｐ CS?５ ２.2.3 ＡＳP动态网站脚本语言 (6) 2.３关系型数据库的选择 (7) 2.３．１ Miｃrｏsoｆt Officｅ Acceｓs简介?7 3．1网站定位 (9) 3．2系统构思?９ 3.3网站栏目简介 (10) 第四章详细设计?11 ４.1网站制作过程 (11) ４.1.1 lｏgo的制作过程 (11) ４.1.２bａnnｅr的制作过程......................................... 1２ 4.１．3 主页制作过程(详见图４-3)?13 ４.1.４留言板的设计 (14) 4.2数据库的设计?1６ ４.3系统实现代码 (17) ４．3.1 滚动文字特效(这里主要指网站左侧的“公司公告”)?17 4．3.2 图片切换 (18) ４.3.３首页鼠标特效代码?19 结束语.................................................................. 2１参考文献................................................................ ２1 致谢?21
目录 摘要-----------------------------------------------------------------------------3 关键词--------------------------------------------------------------------------3 第一章任务介绍---------------------------------------------------------3 1.1轴的零件图-------------------------------------------------------3 1.2零件图的分析----------------------------------------------------3 1.3选择加工设备（题目给定用数控车）-----------------3 第二章数控车床的简介-----------------------------------------------4 2.1概述-------------------------------------------------------------------4 2.1.1数控车床的特点及应用----------------------------------------4 2.1.2数控车床的发展前景-------------------------------------------6 2.1.3数控车床加工轴类零件的优势-----------------------------7 第三章轴类零件的分析--------------------------------------------------7 3.1该零件的功能分析----------------------------------------------7 3.2该零件的结构分析----------------------------------------------7 3.3该零件材料及受力分析-----------------------------------------8 3.4该零件的精度分析-----------------------------------------------9第四章轴的加工工艺方案---------------------------------------------9 4.1零件图工艺分析----------------------------------------------------9 4.2选择毛坯--------------------------------------------------------------10 4.3确定加工顺序-------------------------------------------------------10 4.4选择夹具及确定装夹方案--------------------------------------11 4.5选择加工刀具---------------------------------------------------11
自适应PID控制 摘要：自适应PID控制是一门发展得十分活跃控制理论与技术,是自适应控制理论的一个重要组成部分,本文简要回顾PID控制器的发展历程,对自适应PID控制的主要分支进行归类,介绍和评述了一些有代表性的算法。 关键词：PID控制，自适应，模糊控制，遗传算法。 Abstract: The adaptive PID control is a very active developed control theory and technology and is an important part of adaptive control theory.This paper briefly reviews the development process PID controller.For adaptive PID control of the main branches, the paper classifies,introduces and reviews some representative algorithms. Keywords: PID control, adaptive, fuzzy control, genetic algorithm 1 引言 从问世至今已历经半个世纪的PID控制器广泛地应用于冶金、机械、化工、热工、轻工、电化等工业过程控制之中，PID控制也是迄今为止最通用的控制方法， PID控制是最早发展起来的控制策略之一，因为他所涉及的设计算法和控制结构都很简单，并且十分适用于工程应用背景，所以工业界实际应用中PID 控制器是应用最广泛的一种控制策略(至今在全世界过程控制中用的80% 以上仍是纯PID调节器，若改进型包含在内则超过90%)。由于实际工业生产过程往往具有非线性和时变不确定性，应用常规PID控制器不能达到理想控制效果，长期以来人们一直寻求PID控制器参数的自动整定技术，以适应复杂的工况和高指标的控制要求。随着微机处理技术和现代控制理论诸如自适应控制、最优控制、预测控制、鲁棒控制、智能控制等控制策略引入到PID控制中，出现了许多新型PID控制器。人们把专家系统、模糊控制、神经网络等理论整合到PID控制器中，这样既保持了PID控制器的结构简单、适用性强和整定方便等优点，又通过先进控制技术在线调整PID控制器的参数，以适应被控对象特性的变化。 2 自适应PID控制概念及发展 2.1 PID控制器 常规PID控制系统原理框图如下图所示，系统由模拟PID控制器和被控对象组成。
. . 课程：新技术讲座 题目：遗传算法在图像处理中的应用姓名： 学号：
目录 摘要 (2) 1.引言 (3) 2.遗传算法的基本原理和基本性质 (3) 3.遗传算法在图像处理中的应用 (5) 3.1在图像增强中的应用 (5) 3.2在图像恢复中的应用 (6) 3.3在图像分割中的应用 (7) 3.4在图像压缩中的应用 (8) 3.5在图像匹配中的应用 (9) 4.遗传算法在图像处理中的问题及发展方向 (10) 参考文献 (10)
遗传算法在图像处理中的应用 摘要 遗传算法是一种模拟生命进化机制，基于生物自然选择与遗传机理的随机搜索与优化方法。近几年来，遗传算法广泛应用在生物信息学、系统发生学、计算科学、工程学、经济学、化学、制造、数学、物理、药物测量学和其他领域之中，这种算法得到快速发展，尤其是在计算机科学人工智能领域中。本文将在系统并且深入的介绍遗传算法基本理论的基础上，重点综述遗传算法在数字图像处理中的主要应用，深入研究目前遗传算法在图像处理领域中存在的问题，并对这些问题作出了一些个人的见解，阐述了遗传算法在图像处理应用的发展方向。 关键词：遗传算法，数字图像处理 Abstract Genetic Algorithm is a simulation of the life evolution mechanism, random search and optimization method which is based on the natural selection and genetic mechanism.In recent years,due to the enormous potential of solving complex optimization problems and the successful applications in the industrial field,the Genetic Algorithm developed rapidly,Especially in the field of artificial intelligence in computer science.This article not only describes the basic theoretical foundation of genetic algorithms,but also focus on Genetic Algorithm in digital image processing.Moreover,it studies the problems of the Genetic Algorithm in the field of image processing and the direction of development in the future，Moreover,the author elaborates the personal opinion in the end. keyword ：Genetic Algorithm,Digital image processing
旱地插秧机设计 作者：xxx 专业班级：机械x班指导教师：xx 摘要 我国是个农业大国且人口众多，随着生活水平的提高，农业机械化的进程已经刻不容缓。在水稻、棉花等常规农作物栽培机械化的进程上，我国已经取得了较大的成绩，但是对于一些非常规农作物，特别是珍贵中药材来说，机械化的进程还有很大一段路要走。本课题旨在设计一款主要针对药材种植，同时适用于其它种类农作物的全自动化旱地插秧机。 论文围绕旱地插秧机的设计，针对中药材种植要求，以全自动化为目标，将旱地插秧就分解成自动分苗系统、输苗系统、移栽系统、镇压浇水系统、动力系统五大模块，并逐步完成结构设计、三维建模、组装成形以及运动仿真。最终，以实现拖拉机拖拽前进，盘钵苗自动分苗上秧，秧苗零速差入土，秧苗种植深度、行距、株距可调，苗距稳定不受车速影响、覆土与间歇性浇水等功能。 论文设计了二十余种机构，包括自动分苗系统中的夹苗装置、盘钵进给机构、长行程往复运动机构、提苗机构、输苗系统中的间歇输苗机构、间歇出苗机构、移栽系统中的“零”速移栽机构、鸭嘴自动开口机构、动力系统中的变速机构、镇压机构、间歇浇水机构，镇压轮调节机构等，并对主要机构中的关键零件进行了强度校核。仿真实验表明，该装置可有效的满足在旱地种植药材的工艺要求。 关键词：农业机械自动化秧苗移栽分苗装置运动仿真
The design of dry land transplanter Abstract China is a large agricultural country and has a large population, The process of agricultural mechanization has been Brook no delay with the improvement of living standards.It’s done well all over the world in the design of dry land transplanter that only used for some conventional crops cultivation like rice and cotton. But for some unconventional crops, especially as traditional Chinese medicine, the mechanization transplanting still has a long way to go. This project aims to design a unprecedented dry land transplanter that be used to transplant some cherish Chinese herbal medicine. The basis of the project is the technology of Chinese herb. In order to meet technical requirements, dry land transplanter is decomposed into automatic separate system, transmission system, power system, seedling transplanting system. The subject also has these jobs need to be done that includes the mechanism design, 3d modeling and motion simulation. Finally, the dry land transplanter was done successfully and that has these the following functions: transplant machine is towed by tractors, the seedlings are separated by machine automatically, the instantaneous rate is zero, the seedling planting depth, row spacing is adjustable, watering after transplant. The paper presents the development direction of agricultural mechanization in china. It’s conducive to changing the status quo, improve the hard power of agricultural machinery industry in china. Key word：agricultural machinery automation seedling transplanting seedling separate system motion simulation
用遗传算法优化BP神经网络的Matlab编程实例 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=premn mx(XX); YY=premn mx(YY); %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'trainlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 %下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,... 'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3]); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-');
目录 第一章绪论 (1) 1.1自动化生产线发展状况 (1) 1.2 PLC的应用及目前的研究现状 (3) 1.2.1生产线上的工艺过程 (3) 1.2.2连续生产线 (4) 1.2.3控制系统组成框图 (5) 1.3课题主要研究的内容及意义 (6) 第二章各单元硬件设备的说明 (7) 2.1电感式接近开关的设备说明 (7) 2.1.1电感式传感器简单介绍 (7) 2.1.2电感式接近开关传感器的基本工作方式 (7) 2.2电容式接近开关的设备说明 (8) 2.2.1电容式传感器简单介绍 (8) 2.2.2电容式接近开关传感器的使用 (8) 2.3继电器的设备及微动开关的设备说明 (9) 2.4电磁阀的设备说明 (9) 第三章S7-2OO PLC在自动线中的使用 (10) 第四章各单元控制系统的设计 (12) 4.1PLC对下料单元的控制 (12) 4.1.1下料单元控制要求 (12) 4.1.2下料单元控制流程图 (13) 4.1.3下料单元I/O分配表 (14) 4.1.4下料单元梯形图 (15) 4.2 PLC对加盖单元的控制 (21) 4.2.1加盖单元控制要求 (21) 4.2.2加盖单元控制流程图 (22) 4.2.3加盖单元I/O分配表 (23) 4.2.4加盖单元梯形图 (24) 4.3PLC对穿销单元的控制 (30) 4.3.1穿销单元控制要求 (30) 4.3.2穿销单元控制流程图 (31) 4.3.3穿销单元I/O分配表 (32) 4.3.4穿销单元梯形图 (33) 4.4PLC对检测单元的控制 (39) 4.4.1检测单元控制要求 (39) 4.4.2检测单元控制流程图 (40) 4.4.3检测单元的I/O分配表 (41) 4.4.4检测单元梯形图 (41) 4.5PLC对分拣单元的控制 (45) 4.5.1分拣单元控制要求 (45) 4.5.2分拣单元控制流程图 (47)
论文名称：遗传算法 姓名：徐庆地 学号：20112212478 班级：计算机科学与技术1班 院系：信息与电气工程学院 日期：2014年6月18日
摘要 (2) 第一章引言 (3) 1．1搜索法 (3) 1.2遗传算法 (3) 第二章遗传算法(Genetic Algorithms，GA) (4) 2.1遗传算法的基本概念 (4) 2.2遗传算法的实现步骤 (6) 第三章遗传算法的特点及应用 (9) 3.1遗传算法的特点 (9) 3.2遗传算法的应用 (9) 第四章遗传算法的缺点及发展 (12) 4.1遗传算法的缺点 (12) 第五章遗传算法代码实现 (13) 附录遗传算法代码（GA Code） (14)
摘要 智能搜索算法包括遗传算法、禁忌算法、模拟退火算法等。其中遗传算法（GA）是人类从基因遗传的生物进化思想的启发下提出的，它是一种进化计算，进化计算实质上是自适应的机器学习方法，遗传算法根据基因遗传时候的变化，它在运算的时候也分为选择、交叉、变异三种行为。它比盲目的搜索效率高的多，又比专门的针对特定问题的算法通用性强，它是一种于问题无关的求解模式。但是遗传算法又有很大的不确定性，以及过早的收敛性，所以可以和其他算法一起使用来对问题求解。 关键词：遗传算法；GA；实现；应用；改进
第一章引言 1．1搜索法 人工智能问题广义地说，都可以看作是一个问题求解问题，在问题的求解过程中，人们所面临的大多数现实问题往往没有确定性的算法，通常需要用搜索算法来解决。搜索法是人工智能中问题的求解的基本方法，搜索法可大致分为有信息搜索和无信息搜索，约束满足问题和博弈问题的求解均可表述为搜索过程。搜索法的本质是再状态空间中从问题的初始状态搜索到通向目标状态的路径。当前的智能搜索算法本质上也是搜索法，如遗传算法、蚁群算法、神经网络等。 一般搜索可以根据是否使用启发式信息分为盲目搜素和启发式搜索，也可以根据问题的表示方式分为状态空间搜索和与/或树搜索。 盲目搜索一般是指从当前状态到目标状态需要走多少步或者并不知道每条路径的花费，所能做的只是可以区分出哪个是目标状态。 启发式搜索时在搜索过程中加入了与问题有关的启发式信息，用于指导搜索朝着最有希望的方向前进，加速问题的求解并找到最优解。 很显然盲目搜索不如启发式搜索效率高，但是由于启发式搜索需要和问题本身特性有关的信息而对很多问题这些信息很少，或者根本就没有，或者很难抽取，所以盲目搜索仍然是很重要的搜索策略。 1.2遗传算法 进化计算（Evolutionary Computation，EC）是在达尔文的进化论和孟德尔的遗传变异理论的基础上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术。它主要包括 遗传算法（Genetic Algorithm，GA） 进化策略（Evolutionary Strategy,ES） 进化规划（Evolutionary Programming,EP） 遗传规划（Genetic Programming,GP） 它将生物进化过程中的繁殖（Reproduction）变异（Mutation）竞争（Competition）选择（Selection）引入到了算法中。从而诞生了遗传算法。
《基于遗传算法的智能组卷策略的研究》综述 姓名刘春晓 学号 2015216104 专业计算机技术 班级 3班 天津大学计算机科学与技术学院 2016年 6 月
基于遗传算法的智能组卷策略的研究综述 摘要随着计算机技术的日益发展和成熟，手工组卷已经不能满足现代的教学要求，组卷智能化在提高教学质量方面发挥着很重要的作用。文章对组卷策略进行了梳理，对比和总结，主要介绍了遗传算法的优点，从遗传算法的基本流程、编码方式、适应度函数和遗传算子方面进行了归纳。接着分析了目前智能组卷策略研究的不足和挑战，最后总结了未来的研究设想。 关键词智能组卷；遗传算法；适应度函数；遗传算子 1引言 在计算机技术发展飞速的今天，计算机应用已经慢慢的渗透到人类生活的方方面面，计算机的辅助教学功能也逐渐得到大家的重视。传统的手工组卷受到人为因素的干扰，导致考试的效率低下，组卷智能化已经成为不可或缺的一项研究。 近几年，智能优化算法倍受人们关注，如人工神经网络、遗传算法，为解决复杂问题提供了新的方法，并在诸多领域取得了成功。组卷问题是一个在一定约束条件下的多目标参数优化问题，针对传统的组卷算法具有组卷速度慢、成功率较低、试卷质量不高等缺点。 智能组卷算法在计算机辅导教学过程中之所以受到重视，是因为它把人工智能技术运用到了组卷中，能够智能的设计试卷的结构和内容，包括试卷的难易度，知识点，题型和题量等，使生成的试卷质量比较高。 遗传算法（Genetic Algorithm ,GA）基于达尔文的进化论和孟德尔的自然遗传学说,是通过模拟遗传选择和自然淘汰的生活进化的随机搜索和全局优化算法（张建国 2009：1）。由于该算法有智能的搜索技术和收敛性质，可以较好的满足智能组卷的要求。所以本系统选用遗传算法作为组卷算法，以试题章节、试题数量、试题知识点、试题题型、试题难度分布、试题曝光度、覆盖度、试题分数分配等约束为组卷条件，使试卷有更好的区分度。 基于遗传算法的智能组卷系统实现了组卷智能化，优化了其他组卷算法的不足，使教学更加自动化和公平化，提高了组卷效率。 2研究现状分析 在系统开发之前，应该首先选择适合本系统的组卷算法，组卷算法的选取对试卷的质量影响颇大。只有相对好的算法才能提高组卷的效率和成功率。组卷实质上就是在复杂的约束条件下的多目标求最优解的问题，保证试卷能够满足教学要求。随着计算机技术和人工智能理论的飞速发展，各种组卷策略层出不穷，选择适合的算法对系统运行有极其重要的作用。分析各种组卷算法的优缺点，找到最优的组卷算法是该系统开发的任务之一。这里我们就现阶段组卷算法进行分析和总结。 现阶段比较成熟的组卷算法有随机选取法、回溯试探法和遗传算法。随机选取法生成的试题重复率较高，难以达到预期效果。回溯试探法是一种有条件的深度优化法，对于状态类型和题量较小的题库系统而言，组卷成功率高，但占用内